深度分析
BERT-as-a-Judge：以參考答案降低大型語言模型評估成本的實驗驗證
本研究指出傳統詞彙評估與人類判斷相關性低，提出BERT‑as‑a‑Judge以編碼器方式評估答案正確性，只需輕量訓練即超越詞彙基線，且效能媲美大型LLM評審，提升評估效率與可靠性。
深度分析
深度分析
RecaLLM：顯式上下文檢索與受限解碼破解長鏈推理思緒遺失
研究指出長鏈推理時模型檢索能力會衰退，稱為思緒遺失。RecaLLM 交替執行推理與顯式上下文檢索，並使用受限解碼直接複製證據段落以提升根據性。實驗顯示在 RULER 與 HELMET 基準上取得顯著提升，且在 128K token 視窗下僅需 10K token 訓練樣本即可改善長上下文效能。
深度分析
SafeAdapt：基於 Rashomon 集合的可證明安全政策更新方法
在安全關鍵任務中，強化學習代理人需在動態環境下更新政策，同時保證安全性。SafeAdapt 透過 Rashomon 集合，先驗限定政策參數空間，使任何更新投影後仍符合安全約束。實驗於 Frozen Lake 與 Poisoned Apple 環境證實，該方法在適應過程中保持安全，避免了正則化基線的安全遺忘。
深度分析
AI 代碼庫成熟度模型：從輔助編碼到自持系統的五階段演進
AI 代碼工具已廣泛使用，但缺乏系統化成長框架。作者提出 AI 代碼庫成熟度模型（ACMM），以五層級回饋迴路描述從輔助編碼到自持系統的演進，並以 KubeStellar Console 的四個月實驗驗證關鍵在測試量與覆蓋率。結果顯示，完善的回饋機制是提升開發效率與可靠性的核心。
深度分析
LLM‑Rosetta：跨供應商大型語言模型 API 的中心化中介表示
隨著大型語言模型供應商增多，各自的 API 格式造成生態系碎片化。LLM‑Rosetta 以中心化中介表示抽象出共通語意，提供雙向、串流的 API 轉換，實測可在微秒內完成且保持無損，提升跨供應商可移植性。
深度分析
SkillMOO：多目標優化代理人提升 LLM 技能效能與軟體工程成本
在軟體工程自動化需求增加的背景下，SkillMOO 以多目標優化方式自動調整 LLM 代理人的技能組合，結合 LLM 提出的編輯與 NSGA‑II 選擇機制。實驗在三項基準任務上顯示，通過率最高提升 131%，成本降低 32%。此結果顯示精簡指令集比冗長說明更能提升效能。
深度分析
Mosaic：多視角集合優化破解閉源視覺語言模型的新框架
視覺語言模型易受多模態 jailbreak 攻擊，現有方法多依賴單一代理或視角，導致在異質環境下效能下降。Mosaic 透過文字側轉換、 多視角影像優化與代理模型集合指導，減少對單一模型與視圖的依賴。實驗顯示其在商業閉源 VLM 上達到最高攻擊成功率與平均毒性，提升了跨模型破解的實用性。
深度分析
MoE Transformer 的泛化與縮放律：活化容量與路由開銷的理論分析
研究針對 MoE Transformer 的泛化與縮放行為，提出將活化容量與路由組合分離的理論框架，推導出與活化參數預算成正比的度量熵並加入路由開銷，證明在流形資料模型下的泛化界限與密集網路等價，並給予誤差可透過提升活化容量或增專家數量降低的建構性近似結果，最後提出模型、資料與計算的神經縮放律。
深度分析
Persona‑E²：首個結合人格特質的情緒回應資料集
情感計算多聚焦於作者情緒，忽略讀者差異。本研究建構 Persona‑E²，結合 MBTI 與 Big Five 標註新聞、社群與生活敘事的情緒回應。實驗發現大型語言模型在社群文本上情緒捕捉仍不足，加入人格特徵能顯著提升表現，減少「人格幻象」。
深度分析
CORA：以共形風險控制提升行動手機 GUI 自動化安全性
隨著視覺語言模型驅動的手機 GUI 代理人從輔助轉向自主，安全風險急遽上升。CORA 以共形風險控制校正執行門檻，結合 Guardian 風險估計與 Diagnostician 多模態推論，提供使用者可調的風險上限與介入建議。實驗在 Phone‑Harm 基準上證實其提升安全性與效能的 Pareto 前緣。
深度分析
互動式語音辨識：以大型語言模型實現語意一致性與多輪校正
隨著語音辨識模型持續進步，傳統的字錯率已難以衡量語意正確性。研究者以大型語言模型作為語意評估者，並建構多輪互動代理框架，使辨識結果可接受語意回饋迭代修正。實驗證實此方法在多語言與代碼切換測試上提升了語意一致性與校正能力。
深度分析
TensorHub：彈性可擴展的 LLM 強化學習權重傳輸技術
在大型語言模型強化學習訓練中，需高效權重傳輸。TensorHub 透過參考導向儲存避免實際複製，支援彈性拓撲與容錯。實驗顯示 GPU 停頓最高降低 6.7 倍，跨區域加速 19 倍。