今日焦點（Top Headlines）

本節呈現當日最重要、影響最廣的 AI 新聞與事件

GPT-5.1 上線：Instant/Thinking 與風格控制

核心摘要
OpenAI 發布 GPT-5.1，聚焦回應自然度、上下文穩定性與「風格可控」的新體驗，並以系統卡附錄補充安全評估，新增心理健康與情感依賴等高風險測試維度。此次同時釋出 Instant 與 Thinking 兩個變體，持續採取雲端閉源的產品策略。官方未披露參數量、上下文長度與訓練資料細節，定位為 ChatGPT 付費用戶的能力升級。此更新延續「能力 + 治理」並重的路線，將對品牌客服、助理對話與敏感場景的治理帶來即時影響。

技術細節

  • 模型變體：GPT-5.1 Instant、GPT-5.1 Thinking（雲端服務供付費用戶使用）
  • 安全治理：GPT-5 系統卡附錄更新至 5.1，新增心理健康、情感依賴等測試與行為邊界
  • 可控生成：在 ChatGPT 介面中提供語氣/風格自訂
  • 參數量/上下文長度/授權：N/A（未公開）；開源與本地部署：N/A

應用場景

  • 企業客服/銷售對話的品牌風格一致化與溝通風險控管
  • 具心理健康敏感度的輔助對話（在更嚴格邊界下運行）
  • 長對話與複雜任務的上下文穩定性提升，減少誤解與反覆澄清成本

技術啟示

  • 安全評估制度化成為高階閉源模型必備，將影響行業合規與採用決策
  • 風格可控與多變體策略，提示未來 API/產品將更細分能力檔位與治理選項
  • 領域小模型對標頂級系統的趨勢持續，大模型與專用小模型「分進合擊」

關鍵實體：GPT-5.1、ChatGPT、OpenAI、System Card
重要性：高
來源：來源1 · 來源2 · 來源3

Anthropic 斥資500億美元在美建資料中心

核心摘要
Anthropic 與 Fluidstack 將於德州、紐約等地投資 500 億美元新建/擴建 AI 資料中心，強化算力與服務供給。此舉發生在全球 AI 基礎設施資本開支追上甚至超過新油氣勘探的背景下；Google 亦在德國投資 64 億美元。關鍵不確定性仍在電力與高端晶片供給與選址時程。此案將進一步提升美國本土算力主權與供應鏈話語權。

關鍵實體：Anthropic、Fluidstack、資料中心、Google
重要性：高
來源：來源1 · 來源2 · 來源3

德國法院裁定 OpenAI 侵權並判賠

核心摘要
德國法院裁定 OpenAI 未獲許可使用受授權音樂作品作訓練資料，違反著作權法並判賠。該案凸顯歐洲市場對訓練資料合規的高風險，預期將推動模型供應商在資料授權、來源透明與撤除機制上加碼，並影響跨境內容爬取策略與歐陸業務佈局。

關鍵實體：OpenAI、ChatGPT、德國法院、音樂著作權
重要性：高
來源：來源1 · 來源2

Teradar 融資 1.5 億美元推太赫茲感測器

核心摘要
Teradar 走出隱身並募資 1.5 億美元，推出太赫茲頻段全天候感測器，主打結合雷達耐候性與 LiDAR 高解析度，鎖定自動駕駛與機器人。若性能與量產鏈證實，將改變車載感測堆疊選型，挑戰現有 LiDAR/Radar 供應鏈並引發新一輪成本與可靠性競賽。

關鍵實體：Teradar、太赫茲感測器、自動駕駛、LiDAR/Radar
重要性：高
來源：來源1

Waymo 無人計程車於三城開上高速

核心摘要
Waymo 宣布在洛杉磯、舊金山與鳳凰城提供高速公路載客，部分行程時間可縮短最多 50%。服務從市區道路延伸至高速場景，將提升通勤吸引力與覆蓋，但也面臨更嚴格的安全審視與監管互動。

