深度分析
價值測度與資訊上限：多代理人系統的互資訊理論
研究以資訊理論的抽象手法，將價值定義為目標導向代理人在資源轉換中的速率，提出對數測度與資訊上限兩條基本定律，實驗證明感知互資訊可預測模型能力且價值與資訊呈高相關。此外，作者以實際語言模型測試，發現價值與資訊的關聯在不同任務形態下保持一致，驗證了理論的跨任務普適性。
資源分配
速報
可計算公平分配（CFD）與 AHC++：抑制多代理系統的資源壟斷
大型人工智慧系統面臨有限GPU與頻寬分配問題。研究提出可計算公平分配（CFD），把Boltzmann-Softmax當成機率性資源分配機制，並將逆溫參數β作為可控變數以調節效率與公平。動態上以AHC++依據主導性偏差實時調整β；模擬顯示在外部衝擊下可抑制極端壟斷，代理數增100倍時執行時間增5.5倍。
速報
蒙地卡羅組合規劃（MCPP）：在預算與時限下提升代理式工作流程完成率
代理式系統面臨預算與時限約束。提出蒙地卡羅組合規劃（MCPP），用模擬執行並在觀察後重規劃，估計並最大化受限下的工作流程完成機率。規劃涵蓋子任務的模型指派與平行採樣，同時管理剩餘預算與時間，以提升整體完成機率。在多種預算與時限條件下表現更佳。
深度分析
PQC感知的線性複雜度NOMA功率分配與Lyapunov卸載策略於ICE系統
在量子計算威脅與行動裝置運算壓力下，本文提出一套輕量量子感知代理AI，將PQC模組的恆定功耗直接納入NOMA多用戶ICE的多階段MINLP建模，透過Lyapunov分解化為逐時子問題，並提出線性複雜度的反向貪婪功率分配法，兼顧排隊穩定與能耗約束，有效提升實時決策與系統吞吐。