教育科技研究速報

本文提出 TrustX ARC 框架，透過十二維度評分量表為七種代理型 AI 系統提供結構化的風險分類與治理建議。

本文指出當前 AI 缺乏創造新表徵原型的能力，並提出「詞彙差距」與「驗證差距」來定義通往開放式智能的挑戰。

提出一種選擇性持久記憶架構，透過保留關鍵上下文並捨棄冗餘推理過程，提升 LLM 代理的任務完成率與效率。

研究發現多模態大語言模型在強化學習中會因獎勵機制不完善而產生「獎勵破解」現象，導致分數提升但任務表現下降。

提出一個語義框架，將 AI 輸出視為工程化表示而非事實，藉此精確定義並檢驗 AI 的錯誤類型。

本文介紹 ProofCouncil，一種採用作者-評論者架構的數學代理系統，能自主解決真實世界的開放性數學難題。

提出 AutoWorldBuilder 系統，透過多代理協作、上下文壓縮與迭代審查解決大規模虛構世界構建中的一致性與長文本挑戰。

開發了一套開源系統 OpenProver，透過 Planner-Worker-Verifier 架構結合 LLM 與 Lean 4 進行自動化定理證明。

提出 HEP 協定，將 AI 代理的科學推理過程結構化，使其具備可審計、可驗證的假設演化能力。

提出 GRACE 架構，透過語義圖結構管理 AI 代理的指令演進，解決長週期指令累積導致的驗證困難問題。

提出 KV-PRM 技術，透過直接讀取 KV 快取取代文本重新編碼，大幅降低過程獎勵模型的計算成本與延遲。

本研究提出 L-MAD 框架，探討多智能體辯論在法律文本蘊含任務中的結構與聚合方法之效能。