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。
Large Language Model
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。