深度分析
單一對齊模型與Token上限：生成式人工智慧的最適定價機制
隨著商業化推進，基於使用量的Token計價成為產業常態。本文以會話生成速率限制構建機制設計框架，將模型訓練與收費分離，並以單一對齊模型配合Token上限進行分層篩選與收費。結果指出：單模型搭配Token上限可在收入上達到最適，並減輕模型不對齊壓力。
機制設計
深度分析
DRAM：結合總變差歧義集的分佈魯棒線上機制設計與成本收斂分析
在缺乏先驗信念的序列機制設計中，研究提出分佈魯棒自適應機制DRAM，結合機制設計與線上學習，以縮小歧義集迭代估計代理人信念並以魯棒線性規劃降低支付。結果在高機率下保證誠實回報且達到近似最佳的累積遺憾率。框架支援結構化先驗與延遲回饋，並在數值模擬中驗證理論結果。
深度分析
分佈魯棒自適應機制（DRAM）：結合機制設計與線上學習的高效框架
在缺乏先驗信念的多代理序列機制設計中，研究者提出分佈魯棒自適應機制（DRAM），結合機制設計與線上學習，透過迭代估計信念並縮小模糊集合以降低支付，同時保證真實回報。理論證明其遺憾上界為 Õ(√T) 且匹配下界，為首個達成此目標的框架。