教育科技研究速報

本文提出「Metis AI」概念，指出數位任務中存在因社會與規範糾葛而難以自動化的複雜領域。

提出 EvoEnv 方法，讓 AI 從單純生成數據轉向構建具備「解題與驗證不對稱性」的環境，以實現自我持續進步。

提出一種基於依賴圖的執行期驗證器，透過符號引擎確保大型語言模型對話的邏輯一致性與前提正確性。

本文推出首個大規模研究生級數學自動形式化基準測試 MathAtlas，包含五萬多個數學實體與依賴關係圖。

提出一種透過「一元關係整合碼」進行數據預處理的新方法，以提升大型語言模型的邏輯推理效率與可靠性。

本文提出一種基於層論（Sheaf Theory）的框架，用於檢測 AI 代理人在面對新數據時，應進行現有理論的調整還是必須擴展其表徵語言。

本文推出 PolitNuggets 基準測試，評估 AI 代理在分散來源中發現並合成長尾政治事實的能力。

提出 Preping 框架，透過提案者引導的合成練習，讓 AI 代理人在接觸實際任務前即可建立程序性記憶。

提出情緒驅動的有狀態記憶架構，顯著提升語言模型在多情境對話中的個性化表現。

研究顯示，整合於瀏覽器的對話式 AI 透過引用提升信任度，使用者仍依賴既有 LLM 與網路搜尋觀念調整提問。

提出一個十四項內容模型，結合實證與理論，為工業 AI 系統的本地後置解釋提供內容框架。

Pluot 透過 Rust 編寫一次渲染函式，並自動產生多語言綁定，實現跨平台、跨互動層級的可視化渲染。