深度分析
PalmClaw：將 LLM 代理人完整搬至 Android 手機端的開源框架
隨著大型語言模型代理人從桌面延伸至手機，PalmClaw 以原生手機框架直接管理記憶、工具與執行迴圈，將裝置功能以具結構參數的工具呈現。實驗顯示任務成功率提升約 11.5%，完成時間縮短逾 94%。此設計降低對雲端依賴，提升資安與使用者隱私。同時採用 AGPL 授權，鼓勵社群共同擴充多模態感測與自動化功能。
深度分析
隨著大型語言模型代理人從桌面延伸至手機，PalmClaw 以原生手機框架直接管理記憶、工具與執行迴圈，將裝置功能以具結構參數的工具呈現。實驗顯示任務成功率提升約 11.5%，完成時間縮短逾 94%。此設計降低對雲端依賴，提升資安與使用者隱私。同時採用 AGPL 授權，鼓勵社群共同擴充多模態感測與自動化功能。
深度分析
隨著行動裝置AI（MoAI）在手機上本地化推論，提升隱私與低延遲，同時也將模型存於裝置，暴露新攻擊面。研究系統化安全支柱、攻擊分類與防禦機制，指出模型竊取、後門與能耗攻擊等威脅，並比較現有防護如模型混淆、TEE與水印的效能與限制。此分析預示未來在裝置端訓練與生成式AI時，安全需求將更趨嚴苛。