關鍵實體：Waymo、Robotaxi、高速公路、自動駕駛
重要性：中
來源：來源1

模型與技術更新（Model & Research Updates）

本節涵蓋模型架構、訓練技術、演算法改進、benchmark 結果等

GPT-5.1 上線：Instant/Thinking 與風格控制

核心摘要
OpenAI 推出 GPT-5.1，主打更自然與穩定的對話體驗，並於介面提供語氣/風格可控化設定；同時發表系統卡附錄，擴充至心理健康與情感依賴等場景的安全評估。新版本維持閉源雲端交付，未公開參數、上下文長度與授權資訊。多變體策略（Instant/Thinking）將產品能力檔位化，有助不同成本與延遲需求的匹配，並以治理框架強化高風險領域的管控邊界。

技術細節

  • 變體：Instant（低延遲）與 Thinking（強推理）
  • 安全：GPT-5 系統卡附錄擴充測試範疇與指標；新增敏感場景行為邊界
  • 參數量/上下文長度/資料/推理成本：N/A；API 可用性：ChatGPT 雲端服務供付費用戶
  • 開源/本地部署：N/A

應用場景

  • 品牌一致的客服/行銷/助理，透過風格控制降低誤解成本
  • 高風險對話（心理健康等）在更嚴格框架下運行
  • 需要穩定長上下文與多輪對話的專業諮詢與任務協作

技術啟示

  • 安全評估標準化將成業界合規基石；產品設計需與風險分級聯動
  • 多檔位模型策略提示未來 API 將以延遲、成本、推理深度分層
  • 通用大模型與領域專精小模型將長期共存互補

關鍵實體：GPT-5.1、OpenAI、System Card
重要性：高
來源：連結1 · 連結2

SciAgent 通用科學推理多代理系統

核心摘要
SciAgent 提出統一多代理協作框架，涵蓋假設生成、資料分析、實驗設計、結果綜整的端到端科學工作流，旨在跨學科自適應推理策略，減少針對性手工編排。配套研究關注代理系統的隱私合規審計與成果導向評估，呈現「能力、治理、可衡量價值」三位一體的落地路線。

技術細節

  • 架構：多代理協作 + 流程編排（假設→分析→實驗→總結）
  • 方法論：以任務分解與協作記憶驅動跨學科研判與策略切換
  • 治理與評估：隱私審計（AudAgent 構想）、Outcome 導向評測框架
  • 實作/開源：N/A（研究階段）

應用場景

  • 生命科學、材料、天文等多學科科研輔助與自動化文獻/數據綜整
  • 企業研發流程的自動化研究助理與跨部門洞察生成
  • 高合規領域（醫療/製藥）下的審計可追溯科研工作流

技術啟示

  • 代理從單任務工具走向「工作流作業系統」，評測將由能力測試走向成果度量
  • 隱私/合規審計需內嵌於代理架構，方可在醫療與企業環境規模化
  • 治理與能力並重的評測體系將加速產業採用

關鍵實體：SciAgent、AI agents、Outcome 導向評估、AudAgent
重要性：中
來源：連結1 · 連結2

GUI 代理高效訓練管線與 GUI-AIMA 對齊方法

核心摘要
兩項工作聚焦 GUI 代理的核心挑戰——從自然語句到螢幕可操作區域的準確定位（GUI grounding）。其一以模型式資料過濾結合參數高效微調，降低對噪聲合成數據依賴並提升泛化；其二（GUI-AIMA）對齊多模態語視注意力與「上下文錨點」，優於直接輸出座標的生成式做法，提升定位精度與穩定性。

技術細節

  • 訓練管線：模型自動篩選高品質樣本 → 以少量可訓參數 PEFT 微調
  • GUI-AIMA：將語義-視覺注意力與上下文錨點對齊，聚焦關鍵 UI 元素與語境
  • 效益：降低錯誤傳播、減少數據依賴、提升跨任務泛化
  • 程式碼/部署：N/A

應用場景

  • 桌面/行動裝置操作代理：表單填寫、按鈕點擊、多步導航
  • 現有 MLLM 工具使用流程中的 GUI grounding 模組化增強
  • 標註昂貴或資料受限場景的成本效率訓練

技術啟示

  • 多模態代理正由「量堆疊」轉向「質導向 + 對齊驅動」
  • Grounding 能力將成電腦使用代理成敗關鍵，影響人機互動可靠性
  • 後續可結合遙測/人回饋訊號與通用螢幕理解聯合訓練

