教育科技研究速報

研究發現視覺語言模型在醫學問答中過度依賴文字資訊，對影像證據的利用能力明顯不足。

本文揭露多代理人系統在假設獨立性時會高估可靠性，並提出一種無需假設依賴結構的新型驗證方法。

提出 ReflectFact 框架，利用自我反思機制解決多跳事實查核中的推理偏離與知識衝突問題。

研究發現使用演化策略（ES）進行後訓練，能比強化學習（RL）提供更廣的解題分布與更高的解題覆蓋率。

提出 SEAG 框架，透過敏感實體別名生成技術，在不洩露機密資訊的情況下利用外部大型語言模型。

研究提出 Wiggle 框架，揭示 LLM 作為評分者在面對重新提示或對抗性壓力時，判斷結果極度不穩定且易受誤導。

提出 @skills 開放協定，透過分離內容、持久性與觸發機制，解決 AI Agent 技能安裝導致的 Prompt 空間競爭問題。

研究提出一套框架，用以衡量、預測並修復大型語言模型在多輪對話中無法正確撤銷指令的「行為復發」現象。

提出 Reasoning Jury 系統，透過多模型討論與共識機制，提升評估大型語言模型推理錯誤的準確度與成本效益。

提出 MindMemOS 架構，透過自我演化演算法讓 AI Agent 能動態優化記憶結構並將執行經驗轉化為技能。

研究發現 LLM 在處理多重指令時會發生性能崩塌，當同時約束超過 5-6 項時，成功率會急劇下降。

提出 Meta-LoRA 方法，透過結合 PAC-Bayes 正規化與偏好解耦技術，解決 LLM 在跨領域個性化時的過擬合與負遷移問題。