深度分析
Muon 優化器：正交化更新作為隱形殘差連接的機制與實驗驗證
Muon 近期在大規模神經網路訓練上展現卓越效能，本文提出將其視為隱形殘差連接的機械解釋。透過正交化更新，Muon 在保留梯度方向的同時，提升下游層的表徵可用性。作者以兩階段線性實驗與 τ 調度驗證，顯示 Muon 雖在局部收斂較慢，卻能加速整體訓練。
深度分析
深度分析
LUMA 輕量通用遮罩適配器公平評測 20 種 Transformer 骨幹於影像分割效能
研究提出輕量通用遮罩適配器 LUMA，作為可與任意骨幹模型配合的分割頭。實驗顯示 LUMA 在 ADE20K 與 Cityscapes 上的 mIoU 與最先進模型持平，且計算成本更低。結果突顯預訓練目標與模型規模比新型 token‑mixers 更關鍵，對分割技術走向具指引意義。
深度分析
「Latent Maps of Performance」：利用 Guided VAE 於《星際爭霸 II》潛在空間生成對抗性回饋
研究以星際爭霸II23,305場職業對局訓練GuidedVAE，透過線性插值、最佳傳輸、密度正則化梯度上升與神經流等四種潛在空間遍歷策略，生成可落實的改進路徑，提升玩家勝率預測。此框架填補了即時戰略遊戲缺乏可操作回饋的空白，並示範了以潛在空間為基礎的模型解決方案，可望推動 AI 輔助訓練在電競領域的應用。
深度分析
GPT‑5 以三種提示策略測試 Scrum 認證題目，最高正確率 89.1%
隨著大型語言模型在敏捷開發領域的應用日增，研究者測試 GPT‑5 以不同提示方式回答 Scrum 認證題目。實驗比較零樣本、思考鏈與引用來源三種提示，發現加入來源引用可將正確率提升至 89.1%，且錯誤率最低。結果顯示，結構化提示能提升 AI 在規範性 Scrum 知識上的可靠度，對教學與考證有實務價值。
深度分析
利用高溫吉布斯取樣的熱力學區塊實現低功耗影像分類：從 Ising 硬體到深度模型訓練
隨著AI推論能耗攀升，研究提出以高溫吉布斯取樣的熱力學計算模型，將卷積神經網路分割為熱力學區塊，並以純反向傳播訓練。實驗在CIFAR‑10、CIFAR‑100上分別達到94.9%與76%的準確度，顯示在二元取樣下仍能保持高效能。此技術或將為低功耗邊緣裝置提供新型硬體解決方案。
深度分析
ModernBERT 在學習型稀疏檢索中的表現瓶頸：詞彙量差距與 Vocabulary Transfer 解決方案
現代 AI 編碼器在稀疏檢索中表現不如舊款模型，主因在於追求無損重建的分詞器造成詞彙冗餘。研究團隊提出詞彙量遷移（VT）框架，利用空間拓撲語義初始化與激活潛能校準，將強大模型遷移至正規化詞彙表。此方法能以極低成本讓 ModernBERT 在 BEIR 基準測試中取得 52.4 nDCG 的頂尖表現，證明詞彙設計是稀疏檢索的關鍵瓶頸。
深度分析
AI‑native 遊戲調查：生成式 AI 在遊戲機制中的應用與趨勢
生成式AI正逐漸從開發工具轉為遊戲核心機制。本文以「AI‑native」為嚴格定義，篩選53件作品，提出雙軸分類並指出目前以敘事冒險為主，建議未來聚焦可控生成與多代理系統，以提升可玩性與安全性。同時探討安全、評估與法規挑戰，提供未來研究路線。
深度分析
Google Gemini Spark 進入 macOS：AI 代理人與 Model Context Protocol 生態解析
Google 正將 AI 代理人 Gemini Spark 導入 macOS 系統，旨在強化桌面端的自動化能力。透過整合 Google Tasks、Keep 及多款第三方應用程式，Spark 能直接操作本地檔案並執行跨平台的複雜任務，同時導入即時主題追蹤與 MCP 協議支援。此舉將 AI 的角色從對話助手轉向能實際操作軟體的代理人，加速 Google 在桌面 AI 生態的競爭佈局。
深度分析
SlideFormer：單GPU異構協同設計實現高效大型語言模型微調
隨著LLM規模持續擴大，單GPU微調面臨記憶體瓶頸。SlideFormer採用層滑動架構、輕量非同步引擎與異構記憶體管理，將GPU與CPU、NVMe資源協同運作，實現單RTX4090可微調123B以上模型，效能提升1.4至6.3倍，記憶體使用減半，同時支援8倍批次大小與6倍模型規模，且在NVIDIA與AMD GPU上保持超過95%峰值效能。
深度分析
MPL‑MAE：抑制 3D 掩碼自編碼器位置泄漏的重新校正與門控框架
3D掩碼自編碼器在重建座標時易依賴位置資訊，導致語意學習受阻。研究提出MPL-MAE，使用重新校正位置嵌入與門控位置介面，抑制座標泄漏並平衡語意特徵。實驗顯示在ModelNet40與ScanObjectNN上取得與現有方法相當甚至更佳的表現。
深度分析
跨層控制式微調（MoC）在大型 Transformer 上的效能與記憶優化
隨著大型語言模型微調成本高漲，研究提出以控制理論為基礎的Mixture‑of‑Control（MoC）框架，將每層的低階控制視為專家，透過稀疏門機制在全模型層間傳遞全域訊號，同時保留區塊本地調整。實驗在多項NLU與NLG基準上皆超越既有的狀態式與參數有效微調方法，且記憶與計算開銷與LoRA等方案。
深度分析
PPT‑Eval：針對 PowerPoint 多模態操作的基準測試與模型表現分析
隨著企業與學術單位大量使用簡報，研究推出PPT‑Eval基準，涵蓋120項PowerPoint線上任務並使用細緻評分規範，測試顯示即使是Claude‑4.5‑Opus等先進模型成功率僅45%，遠低於人類80%，凸顯實務挑戰。此結果顯示現行AI代理人在多模態圖形介面操作仍有顯著缺口。