LLM

LLM

從事實定位到統計推論：Text2DistBench 揭露 LLM 分佈式閱讀理解的盲區

大語言模型能讀懂文章，但能「量化」群體趨勢嗎？新基準測試 Text2DistBench 利用 YouTube 評論數據，挑戰 LLM 在分佈式閱讀理解上的能力，揭示模型在推論群體偏好與比例時的侷限性，為 AI 閱讀理解能力評估提供新維度。

LLM

LLM 驅動的去匿名化：研究揭露 AI 能大規模精準識別社交媒體化名用戶

最新研究警告，大型語言模型（LLM）能以驚人的準確率將社交媒體化名帳號還原為真實身份。透過分析非結構化文本與跨平台比對，AI 讓傳統的匿名保護機制失效，大幅提升了去匿名化攻擊的規模與效率，對網路隱私造成嚴重威脅。

LLM

LLM 驅動的網路故障排除：利用 RAG 與微調構建 RCA 知識庫以提升網路韌性

研究人員開發了一套利用 LLM 構建根因分析（RCA）知識庫的框架，透過對比微調、RAG 與混合模式，將支援票單轉化為可用的技術知識。這項技術能有效縮短網路故障排除時間，提升網路韌性，為實現電信級 99.999% 可靠性提供關鍵技術路徑。

生成式廣告

IAMFM 框架：結合 VCG 機制與多保真度優化，突破 LLM 生成式廣告的運算瓶頸

研究人員提出 IAMFM 框架，將 VCG 激勵機制與多保真度優化整合，解決 LLM 生成式廣告中廣告商策略行為與高運算成本的矛盾。透過主動反事實優化降低計算開銷，在確保廣告商利益與系統公平性的同時，提升了生成式廣告的整體社會福利與效率。

Next POI Prediction

LLM 預測下一個地點 (Next POI)：啟發式方法在情境學習中超越嵌入模型

最新研究顯示，在使用大型語言模型預測使用者下一個感興趣地點（Next POI）時，簡單的地理位置與時間順序啟發式方法，在準確率與效率上竟優於複雜的嵌入式範例選擇策略，甚至能比肩微調模型，大幅降低 AI 部署成本。

深度分析

TurboAgent：以 LLM 多代理人框架實現渦輪機械氣動設計自動化

研究人員開發出 TurboAgent 框架，利用 LLM 協調多個專業 AI 代理人，將渦輪機械氣動設計從傳統試錯法轉向自動化閉環流程。實驗證明該系統能快速且精準地生成設計方案，並在短時間內顯著提升設備性能指標，為工業工程設計帶來自動化革命。

跨域推薦 (CDR)

EviSnap 框架：以證據導向的特徵卡片解決跨域推薦系統的冷啟動與可解釋性

跨域推薦系統常面臨冷啟動與黑盒子問題。新框架 EviSnap 透過 LLM 提取特徵卡片並建立共用概念庫，將推薦理由直接與原始評論證據掛鉤，實現了可審計、可編輯且高忠實度的可解釋推薦，顯著提升了跨域預測的準確度與透明度。

ATR4CH

利用 ATR4CH 框架結合 LLM 與本體工程，將文化遺產文本轉化為知識圖譜

研究人員推出 ATR4CH 框架，將大型語言模型（LLM）與本體工程結合，系統化地將文化遺產文本轉化為知識圖譜。該方法能有效提取過往難以量化之學術爭議與證據，在元數據提取上達到 0.96-0.99 的 F1 分數，並為文化遺產機構提供可複製的結構化知識發現工具。

LLM

LLM 盲目拒絕現象：研究揭露 AI 安全機制與道德推理能力脫節

最新研究揭露大語言模型存在「盲目拒絕」現象，即便面對不公正或荒謬的規則，AI 仍會拒絕協助使用者避開。研究發現 75.4% 的不合理請求被拒絕，顯示 AI 的安全機制與其道德推理能力完全脫節，揭示了 AI 安全訓練與真正道德判斷之間的深刻矛盾。

AI Agents

AI 代理人新框架：無需重新訓練即可實現技能自我改寫與動態更新

AI 代理人不再需要重新訓練模型才能學習新技能！新框架讓 AI 能在執行任務失敗後，自行分析錯誤並重新編寫技能定義，實現動態自我進化，大幅降低開發成本並提升任務成功率。