速報
FullFlow：以參數高效方式把擴散模型變成雙向視覺—語言生成器
研究指出可將預訓練文本→影像擴散模型，透過參數高效的FullFlow轉為雙向視覺語言生成器。作法只訓練LoRA適配器與輕量文字頭，保留影像在流空間的先驗，並為文字加入離散插入流程。實驗在Stable Diffusion 3上顯著提升雙向能力，並降低顯存與加速推理。
LoRA
深度分析
Prompt2Fingerprint：以 Text-to-Weight 生成器即時注入 LLM 指紋
在大規模語言模型廣泛散布下，模型來源與責任追溯成為關鍵。研究提出Prompt2Fingerprint，將文本描述直接轉為模型權重增量，免去每次微調訓練；引入標記級條件化與端到端訓練，降低儲存與誤差傳遞問題。實驗顯示可即時注入大量指紋，並維持準確性與健壯性，成為可擴展的所有權管理方案。減少部署延遲並節省大量計算資源。
深度分析
互動層水印：以 asking-back 行為提升 LLM 抗蒸餾可稽核性
面對透過 API 進行的未授權知識蒸餾，研究提出將水印移到互動層：透過系統提示間歇誘發追問、低密度變體或重述等行為標記，使被盜取的學生模型在回應行為上保留可查證跡象。
深度分析
PopuLoRA：以LoRA族群共演化與權重演化實現可驗證回報的後訓練
PopuLoRA在可驗證回報（RLVR）的後訓練場景，引入教師與學生的LoRA適配器族群：教師負責生成題目、學生在程式驗證器下求解，並以跨族群的TrueSkill交互評分把「難度」轉為族群信號。作者設計一組針對LoRA權重空間的突變與交配算子，可在秒級產生同秩子代，作為人口式訓練（PBT）的替換步驟；
深度分析
Granite 4.0 3B Vision：以 ChartNet、DeepStack 與 LoRA 加速企業文件視覺語言理解
IBM推出的Granite4.03BVision專為企業文件理解設計。它結合ChartNet合成資料、DeepStack視覺注入與LoRA模組化佈署，強化圖表、表格與語義鍵值擷取能力。模型在多項圖表與表格基準上達到領先或接近領先的成績，便於整合至文件處理流水線。
深度分析
TiTok — 基於 token 級對比過量的 LoRA 跨模型移植方法
大型語言模型精調成本高昂，本研究提出TiTok以代替傳統資料依賴的KD方法。TiTok透過源模型帶與不帶LoRA的預測對比，計算token級別的“過量差異”，以挑選合成樣本與關鍵token進行訓練。實驗顯示TiTok在多種轉移場景下整體優於現有方法，提升穩定性與效率。
多模態大型語言模型
MLLM-SR：結合 SetTransformer 與 LoRA 的多模態符號回歸
符號回歸旨在從觀測資料萃取可解釋的數學表達式，但傳統方法難以以自然語言直接納入專家先驗。
速報
MindLab Toolkit（MinT）：以 LoRA 為核心的千級策略管理與在線服務平台
背景：在少量昂貴基礎模型與大量衍生策略的情境下，MinT以LoRA adapter為單位管理策略生命周期。做法：維持基礎模型常駐、以匯出adapter進行rollout、更新、評估與回滾，並沿Scale Up（支援1T級密集與MoE）、Scale Down（僅移動小型adapter以降低步驟量）與Scale Out（將耐久可位址性與CPU/GPU工作集分離）三軸擴展。結果：MinT實現百萬級策略目錄管理與千級活躍adapter波次，並在共享大模型上訓練與部署選定修訂。
深度分析
raFLoRA：以秩分區聚合修正聯邦 LoRA 的秩崩潰並提升非IID情境效能
聯邦低秩調適（FedLoRA）為大模型在分散私有資料上微調提供通訊與隱私優勢，但實務環境下客戶端在計算、記憶與資料分布上存在異質，導致不同客戶端採用不同的LoRA秩。本文揭示在異秩設置下常見的「秩崩潰」現象──全球更新的能量逐步集中在最小共用秩，造成高秩方向被逐輪稀釋而降低整體表現。
深度分析
Gate-and-Merge：以模組化 LoRA 與門控合併實現視覺語言模型的零次個人化
本研究提出Gate-and-Merge，一套針對視覺語言模型（VLM）進行組合化個人化的零次學習框架。每個使用者自定義概念以輕量化LoRA適配器與專屬概念token獨立學習，基底模型保持凍結。推論時透過門控機制估計文本與視覺線索，選擇性啟動相關模組，並在權重空間合併經稀疏化與符號一致性的更新以抑制干擾。
ECoG
CORTEG：將 EEG foundation model 跨模態轉移至 ECoG，結合 KNNSoftFourier 與 LoRA 提升跨受試者泛化
在資料稀少下，研究探討把預訓練頭皮 EEG 模型轉移至侵入性 ECoG 的可行性。CORTEG 結合 EEG backbone、KNNSoftFourier 電極空間適配器與低頻/高γ 雙流 token 化，並採 LOO 微調快速校準。結果在兩項 ECoG 迴歸任務上達到競爭或更佳平均皮爾森相關，且能在單 GPU 用 10–30 分鐘校準新病人。
深度分析
Granite 4.0 3B Vision：ChartNet、DeepStack 與 LoRA 驅動的企業級文件多模態引擎
IBM發布Granite4.03BVision，針對企業文件視覺語言理解優化。它以ChartNet合成圖表資料、DeepStack分層視覺注入與LoRA模組化設計為核心，提升表格、圖表與語義鍵值抽取能力。基準測試顯示在圖表與表格抽取上表現優異，便於整合Docling構建端到端文件處理流程。