速報
新三層階層學習架構提升自律無人機群搜尋救援效能
本研究針對搜尋救援任務開發新型三層階層學習架構，結合 Hebbian 可塑性、圖形神經網路強化學習與模型無關元學習，形成反射、技能與推理三層次。架構以二十二項合約提供安全、最佳化等六項保證，並引入群體元認知，使無人機群可自我監控與策略切換，提升任務效能與韌性。
速報
速報
AI 部署後問責缺口大揭露：歐盟法規與 NIST 框架失靈率高達 99%
研究以 2020‑2026 年 AI 事故資料庫為基礎，對照 EU AI 法案、NIST 框架與 GDPR 的九項後部署規範，發現 77.1% 事故缺乏監測證據、99.6% 缺乏資料保護影響評估，且 9.8% 同時違反多項規範。內部監測的合規率遠高於外部偵測，顯示監測能力是關鍵。
速報
以互動式世界模型驅動的具身 AI 新方向：從神經迴路到自主學習
近期生成式與具身人工智慧的突破，多仰賴大規模多模態預測學習，但仍以被動訓練為主，語言規則作為資訊骨架。神經科學與認知科學則指出，生物智慧的語意結構是由與環境互動形成的具體世界模型支撐，語言才附著其上。
速報
注意力頭重新加權 (AHR)：以單一標量高效適應大型語言模型
在標記資料稀缺的安全等領域，如何讓大型語言模型在少量樣本下仍具備學習能力是關鍵挑戰。研究提出「注意力頭重新加權 (Attention Head Reweighting, AHR)」方法，只為每個注意力頭學習一個標量，藉此大幅降低需調整的參數量，僅佔模型參數的約 0.0001%。
速報
API 雲端模型 vs 本地量化模型：自動化編碼代理人的成本與品質權衡
針對自動化編碼代理人的部署選擇，本研究比較了 API 基礎的前沿模型與本地量化開源模型的效能。研究透過追蹤生產環境中的 Claude Opus 與 GLM 系列模型，分析發現 prompt caching 可大幅降低 API 費用，使其成本競爭力提升。然而本地模型導致的修復提交率顯著較高，開發者需花更多時間除錯。結果顯示本地部署雖能降低總持有成本，但會增加開發負擔並降低開發速度。
速報
Boogu-Image-0.1：開源多模態理解與生成模型全新突破
Boogu-Image-0.1 以開源方式提供統一多模態模型，透過提升模型理解、資料品質與訓練管線，結合推論時的代理式擴展，實現高品質文字轉圖、快速推論與雙語渲染。實驗顯示其表現可與領先閉源系統相近，且僅使用 2.08 億張影像與約 40 萬美元的訓練成本。
速報
開源軟體中機器人加入團隊：協作結構與衝突減少的實證研究
本研究以 GitHub 上 2,991 個開源專案為樣本，觀察在採用首個自動化機器人前後兩年內的團隊動態。研究將機器人視為團隊成員，測量重複合作、社會記憶與角色分化三項組織能力，並以衝突連鎖與產出獨特性作為成效指標。結果顯示，機器人採用後，團隊的重複協作次數提升、對機器人的辨識度增加，衝突發生次數下降，且產出更具獨特性。
速報
Score Hamiltonian：以量子譜間隙提升擴散模型抽樣效能
研究顯示分數導向擴散模型抽樣可映射為 Score Hamiltonian 基態的絕熱傳輸。透過時間變化的 Fokker‑Planck 絕熱定理，提出密度重建上界與退火排程。結果指出抽樣上限由分數匹配誤差平方與光譜間隙比值（逆 Poincaré 常數）決定，為抽樣效能提供理論框架。
速報
1D-Bench：電商設計轉程式基準測試提升 React 前端自動化
設計轉程式（design-to-code）技術能將高保真 UI 設計直接產出可執行的前端程式碼，但缺乏一致的資料集與評估標準。研究團隊推出 1D-Bench 基準，以真實電商工作流程為基礎，提供參考渲染圖與可能含錯誤的中介表示，測試模型在不完美中介資料下的韌性。
速報
提升多工演算法推理能力：Branching Neural Networks 新架構問世
針對多個演算法推理任務同時執行時產生的干擾問題，研究團隊提出 Branching Neural Networks 新架構。該技術透過梯度親和力將任務遞迴地分區為樹狀結構，將複雜度從指數級降低至線性級。實驗證明此方法在 CLRS 基準測試中表現更佳，且運行時間減少 48% 並降低 26% 記憶體使用量，有效提升了多工演算法推理的效率與準確度。
速報
資訊理論驅動的多樣化選項學習：提升 Option-Critic 時間抽象效能
本研究針對 Option-Critic 框架在強化學習中面臨的兩大挑戰——選項行為高度相似與可用選項數量縮減——提出解決方案。作者引入資訊理論式內在獎勵以及新穎的終止目標，以促進選項集合的行為多樣性。
速報
大型語言模型在語意記憶檢索上的探索度與人類仍有差距
本研究以語意流暢測驗比較人類與三款大型語言模型的搜尋行為，採用熵、步距與中心距三項指標量化。結果發現人類的語意搜尋更具變化與探索性，模型即使調整溫度亦只能在單一指標上對齊，無法同時複製人類的完整特徵，顯示目前模型仍缺乏平衡局部與全域探索的能力。