深度分析
非洲語系 Tokenization 成本差異：子詞 Fertility 與大型語言模型的結構性懲罰
研究指出，目前主流大型語言模型的子詞分詞器在非英語非洲語系上產生較高的 token 數，導致 API 成本與延遲提升。以 11 種前沿分詞器測試 19 種非洲語言，最小溢價 1.29 倍，最高 8.92 倍。結果顯示語系與字母表覆蓋是主要因素，且可透過增大詞彙表或針對性設計減輕。
Large Language Model
深度分析
「Tokenization Drift」：微小空格如何影響大型語言模型的行為與效能
Tokenization Drift 指的是微小的格式變化（如前置空格或換行）導致輸入 token 序列改變，使大型語言模型行為不可預測。文章示範 GPT-2 Tokenizer 的差異，說明 token 重疊度可量化 OOD 風險，並提出自動化 Prompt Optimisation 以維持模型穩定。
深度分析
Meta 推出 Autodata 框架，透過 Agentic Self‑Instruct 生成高品質合成資料
Meta AI 的 RAM 團隊針對 AI 訓練資料品質瓶頸，開發了 Autodata 框架，讓大型語言模型以代理人角色自行產生、評估、迭代訓練與測試資料。系統採用四個子代理人（挑戰者、弱解答者、強解答者、驗證者）形成封閉回路，根據嚴格的品質門檻自動調整生成配方。
速報
Template Constrained Decoding (TeCoD)：提升 Text-to-SQL 準確度與效能的新框架
大型語言模型在 Text‑to‑SQL 上雖已顯著進步，但面對未見過的資料庫結構仍易產生錯誤。研究者推出 TeCoD，將歷史 NL‑SQL 配對轉為可重用模板，並以微調的自然語言推理模型快速匹配查詢，接著以文法限制的分割解碼確保 SQL 合法。實驗顯示，TeCoD 在正確率上較傳統方法提升最高 36%，執行延遲降低至 2.2 倍。
深度分析
Heuristic‑Classification‑of‑Thoughts (HCoT)：結合專家系統啟發式與大型語言模型的結構化推理
大型語言模型在複雜推理時常因隨機生成與知識脫節而表現不佳。研究提出 HCoT 框架，利用啟發式分類模型將推理空間結構化，提供可重用的抽象解答。實驗顯示其在多項複雜任務上超越既有方法，提升準確度並降低 token 用量，對 AI 推理效能具正向衝擊。
深度分析
Persona Steering 對大型語言模型認知能力的系統性分析與動態路由策略
本研究針對大型語言模型注入人格的影響進行系統性分析，採用 NPTI 框架在模型中引入 Big Five 人格特質，並於六項認知基準測試驗證。結果顯示，開放性與外向性提升指令遵循，部分人格降低複雜推理，效應與人類關係有 73.68% 一致性。基於此提出動態人格路由（DPR），在查詢層面自適應，效能超越最佳靜態人格配置。
Large Language Model
從 LLM 領袖模型到 BCI 腦機介面：數位獨裁者的權力延伸與風險
當權力追求永生，AI 與腦機介面（BCI）可能成為獨裁者的工具。本文分析中國與俄羅斯領導人對長生的渴望，探討透過大型語言模型（LLM）創造數位分身，以及 BCI 技術如何讓權力在肉身之後依然延續，揭示數位獨裁時代的恐怖潛能。