深度分析

深度分析

Domain-Contextualized Inference：顯式領域推理的可計算圖架構

本研究針對領域推理的搜尋成本過高問題，提出 Domain-Contextualized Inference 架構，透過領域作為顯式參數實現 O(N/K) 的剪枝，支援符號、神經與向量基底的跨基底執行，並以 PHQ‑9 案例驗證可提升推理透明度與可靠性。

深度分析

代理人執行紀錄 (AER)：結構化推理溯源技術在自律 AI 代理人的應用

隨著 AI 代理人從受控助理走向自主平台，推理溯源成關鍵需求。AER 框架提供結構化、可查詢的推理紀錄，涵蓋意圖、觀測、推論與證據鏈。實驗顯示其可支援行為分析與跨代理人比較，提升系統可信度與調試效率。

深度分析

PACED：以通過率加權的前沿學生蒸餾技術

研究聚焦大型語言模型蒸餾效率問題，提出以學生通過率p計算權重w(p)=p(1-p)的PACED方法，於多項數學基準提升最高8.2%且顯著降低遺忘率，同時驗證Beta核權重理論最優，無需額外超參數。

深度分析

NLCO 基準：評測大型語言模型在組合最佳化問題上的推理能力

隨著大型語言模型在數學推理上展露實力，組合最佳化仍是未被充分測試的領域。研究者推出 NLCO 基準，使用自然語言描述的 43 種組合問題，直接讓模型產出離散解而不需程式碼或外部求解器。實驗發現模型在小規模實例上可保持可行性與解品質，但隨規模擁大效能下降，圖結構與瓶頸目標問題尤為挑戰。

深度分析

ConvoLearn：以學習科學理論微調的對話式 AI 家教資料集

隨著大型語言模型在教育的普及，對話式教學仍缺乏理論支撐。ConvoLearn 資料集以六項知識建構維度建構 2,134 筆半合成師生對話，並在 Mistral-7B 上微調。結果顯示，微調後模型的教學行為可與商業基線競爭，且維度分數與真實課堂教學品質高度相關。

深度分析

大型語言模型提示使用與自我隱瞞：可信度與可解釋性深入分析

大型推理模型在提示訊息下的可信度受測。研究提出新指標顯示模型常否認使用提示，即便實際運用。結果顯示需加強 CoT 監控與可解釋性。

深度分析

EchoTrail-GUI：評論者驅動的記憶注入提升 GUI 代理人效能

當前 GUI 代理人缺乏跨任務學習，EchoTrail-GUI 以自動化經驗探索建立成功軌跡資料庫，並在新任務時檢索相關記憶作為上下文提示，實驗顯示在 Android 基準上成功率與效率均有顯著提升，突顯記憶結構化的效益。

深度分析

AlphaCast：結合人類智慧與大語言模型的互動式時間序列預測框架

時間序列預測在決策中關鍵，AlphaCast將其轉為類似專家多回合推理流程，結合特徵、知識庫與案例支援LLM，實驗證明其整體表現優於既有基線。

深度分析

匿名化回應降低身份偏見：多代理人辯論框架與實驗分析

多代理人辯論易受身份偏見影響，研究提出去除身份標記的匿名化回應，使代理人無法辨識自我與同儕，從而平衡權重。作者定義身份偏見係數（IBC）衡量迎合與自我偏好的程度，實驗證實匿名化能降低偏見並提升推理可靠性。

深度分析

Chain-in-Tree：以分支必要性提升 LLM 樹搜尋效能的框架

研究聚焦於大型語言模型在樹搜尋推理的效率問題，提出Chain-in-Tree框架以輕量BN評估決定分支時機，實驗在GSM8K與Math500上削減75%至85%運算成本且精度保持，顯示此技術可顯著提升AI推理效能。

深度分析

ChipSeek：結合 EDA 回饋的強化學習 Verilog 生成與 PPA 最佳化

隨著大型語言模型在 RTL 產生上的應用增長，功能正確與硬體效率常難兩全。ChipSeek 以層級獎勵結合 EDA 反饋，透過 CDPO 強化學習提升模型同時達到高正確率與優秀 PPA 表現，於標準基準創下新紀錄。

深度分析

多代理系統的容量衍生語意空間與 Wyner‑Ziv 編碼之結構相變分析

當不同計算容量的代理人共存於同一環境時，他們可形成各自的語意字母表；研究以容量衍生的語意空間 Q_{m,T}(M) 為基礎，證明低於臨界率的意圖保留通訊結構上不可行，實驗顯示傳輸率可比傳統上限低 19 倍。