深度分析
Evergreen 系統：語意查詢驅動的神經‑符號混合聲明驗證與半環溯源
語意聚合在資料庫中成為新興操作，但生成的自然語言摘要常包含未根據原始資料的聲明。Evergreen 把聲明驗證轉為語意查詢，透過早停、相關排序與信賴序列等優化，減少 LLM 呼叫成本與延遲，同時提供最小化的資料引用。實驗顯示在 Yelp 評論上保有 1.00 F1，成本降低 3.2 倍、延遲降低 4 倍，證明神經‑符號混合的效能與實用性。
深度分析
深度分析
Claude Code 深度剖析：從代理迴圈到安全權限的技術解構
隨著人工智慧輔助開發工具從自動補全演進至完整代理，Claude Code 以 while 迴圈結合多層權限與上下文壓縮機制，提供可視化工具呼叫與細粒度安全控制。研究比對 OpenClaw，顯示部署環境會影響安全評估與擴充方式，預示未來代理系統將在可觀測性與長期治理上持續演化。
深度分析
解決機器人模組崩潰：ECM Contracts 打造具身智能軟體生態系統
具身智能代理在組合模組化能力時常因物理環境限制而導致執行失敗。研究團隊提出 ECM Contracts 合約介面模型，將介面定義擴展至功能簽名、行為假設、資源需求、權限邊界、恢復語義及版本相容性六大維度。透過預部署的相容性檢查與發佈規範，能有效攔截資源衝突與權限違規，顯著降低運行時錯誤並提升升級安全性，為具身智能軟體生態提供穩定底層。
深度分析
「Agent-as-a-Judge」多語言本地化對大型語言模型評估排名的影響分析
本研究探討評估語言對Agent-as-a-Judge判斷的影響，將評分提示本地化至英、阿、土、中文、印語，測試六種大型語言模型於55項開發任務。結果顯示，不同語言會改變模型排名，GPT‑4o在英文表現最佳，而Gemini在阿拉伯語與印地語領先，突顯語言是評估的重要變數。
深度分析
對抗 AI 偷工減料：透過「適應性合約」優化 LLM 委託成本與品質
面對 AI 供應商偷偷替換低品質模型的道德風險，研究提出適應性合約框架。該技術採用兩階段評估機制，先以低成本信號進行初步篩選，再根據結果選擇性地執行高成本精細評估，以在評估成本與模型品質之間取得平衡。實驗證明此方法能有效降低委託成本並維持產出品質，為 AI 服務的性能定價提供新路徑。
深度分析
μ-Scaling：透過 μP 理論實現超參數零樣本遷移與模型擴展
針對大型模型訓練成本高昂且超參數難以調校的問題，研究團隊提出 μ-Scaling 框架。該技術利用 μP 理論與函數保持權重變換，將預訓練小模型擴展為大模型，並透過注入對稱性破壞擾動來激發額外容量。實驗證明此方法可實現超參數零樣本遷移，讓小模型調校結果直接套用於大模型，顯著提升訓練效率並降低運算成本。
深度分析
Program-as-Weights（PAW）：將模糊函數編譯為本地神經程式的全新範式
隨著模糊函數越來越多被外包給大型語言模型 API，研究者提出 Program-as-Weights（PAW）將自然語言規格編譯成小型本地執行的神經程式。PAW 使用 4B 編譯器產生 LoRA 適配器，讓 0.6B 解譯器在記憶體與速度上遠優於直接呼叫 32B 模型。此技術有望降低成本、提升可重現性，並推動小模型本地化的未來趨勢。
深度分析
Lacuna 測試平台揭露 LLM 卸載學習真相：SOTA 方法僅達成「行為掩蓋」而非實質刪除
大型語言模型常記憶敏感個資 PII，導致隱私風險。本研究推出 Lacuna 測試平台，透過將合成個資注入模型特定參數，建立首個具備地面真值的參數級定位評估體系。結果發現現有 SOTA 卸載學習法雖能掩蓋輸出，但並未真正刪除參數記憶，易受重新浮現攻擊影響。此發現強調了精準定位權重對於實現真正知識刪除的重要性。
深度分析
DramaSR-LRM：利用大型推理模型破解長篇影集角色辨識挑戰
長篇影集因角色眾多且對話複雜，傳統語音辨識難以精準判定說話者。本研究推出 DramaSR-532K 大規模基準集，並開發基於大型推理模型的 DramaSR-LRM 框架，整合語音相似度、影像描述與角色關係資料庫，讓 AI 能透過多模態工具聚合證據進行推理。結果顯示該方法顯著提升了短對話辨識準確率，為長影片深度理解提供新路徑。
深度分析
TestEvo‑Bench：AI 代理人測試生成與更新的共演進基準
軟體開發中程式碼與測試需同步演進，但現有 AI 評測多聚焦於靜態快照。研究團隊推出 TestEvo-Bench，透過挖掘真實 Java 開源專案的提交紀錄，建立包含測試生成與更新的動態基準，並要求 AI 代理人產出的測試必須經過實際執行驗證。實驗顯示頂尖 AI 代理人雖有不錯的成功率，但在最新任務與成本限制下表現明顯下滑。
深度分析
LLM-as-a-Judge 陷阱：解析多國語言與低資源語言評估的可靠性危機
隨者 LLM-as-a-Judge 成為 NLP 任務的主流評估方式，其在多國語言環境下的可靠性受到質疑。研究人員分析 ACL Anthology 論文發現，許多研究在低資源語言中過度依賴單一 LLM 評審，且缺乏針對目標語言的人類驗證，導致評估結果可能被高估。這凸顯了現有評估體系在非英文環境的脆弱性，研究建議必須建立針對低資源語言的驗證機制以確保司法或安全等高風險輸出的可靠性。
深度分析
HERMES：利用階層式 RVQ 突破預訓練數據混編的粒度瓶頸
大語言模型預訓練的數據混編關鍵在於標籤系統的靈活性。研究提出 HERMES 框架，利用學習型語義轉換與三階段殘差向量量化技術，將文件標記為階層式代碼，使開發者能透過前綴長度在 256 至 13 萬個分桶間快速切換粒度而無需重新聚類。實驗證明，在特定粒度下結合質量篩選能顯著提升模型能力，為精準數據調控提供了新路徑。