深度分析
「Onnes」物理驅動數位雙生結合多代理 LLM，提升量子電腦冷卻系統故障診斷精度
Onnes 以實體稀釋冷卻機的物理模型與真實藍福藍圖噪聲指紋結合，打造可產生真實遙測資料的數位雙生模擬器。透過五角色 LLM 代理層，加入對比式少樣本示例與自洽投票，將零樣本的冷凍故障分類準確率從 0.685 提升至 0.990，與監督式機器學習模型（0.985）相當。
深度分析
Onnes 以實體稀釋冷卻機的物理模型與真實藍福藍圖噪聲指紋結合，打造可產生真實遙測資料的數位雙生模擬器。透過五角色 LLM 代理層，加入對比式少樣本示例與自洽投票，將零樣本的冷凍故障分類準確率從 0.685 提升至 0.990，與監督式機器學習模型（0.985）相當。
深度分析
本研究以 TRUST 多代理 LLM 流程檢驗角色忠實度，開發立場分類器並提出四項漂移指標，發現「認知底層效應」與「角色先行衝突」兩大失效模式，且模型與事實查核服務的選擇顯著影響結果，對政治言論分析的可靠性與治理提出警示，並呼籲未來系統設計納入角色忠實度測量，以提升系統透明度與公共信任。