aimock
aimock全方位 AI Mock 伺服器：支援 LLM、MCP 與向量資料庫測試
aimock 是一個在 GitHub 上活躍的開源專案，主打以單一套件、單一埠、零相依的方式，模擬 AI 應用在測試階段會呼叫到的各類服務。功能涵蓋 LLM API、多媒體生成、語音與影音處理、嵌入向量、向量資料庫、搜尋與重排序，以及 MCP 工具與代理間通訊（A2A）等。
LLM
深度分析
AutoDFT：基於閉環多代理人與 LLM 的自治 DFT 計算框架
AutoDFT 提出一套將大型語言模型（LLM）推入密度泛函理論（DFT）每個階段的閉環多代理人架構，藉由分層策略規劃與即時參數生成，讓系統能在執行中監測、復原並依證據修正計畫。該架構由七個專責代理人組成，從策略規劃、步驟參數化，到雙路監控、故障修復與步驟反思，將人類專家在工作流程中的判斷模組化。
速報
Auto‑Robotist：LLM 自我進化的機器人形態技能庫
大語言模型在機器人形態搜尋常無可重用記憶。Auto‑Robotist將搜尋軌跡蒐成自然語言技能庫，記錄結構原型、正負規則與評估案例；搜尋時檢索技能以引導模型編輯並保留遺傳演算法探索路徑。實驗在多項EvoGym任務顯示5×5冷啟動搜尋改善，且技能可遷移至10×10，參照式轉移優於純GA。
深度分析
LLM 與 Mythos：從零日不對稱到漏洞修補吞吐的經濟學
本文以「bugonomics」角度改寫並分析 ArXiv 文章，檢視大型語言模型（LLM）如 Anthropic Mythos 對漏洞發現與修補流程的經濟影響。作者主張，LLM 並非單純帶來更多可實務利用的零日，而是改變防禦端的成本結構：候選報告量激增、證據豐富的修補包更值錢，維護者的驗證、優先排序與發布成為瓶頸。
深度分析
BODHI：以結構化領域知識提升 LLM 在 OSV-Bench 形式規格生成的準確度
作業系統核心形式驗證需精準規格，但手動撰寫昂貴。BODHI 以結構化 C→Python/Z3 翻譯指南擴充 few-shot prompt，分離前置檢查與後置狀態更新等關切點，並示範 15 類翻譯模式。實驗在 OSV-Bench 上顯著提升多款模型 Pass@1，顯示領域知識注入可實質改善規格生成。
深度分析
LLM 在尾部風險預測的反向尺度：CRPS 顯示能力提升卻導致上尾錯配
針對成長超線性且可能突變的時序資料，研究以分布式預測檢視大型語言模型表現。使用無污染模擬基準 FBSim、合成 SIR 及多項實證資料，比對連續量化分位與二元閾值評分。結果顯示：更高能力模型在包含尾部風險的長期預測上反而更差，主要因為上尾被過度外推。
MCP
Insight‑Link Pro：以 MCP 伺服器結合程式碼倉庫與即時文件為 LLM 提供可驗證上下文
Insight‑Link Pro 宣稱能把大型語言模型的回答綁定到實際程式倉庫與即時文件上，透過三階段執行管線：先探索並映射程式庫結構，接著擷取原始程式碼與線上文件或社群解答，最後綜合來源產出帶引用的回應。專案目標是把每一項主張對應到可驗證來源，降低模型憑空推論，讓開發者在除錯、文件查證與架構理解時取得可追溯的證據與上下文參考。
深度分析
LISA：以 LLM 為核心的無號誌路口意圖仲裁與速度建議架構
都市路口長期仰賴號誌與相位控制管理車流。LISA 提出以大型語言模型做意圖仲裁，直接解析進場車輛宣告的意圖、優先級與節能偏好，並由確定性運動執行器轉為車輛速度建議，搭配 MAT 快取與預先仲裁以降低延遲。實驗顯示在多種流量條件下延遲與燃料消耗明顯降低。
深度分析
GrandGuard 基準：高齡情境下 LLM 風險分類、標註資料與雙軌防護
GrandGuard 提出首個系統性框架，專注於大型語言模型與高齡者互動的情境風險。研究建立包含50種細項風險的三層分類，並以10,404個標註範例構成嚴重度敏感基準，指出多款主流模型在高齡情境下逾半數案例處理不當。
大佬動態
Simon Willison 推出 Datasette Agent：把 LLM 與 Datasette 結合的可擴充 AI 助手
SimonWillison宣布首版DatasetteAgent，這是一個為Datasette打造的可擴充人工智慧助手。它提供對資料的會話式查詢，並可透過外掛產生圖表。此發布標誌Datasette與作者多年LLM工具整合的初步成果，可能改變資料互動方式。
深度分析
Bits-over-Random（BoR）：為何在 K=100 下檢索覆蓋率 >99% 仍接近隨機
研究發現對LLM的大量檢索下，表面>99%成功率可能等同隨機。論文提出Bits-over-Random(BoR)=log2(Pobs/Prand)衡量檢索選擇性，指當λ=K·R̄q/N超過3–5時選擇性崩潰，建議以BoR指引K與工具載入策略。
GEA
Generative–Evaluative Agreement (GEA)：評估 LLM 驅動自適應評量一致性的指標與實驗結果
同一LLM生成試題、模擬回應並評分，提出Generative‑Evaluative Agreement(GEA)衡量生成與評分一致性。以皮爾森r與偏差量化，在24項Python OOP技能上得r=0.698、平均偏差+0.059，語法性技能一致性較好，設計性技能則接近零。