教育科技研究速報

本文介紹了 Memento-Skills，一種能夠自主構建、適應和改進特定任務代理的通用且持續學習的 LLM 代理系統。

本研究探討了大型語言模型（LLM）在不同方言輸入下產生的刻板印象，並評估了提示工程和多智能體架構等緩解策略。

本研究提出一個視覺-文本交織的鏈式思考框架，並透過行動適用性策略優化，提升多模態大語言模型在幾何推理上的表現。

提出以Cyberism為基礎的ORS框架，從本體、數位人格與價值三柱整合治理合成心智。

提出 D-Mem 雙重記憶系統，結合向量檢索與深思，透過多維質量門控平衡效率與準確，提升長期推理。

提出ZEBRAARENA環境，用於評估工具增強LLM的推理與行動耦合，並揭示現有模型在高難度任務上仍存在顯著效能缺口。

提出 MedForge 系統，結合大規模醫療偽造資料集與先行推理機制，實現高準確度且可解釋的醫療深偽偵測。

本研究提出一種無參考式對話推薦模擬框架，透過訓練兩個獨立的大語言模型進行互動，以生成更真實、多樣的對話數據。

PRISM透過意圖驅動自我啟發，將專家角色轉化為LoRA適配器，提升LLM安全對齊且保持判斷準確度。

提出 NeSyCR 框架，利用神經符號反事實推理將視訊示範轉化為可執行程式碼，並在跨域環境中提升 31% 任務成功率。

本文提出 AlignMamba-2，一種利用雙重對齊策略和模態感知 Mamba 層，提升多模態融合與情感分析效率和精準度的框架。

本研究展示了如何透過分析文本中的時間共現模式，發現不同於語義內容的轉移結構概念，並建立一個多解析度的概念地圖。