關鍵實體：GUI-AIMA、GUI grounding、PEFT、多模態 LLM
重要性：中
來源：連結1 · 連結2

Bayes 誤差優化：可證明不可學樣本

核心摘要
研究提出以最大化貝氏錯誤（Bayes error）構造「不可學樣本」的方法，目標是讓個人上傳的網路資料即便被蒐集進訓練集，也難以被分類器或 LLM 有效學習。相較既有對抗擾動與資料投毒，該路線強調理論可證與跨模型泛化，為資料主權與「被遺忘權」提供演算法防護工具。

技術細節

  • 目標函數：直接最大化任務的 Bayes error，以提升不可學性與魯棒性
  • 性質：跨常見學習器難以擬合；可作為後驗檢測資料是否被有效遺忘/排斥
  • 與傳統差異：重可證性與泛化而非僅經驗對抗擾動
  • 開源/部署：N/A

應用場景

  • 個體對公開上傳內容的「自我保護」處理，降低被未授權訓練的學習價值
  • 企業數據治理與移除請求的後驗驗證（檢測模型是否已「遺忘」）
  • 開放網路資料蒐集流程中的合規與同意強化

技術啟示

  • 資料主權的技術化落地將影響爬取、授權與訓練策略
  • 從經驗攻擊走向可證防護是隱私/合規研究的關鍵拐點
  • 需關注對效能與可用性的折衝與長期泛化效果

關鍵實體：Bayes Error Optimization、Unlearnable Examples、資料投毒、對抗樣本
重要性：中
來源：連結1 · 連結2

EHRStruct：結構化 EHR 任務 LLM 基準框架

核心摘要
EHRStruct 提出面向 LLM 的結構化電子病歷（EHR）任務評測框架，補足臨床決策依賴表格數據但缺乏統一標準的痛點。另有 TACL 研究以門檻自適應的課程學習加強醫療文本理解，改善術語密集與非結構化帶來的困難。兩者共同瞄準醫療 AI 在可靠性、可比較性與落地可行性的體系化提升。

技術細節

  • 基準化：統一任務定義、指標與流程，提升可比性與可重現性
  • 訓練策略：課程學習 + 門檻自適應以適配醫療文本難度分佈
  • 指標：聚焦臨床正確性、表格對齊與結構提取精確度
  • 開源/部署：N/A

應用場景

  • 臨床決策支援、病歷結構化抽取、研究型資料管線驗證
  • 醫療合規（可追溯/審計）與採用決策的量化依據
  • 醫療 AI 技術選型與供應商評估的客觀基準

技術啟示

  • 醫療領域需要「任務-資料-指標」一體化基準，方能推動臨床採用
  • 訓練策略應針對術語密集與非結構化特性做難度自適應
  • 未來需結合公開資料集與跨院實證、並標註治理與安全流程

關鍵實體：EHRStruct、LLM、課程學習、TACL
重要性：中
來源：連結1 · 連結2

多變量序列異常偵測：叢集與 HMM 框架

核心摘要
兩項研究從可解釋、輕量的統計與叢集方法切入高維多變量時間序列異常偵測：其一同時在時間與變數維度建模，以和典型模式偏離度產生異常分數；其二將多變量訊號以 Fuzzy C-Means + 模糊積分聚合為單變量，再以 HMM 進行狀態建模與似然檢測，在標註稀缺與資源受限場景具實用性。

技術細節

  • 叢集法：建構時序-跨變數特徵空間；以叢集中心距離/群內密度/時序一致性評分
  • 聚合 + HMM：模糊聚合 → HMM 狀態轉移/發射分佈 → 以負 log-likelihood 與狀態偏差判異常
  • 優勢：低計算、易解釋，不依賴大規模深度模型訓練
  • 開源/部署：N/A

應用場景

  • 工業感測、IoT、金融風控、醫療監測的點狀/區段/情境型異常偵測
  • 邊緣設備或舊設備環境，受限算力下的快速原型
  • 低標註成本的無監督/弱監督管線

技術啟示

  • 高維序列的降維與關聯建模結合可提升穩定性與可解釋性
  • 傳統統計/叢集方法在低資源場景可補位深度模型
  • 需補充公開數據集對比與開源實作以促進複現

關鍵實體：Fuzzy C-Means、模糊積分、HMM、多變量時間序列
重要性：中
來源：連結1 · 連結2

在軌 ML 用於甲烷點源快速偵測

核心摘要
兩篇工作主張將輕量機器學習部署至衛星載荷，在成像光譜資料上即時篩選甲烷羽流，降低下行資料量與告警延遲。以 EMIT、PRISMA、EnMAP 等觀測為背景，研究指出傳統匹配濾波誤報高且需大量人工複核，提出可營運化的 ML 流程改善點源檢出與工作流自動化。

