深度分析
BEAVER：企業資料倉儲中 Text-to-SQL 的檢索與生成瓶頸
現有 text-to-SQL 基準多源自公開資料與人工標註，難以代表企業資料倉儲的複雜性。研究團隊提出 BEAVER，一組來自真實企業資料倉儲、並以使用者歷史查詢與對應正確 SQL 匯整的資料集，並在檢索＋大型語言模型（LLM）流程下測試。
LLM
深度分析
以 LLM 註記 RAB‑Cred：評估丹麥難民裁決中可信度判讀的可行性
本研究以丹麥庇護裁決文本建立RAB‑Cred資料集，測試以開放權重的大型語言模型（LLM）做零樣本與少樣本註記。研究比對多款模型與多種提示，並分析錯誤類型與一致性。結果指出LLM具成本優勢但標註不穩定，建議採用模型或提示混合集成與人類覆核。可供後續研究採用。
速報
BoostTaxo：提升式大模型實作的零樣本分類法誘導
分類法誘導是組織概念為可解讀語意階層的核心任務。BoostTaxo是一個提升式大模型框架，透過粗到細的父節點辨識流程，結合檢索增強的定義精練、混合候選父節點選取與候選評分，最後以結構感知的分數校準強化拓撲可靠性。公開資料集評測顯示其表現優越或相當。
TypeScript
Ax：將 DSPy 程式模型帶入 TypeScript 的型別化 LLM 工具庫
GitHub上有個名為Ax的專案，嘗試把DSPy程式模型帶入TypeScript生態。它以簽章(signature)或建構器描述輸出輸入，執行時編譯成提示並解析為型別化回傳，可用同一套簽章切換多家模型供應商，降低在不同LLM間重寫提示的成本並加速應用開發與整合。
深度分析
以 FSM 為核心的 SmartEval：用五維指標量化 LLM 生成之 Solidity 合約品質
SmartEval 提出一套針對大型語言模型（LLM）從自然語言規格生成 Solidity 智能合約的系統化基準。研究整理九千份模型生成合約與對應專家實作，並以功能完整性、變數忠實度、狀態機正確性、商業邏輯忠誠度與程式碼品質五個維度計分，搭配可重複的生成與評估管線。
速報
元認知探針：用五項行為診斷揭露 LLM 自信與正確性落差
研究提出「元認知探針」，用五項行為診斷拆解大型語言模型的信心與正確性關係：包含校準、認知警覺、知識邊界、校準範圍與推理鏈驗證。對八款前沿模型與六十九名人類受測者比較，揭露像Gemini 2.5 Flash出現顯著跨任務不一致。工具為探索性，程式碼與資料已公開。
深度分析
Tessera 框架：在知識圖上用 MCTS 與 LLM 建構可檢驗藥物—疾病機制
面對知識圖上多跳機制說明的組合爆炸與信用回溯問題，研究提出Tessera，一套結合大型語言模型（LLM）、知識圖與蒙地卡羅樹搜尋（MCTS）的神經符號框架。設計上讓LLM負責局部判別（作為探索先驗與狀態評分），由知識圖嚴格限定假設空間，再由MCTS進行長程搜尋與回傳信用。
OpenMCP
OpenMCP（openmcp-client）：VSCode 外掛與客戶端，支援 MCP 偵錯與多模型測試
OpenMCP是一個面向MCP開發的整合型工具，提供VSCode外掛與伺服器偵錯面板。核心把檢視器、互動測試、專案管理與多模型接入集中，並支援XML模式與自訂工具選項。此整合有助於簡化MCP伺服器的測試與開發流程，提升跨模型互動與專案管理效率。
深度分析
SeaEvo：在策略空間加入持續表徵以提升 LLM 驅動的演化式搜尋效能
LLM驅動的演化式搜尋在自動演算法發掘上受到關注，但多數系統僅以程式碼與標量適應度追蹤進度。SeaEvo將自然語言策略提升為族群層級持續狀態，結合策略闡述、分層經驗檢索與景觀導航。實驗顯示在系統最佳化等開放任務上提升約21%效能，證明策略層面的持久化可增強演化搜尋的魯棒性與效率。
深度分析
通用 LLM 用於維基 NPOV：偏見偵測、改寫與治理挑戰分析
這篇研究評估大型語言模型（LLM）在套用維基百科「中立觀點」（NPOV）規範時的能力，分別測試偏見偵測與中性化改寫兩項任務。研究發現模型在偏見偵測上準確度不佳，但在改寫上能移除多數被編輯者刪除的描述詞，呈現高召回低精確的特性，且常同時做出文法或風格改動。
深度分析
MiniAppBench 與 MiniAppEval：以 Playwright 與代理式測試評估 LLM 生成的互動式 MiniApps
大型語言模型推動互動式HTML應用MiniApps成為新的人機介面。本文提出MiniAppBench與MiniAppEval，前者從真實平台萃取500題任務，強調遵循實世界原則與客製互動；後者以Playwright自動化執行意圖、靜態與動態三維評估。實驗顯示現有模型仍難穩定生成高品質MiniApps。
深度分析
LLM 驅動 HBEE 模擬：具適應性的惡意內部者降低同儕懷疑頻率，UEBA 排名不變
研究以HBEE模擬器在預登記的五條件實驗中，讓100名LLM驅動代理人運行100個tick，模擬一名可適應行為的內鬼與不同防禦模式（cascade與blind UEBA）。核心做法是比較同儕懷疑圖（peer-suspicion graph）入度與每位代理人的UEBA排名，並以預先註明的統計檢定評估效果。