深度分析
AMOR：以預測熵作為元認知閘，結合 SSM 與稀疏注意力的序列路由架構
序列模型常對每個位置給予相同計算，忽略局部與檢索需求差異。本文改寫的研究提出 AMOR（Adaptive Metacognitive Output Router），以線性複雜度的 SSM 作為「系統1」快速處理，並用預測分布的熵當作元認知閘，只有在不確定（高熵）時才啟動稀疏注意力（系統2）。
SSM
速報
受限流形超連結（mHC）導入 SSM：實驗驗證語言模型品質提升
研究探討將受限流形超連結（mHC）應用於狀態空間模型（SSM）語言建模。做法包括將殘差流擴展成多平行流，透過Sinkhorn-Knopp做單純形預混與後混，並在每層施加雙重隨機矩陣投影。結果在WikiText-2上顯示驗證損失與困惑度皆改善，代價是推論吞吐略降且記憶占用增加。
深度分析
State‑Space 模型安全性與認知風險：光譜對抗、延遲後門與容量飽和分析
隨著State‑Space模型在基因、臨床與資安等長序列應用中崛起，其線性時間特性吸引關注，但安全性仍未被系統化探討。本研究提出五層攻擊面、三種專屬攻擊（光譜對抗、延遲觸發後門、容量飽和）以及跨領域威脅模型，並在基因注入實驗中顯示狀態完整性違反指標提升至0.519，遠高於隨機基準，突顯新興風險。