深度分析

深度分析

強化學習驅動的自主資安防禦框架：分層介面與最佳實務指引

本研究回顧 2025 年工作坊，探討自主資安防禦的強化學習環境建置。提出將環境與真實系統介面模組化的框架，並提供實務最佳指引。此框架有望提升代理人在政府與關鍵基礎設施網路中的防禦效能。

深度分析

透過張量分解量化大型語言模型多代理系統的不確定性

大型語言模型多代理系統因互動複雜面臨可靠性挑戰。研究提出 MATU 框架，使用張量分解將推理軌跡組成高階張量，分離並量化不確定性來源。實驗顯示其在多任務與拓撲下提供穩健估計，提升系統信賴度。

深度分析

AlignGuard：利用 LLM 變異測試提升 PyTorch 編譯器正確性錯誤偵測

PyTorch 編譯器在深度學習優化中易發生不報錯的正確性錯誤。研究以實證方式解析錯誤特徵，並提出 AlignGuard 測試技術，利用 LLM 變異測試案例。結果顯示 AlignGuard 已捕捉 23 件新錯誤，超過半數為高優先級，提升編譯器可靠性。

深度分析

檢索增強分類（RAC）於機密文件辨識的技術突破與實務部署指南

隨著機密文件外洩風險升高，研究提出檢索增強分類（RAC）作為低洩漏的辨識方案。RAC 結合外部向量庫與相似度匹配，在平衡與不平衡資料上均達 96% 正確率，F1 可至 94%。相較於需重新訓練的監督式微調，RAC 可即時重新索引新文件，降低參數洩漏並提升治理彈性，對企業合規部署具實務價值。

深度分析

3D-VCD：視覺對比解碼降低大型多模態模型在 3D 推理中的幻覺

大型多模態模型在 3D 環境中易產生幻覺，影響決策安全。3D-VCD 透過在 3D 場景圖加入語意與幾何擾動，對比原始與失真情境的預測，以抑制過度依賴語言先驗的 token。實驗顯示此方法在 3D-POPE 與 HEAL 基準上提升了實體化推理表現，為具身代理人的可靠性提供新方向。

深度分析

大型語言模型在自動化決策中的升級行為與鏈式思考微調評估

自動化系統需在執行與升級間抉擇。研究以大型語言模型預測、估計正確機率並比較成本，測試五大領域。結果顯示模型門檻差異大、校準偏差，調整成本與鏈式思考可提升決策穩健性，建議部署前先行評估升級行為。

深度分析

SkillForge：自演化雲端技術支援領域智慧代理人技能鍛造框架

在雲端技術支援領域，SkillForge 以領域知識庫和歷史票據為基礎生成技能，並透過失敗分析、技能診斷與優化三階段自動迭代。實驗證明此自演化循環可持續提升技能品質，甚至超越手工專家。

深度分析

FEAT：幾何感知校正提升聯邦持續學習樣本重放效能

在聯邦持續學習中樣本重放常受動態異質性影響。FEAT 透過幾何結構對齊與能量校正兩模組，提升特徵一致性並減少類別偏差。實驗證實其在不平衡資料下顯著提升模型表現。

深度分析

語意意圖碎裂（SIF）攻擊：單次請求破壞多代理 AI 編排的組合安全缺口

研究指出，多代理AI管線易受單次請求分割攻擊，攻擊者利用合法語句將任務拆解成表面安全的子任務，最終組合違規。實驗顯示在14個企業情境中，71%產生違規計畫，凸顯組合安全漏洞。

深度分析

光譜敏感性定理：Whisper 模型的層級增益與秩‑1 吸引態對幻覺的影響

本研究探討大型語音辨識模型的幻覺問題，提出光譜敏感性定理說明層級增益與對齊如何導致從訊號衰減到秩-1 吸引的相變。實驗顯示中等規模模型出現結構解體，跨注意力秩下降13.4%，大型模型則進入壓縮吸引態，Self‑Attention 壓縮秩-2.34%並削弱聲音依賴。

深度分析

QCFuse：查詢感知快取融合提升 RAG 推論效能

本研究針對檢索增強生成（RAG）模型的推論效率問題提出 QCFuse 系統，以使用者查詢為中心融合 KV 快取，透過語意摘要錨點提升查詢表示，並在關鍵 Transformer 層的注意力分布上選擇性重新計算相關 token，實驗顯示回應速度提升約 40%，且在部分情境下提升準確度。

深度分析

分布式魯棒令牌優化（DRTO）提升 LLM 在 RLHF 框架下的穩健性與效能

大型語言模型對提示微變易失效。研究以分布式魯棒令牌優化結合 RLHF，透過 f‑散度集合界定最壞獎勵，提升對分布移動的穩健性。實驗在 GSM8K 與 MathQA 上分別提升 9.17% 與 2.49%，顯著增強數學推理一致性。