速報
偏好形狀期望改進：超體積與 R2 在貝葉斯多目標優化的幾何分野
本文從幾何視角檢視貝葉斯多目標優化中以偏好變換驅動的期望改進準則，聚焦超體積（hypervolume）與 R2 兩類指標。作者釐清哪些偏好變換能保留精確可計算性、帕累托相容與單調性；在超體積端重述 EHVI 的多種表示與變換，並指出截斷 EHVI 可能失去變異數單調性；
多目標優化
深度分析
FeatGEO：在特徵層級中以多目標優化平衡引用可見性與內容品質
生成式回答引擎由被引用決定曝光，改變了內容可見性衡量。FeatGEO以特徵層級把網頁抽象為結構、內容與語言屬性，轉而在這個可解釋的空間施行多目標優化，並透過語言模型把特徵轉為自然語句。實驗顯示FeatGEO能提升引用可見性且同時維持或改善內容品質。
深度分析
SkillMOO：多目標優化代理人提升 LLM 技能效能與軟體工程成本
在軟體工程自動化需求增加的背景下，SkillMOO 以多目標優化方式自動調整 LLM 代理人的技能組合，結合 LLM 提出的編輯與 NSGA‑II 選擇機制。實驗在三項基準任務上顯示，通過率最高提升 131%，成本降低 32%。此結果顯示精簡指令集比冗長說明更能提升效能。