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。

MemMA 是一個多智能體框架，透過協調記憶的建構、檢索與利用，提升大型語言模型在長期互動中的效能，並實現記憶的自我修正。

本文提出 Li-Net 架構，透過稀疏注意力機制捕捉多通道時間序列的線性及非線性依賴，提升預測準確性並降低計算負擔。

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。

本研究提出 SCALe 方法，透過動態權重調整，改善視覺語言模型在思辨過程中的訓練，提升準確性並降低訓練時間。

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 AFS-Search，結合閉環流動導向與平行回放搜尋，利用 VLM 進行即時評估，顯著提升 FLUX.1-dev 的文字到圖像生成質量與速度。

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。

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。

證明合理推理 AI 代理可零樣本達成近似納什均衡，且在未知報酬情境下仍保持穩定。