速報
DeepSeek‑R1‑8B 結合 LoRA 與 NEFTune 提升金融實體命名辨識效能
金融領域的實體命名辨識（NER）對於將非結構化的財報與新聞轉換為結構化知識圖譜至關重要。一般的大型語言模型常因缺乏金融專業知識而誤分類或忽略領域特徵。
LoRA
深度分析
TLDR：Patch‑level 自回歸 TTS 以 CosyVoice3 與 LoRA 實現 1.8 倍推論加速
隨著編碼器式自回歸TTS產生的音訊代幣序列過長，成為效能瓶頸。研究提出TLDR，將連續代幣壓縮成Patch，使用凍結的AR背骨與LoRA進行全局建模，並以說話者條件的提取器恢復細節。實驗顯示Patch大小為4時，可將推論速度提升1.8倍、記憶體占用減少75%，而辨識錯誤率與說話者相似度僅有輕微下降。
深度分析
LoRA‑MINT：低階適應下 LLM 訓練資料審計的高精度成員推斷方法
隨著大型語言模型透過LoRA進行領域微調，訓練資料的隱私風險受到關注。研究提出LoRA‑MINT，利用模型困惑度與合成樣本的參考分布比較，判斷樣本是否屬於訓練集。實驗在四種模型與三套基準資料上達到0.77~0.92的精確度，展示此方法在資料審計與AI合規上的可行性。
深度分析
利用 LoRA 與 3D 代理實現姿態可控的影像插入—DIRECT 框架解析
物件插入技術近期透過參考式影像生成取得突破，但多數仍停留在 2D 平面，缺乏對 3D 姿態的明確控制。研究團隊提出 DIRECT 框架，將插入條件分解為外觀引導、幾何引導與場景上下文，並以使用者調整的 3D 代理作為幾何條件，透過獨立的 LoRA 通道注入，避免特徵混雜，同時保留參考物件的細節、遵循指定姿態並與背景融合。
深度分析
TRL v1.0 正式發布：支援超過 75 種後訓練方法的穩定與實驗混合函式庫
TRLv1.0正式上線，從研究原型升級為穩定的後訓練庫，支援超過75種方法，採用最小抽象與實驗‑穩定雙層合約，避免因領域快速變動而破壞下游系統，讓開發者在快速迭代的AI產業中仍能可靠部署與比較新演算法。同時提供完整的遷移指南與範例程式碼，降低升級門檻。
深度分析
以 Qwen2.5‑3B 為基礎的 LoRA 微調：電信客服對話模型的量化表現與能源分析
電信客服領域缺乏專屬語言模型，我們以LoRA微調Qwen2.5‑3B，結合52項術語產生約3萬筆合成資料，測試16種配置，同時評估驗證損失、能源消耗與LLM‑as‑judge質性排名，結果顯示低損失不代表高品質，此發現提醒業者選擇微調策略時，同時考量能源成本與回應品質，避免僅靠數值指標部署失誤。
深度分析
Aryabhata 2：以強化學習優化開源大型語言模型的 STEM 競賽推理效能
面對JEE、NEET等競賽考試的高階符號推理需求，團隊以強化學習後訓練開源20億參數模型，打造Aryabhata2。模型在考試與跨領域推理基準上超越基礎模型，產出字元減少六成，提升部署效率。此方法結合嚴格答案驗證與難度感知課程，證實在資源受限環境下仍能提升正確率，預示開源模型在大規模教學平台上具競爭力。
深度分析
LoRA‑as‑Tools 結合語意路由，實現 LLM 多領域即時專家切換
本文介紹 Adaptive Minds，一個把 LoRA 適配器視為領域工具的代理系統。透過讓基礎大型語言模型自行進行語意分析與路由，系統能在不同專業領域（化學、金融、醫療等）之間即時切換，避免傳統全模型微調或多模型部署的高成本。實驗在 25 筆測試查詢上取得 100% 的路由正確率，遠超關鍵字匹配的 48%。
深度分析
Granite 4.0 3B Vision：企業文件多模態模型，精準表格與圖表解析
IBM 推出 Granite 4.0 3B Vision，為企業文件提供視覺語言模型，結合表格抽取、圖表理解與語意鍵值對解析。模型以 LoRA 套用於 Granite 4.0 Micro，透過 ChartNet 合成資料與 DeepStack 架構提升精度。測試顯示在 Chart2Summary、PubTables 等基準均領先。
深度分析
OmniCustom：以 LoRA 與對比式流學習實現同步音視訊聯合生成
背景：既有視訊客製多半僅保留影像身分，難以同步控制語音音色。技術：OmniCustom 在聯合音視訊生成模型中引入參考影像與參考音訊、獨立 LoRA 於 QKV 自注意力，並加入對比式流匹配來強化身分與音色保存。結果：實驗顯示在身分一致性與音色克隆上超越現有方法。
速報
LoRA 適配器後門：詞元層級泛化與可執行的供應鏈偵測
研究發現LoRA適配器可透過訓練資料中毒植入後門，維持原本任務表現。攻擊以特定觸發詞為錨，泛化屬於詞元層級而非結構化引文。作者提出兩條檢測途徑：一是基於probe電池的行為統計量化異常，二是權重層級的標準差指標，兩者對供應鏈掃描具實務應用價值。
速報
VLA-Pro：以程序記憶與LoRA提升視覺語言行動模型跨任務泛化
視覺語言行動模型仍難跨任務泛化。VLA-Pro在訓練時以任務專屬LoRA適配器當作程序記憶儲存，推論時根據多模態情境檢索並融合相關記憶以產生動作。實驗於RoboTwin、RLBench與實機測試顯著提升泛化，模擬相對改善達207%，實機成功率從5.8%升至65.0%。