深度分析
Trainee‑Bench：評估多模態大型語言模型在動態職場中的探索與持續學習能力
隨著多模態大型語言模型快速發展，研究多聚焦於靜態環境的效能上限，卻忽視真實職場的動態任務排程、主動探索與持續學習需求。作者提出 Trainee‑Bench，評測代理人在流式任務、資訊隱蔽與規則生成情境下的表現，實驗顯示現有 SOTA 代理人在探索與持續學習上仍有顯著缺口。
多模態大型語言模型
深度分析
StemBind：揭示多模態大型語言模型在抽象視覺推理中的規則綁定缺口
隨著多模態大型語言模型在抽象視覺推理上展現出「規則正確但答案錯」的現象，研究者推出StemBind診斷基準，透過同一視覺題幹的感知、規則與完整三題測試，發現超過半數模型在規則綁定步驟失敗，規模與思考模式亦未能改善。此結果顯示當前模型仍缺乏將抽象規則映射至具體選項的能力，呼籲未來研究聚焦於規則綁定機制與更精細的評估。
深度分析
長時脈絡與任務式提示如何改善 MLLM（視訊+聲音）與 fMRI 腦活動對齊
研究以自然敘事電影和fMRI探討時間脈絡長度與任務提示如何影響多模態大型語言模型(MLLM)與大腦的對齊。採用視訊+聲音MLLM與單模視訊基線比較，並以角色動機、事件界標、多場景與敘事摘要作為提示。結果顯示延長片段時長顯著提升MLLM在高階語義腦區的對齊，而單模視訊模型未見同等收益。
A-QBAF
結合 MLLM 與 A-QBAF 的可爭辯多媒體驗證框架：多代理分段論證實作
網路影像與影片正成為謠傳重要載體，驗證需同時兼顧結論與可檢視的推理。本文結合多模態大模型與外部檢證工具，並用A-QBAF將證據轉為具來源與強度的支持與攻擊論點，採小型區段論證圖與不確定性升級處理衝突。示範結果顯示分段式報告可提供透明且可編輯的驗證流程。
多模態大型語言模型
MLLM-SR：結合 SetTransformer 與 LoRA 的多模態符號回歸
符號回歸旨在從觀測資料萃取可解釋的數學表達式，但傳統方法難以以自然語言直接納入專家先驗。
深度分析
岩石‑礫石‑沙子（RPS）排程：提升多模態大型語言模型的資源感知調度
多模態大型語言模型已在多平台部署，視覺前處理與編碼大幅提升延遲與記憶體需求。研究提出RPS‑Serve，將請求分為岩石（影片）、礫石（圖片）與沙子（文字），以資源感知排程優先處理沙子，並加入老化防止飢餓。實驗顯示，平均首字元時間縮短54%，對延遲敏感請求更減少78.5%。
深度分析
ELIQ 無標籤框架：以多模態大型語言模型提升 AI 生成影像品質與提示對齊評估
隨著文字轉圖模型快速進步，傳統的MOS標註已無法跟上品質上限的漂移。ELIQ以自動構造的正負影像對，結合多模態模型指令微調，提供視覺品質與提示對齊的雙維評分，且不需人工標籤。實驗顯示在多項AIGC與UGC基準上均超越既有無標籤方法，並可直接應用於未來模型迭代。
深度分析
AromaGen：結合多模態大型語言模型與可穿戴裝置的即時香氣生成平台
香氣與記憶、味覺緊密相連，長期以來一直是人機互動的挑戰。AromaGen 以多模態大型語言模型為核心，將文字或影像即時轉換成 12 種基礎氣味的配比，並透過頸部可穿戴噴霧器釋放。系統支援自然語言回饋，透過少次迭代即可微調香氣。
深度分析
MAny：跨模態投射與低階參數合併的持續指令調校框架
多模態持續指令調校面臨感知漂移與推理崩潰雙重遺忘。MAny框架以跨模態投射合併與低階參數合併同步修復，並採用遞迴最小平方法提供閉式最適解。實驗顯示在UCIT基準上提升最高8.57%，顯著提升模型穩定性與效能。
深度分析
MGA：記憶驅動的 GUI 代理人提升決策效率與記憶體效能
隨著多模態大型語言模型推進 GUI 自動化，長程任務受限於上下文過載與冗餘模組。MGA 以觀察先行與結構化記憶分離決策步驟，取代原始歷史聚合，降低認知負擔。實驗顯示其在 OSWorld 等開放式任務中保持高效表現，為下一代 GUI 代理提供可擴展路徑。
多模態大型語言模型
視覺提示結合眼動追蹤：多模態大型語言模型提升人體活動辨識效能
本研究針對人體活動辨識的需求，提出將眼動追蹤資料視覺化作為多模態大型語言模型的輸入方式。透過時間線、熱圖與掃描路徑三種視覺提示，於不同時間窗口測試三個公開資料集。結果顯示此方法能以較少 token 表徵高頻感測資料，提升模型效能與可擴展性。
深度分析
行為軌跡驅動的隱私個人化 GUI 代理優化技術（TIPO）
行動 GUI 代理在執行任務時常忽視使用者隱私需求。本研究提出 TIPO，利用偏好強度加權與填充門控，針對隱私導向的執行軌跡進行優化。實驗證明在多項 GUI 任務中，TIPO 同時提升任務成功率與隱私合規性，顯示其在個人化 AI 代理領域的潛在價值。