深度分析
神經符號架構強化 SLM 推理：Gemma 3 與 Llama 3.2 突破多跳邏輯困境
面對大型語言模型部署成本高昂，研究者提出神經符號代理人框架，利用小型語言模型結合關係圖卷積網路（RGCN）來強化其邏輯推理。該方法將 SLM 轉化為代理人，透過提取符號三元組並獲取專家建議來進行多跳推理。實驗結果顯示，此舉能將推理性能提升 1.5 至 2 倍，但同時揭示了資訊提取瓶頸與錯誤累計效應，為低資源環境下的 AI 推理提供了新方向。
Small Language Models
深度分析
EmoMAS：將高風險談判技巧與情緒感知能力導入邊緣運算裝置
研究人員推出 EmoMAS 框架，利用貝葉斯編排協調多個專業代理人，讓小型語言模型能在邊緣裝置上處理高風險談判。透過將情緒視為戰略變數，EmoMAS 提升了 AI 談判者的情緒智能與成功率，並解決了私密性與運算成本的問題。
Small Language Models
SLM 代理人決策偏差研究：激活導向技術揭露情緒干擾對小語言模型之影響
小語言模型（SLM）在決策時會受情緒影響嗎？最新研究透過激活導向技術誘導 SLM 產生情緒狀態，並在博弈論場景中測試其決策偏差。結果顯示，情緒擾動會導致模型策略不穩定且不符合人類預期，為 AI 代理人的魯棒性研究敲響警鐘。