技術細節

  • 邊緣/在軌推理：模型前移至衛星端，實時過濾與標記候選
  • 流程：原始光譜 → ML 篩選 → 選擇性下行 → 地面精檢
  • 指標/模型架構：N/A（未披露）；目標為降低誤報與延遲
  • 開源/部署：N/A

應用場景

  • 能源/工業甲烷排放監測的即時告警與執法輔助
  • 大規模遙感星座的頻寬優化與地面處理成本下降
  • 政府與企業 ESG 碳核查與合規報告

技術啟示

  • 遙感 AI 正從地面後處理轉向「在軌智慧」，緩解下行瓶頸
  • 以 ML 替代傳統匹配濾波有助降低誤報與擴展營運規模
  • 後續需披露架構、資料與指標以建立跨任務可比性

關鍵實體：在軌機器學習、甲烷點源、EMIT、PRISMA、EnMAP
重要性：中
來源：連結1 · 連結2

工業射出成型：合成數據與可解釋品管 AI

核心摘要
兩項研究針對射出成型的資料匱乏與現場信任問題：以合成數據擴充實測樣本，降低收集成本與停機風險，並提升製程最佳化與品質預測穩健性；另以可解釋 AI 針對品管分類提供可追溯決策依據，即使感測器不足或資料不完整亦可落地。

技術細節

  • 合成數據：以模擬/數位分身生成多條件樣本補齊極端工況
  • 可解釋性：以特徵重要度/規則/可視化支持現場判讀
  • 評測/開源：N/A；跨機台與跨料號泛化仍待驗證

應用場景

  • 新料號導入、縮短調機時間、降低報廢與停機
  • 現場品管決策輔助與合規審計追溯
  • 與邊緣運算結合的線上監控

技術啟示

  • 製造 AI 正以「合成數據 + 可解釋」雙軌拉近研發與現場
  • 可解釋性是採用關鍵，尤其在感測受限環境
  • 建議後續公開跨機台實證與標準化指標

關鍵實體：合成數據、可解釋 AI、射出成型、品質分類
重要性：中
來源：連結1 · 連結2

產業與應用動態（Industry Applications）

本節聚焦企業採用、產業應用案例、商業模式創新

Anthropic 500 億美元資料中心計畫

核心摘要
Anthropic 與 Fluidstack 將於美國多地新建/擴建 AI 資料中心，投資總額 500 億美元；在 Google 於德國投資 64 億美元背景下，AI 基建資本開支持續刷新高。該計劃將強化美國本土算力主權與供應鏈，但受限於電力、先進晶片與選址時程的不確定性。

關鍵實體：Anthropic、Fluidstack、Google、資料中心
重要性：高
來源：連結1 · 連結2

德國法院裁定 OpenAI 侵權並判賠

核心摘要
法院認定 OpenAI 未獲授權使用音樂作品作訓練資料，違反德國著作權法，並判賠。此案或將迫使生成式 AI 廠商在歐洲加速簽訂版權授權、建立資料撤除機制與來源透明報告，影響模型供應商與權利人的談判力與商業條款。

關鍵實體：OpenAI、ChatGPT、德國法院、音樂著作權
重要性：高
來源：連結1

VAST Data x Google Cloud：AI OS 全託管

核心摘要
VAST Data 與 Google Cloud 推出 VAST AI Operating System 的全託管服務，將本地與雲端資料整合為全球一致的資料基礎，支援混合/多雲的 AI 工作負載與智慧串流。此舉與 Google 的 Private AI Compute、Red Hat OpenShift 4.20 的主權雲與安全重點呼應，企業可在一致效能與合規治理下加速從試點到生產。

關鍵實體：VAST Data、Google Cloud、Private AI Compute、OpenShift
重要性：中
來源：連結1 · 連結2

Waymo 無人計程車高速載客擴張

核心摘要
Waymo 在洛杉磯、舊金山、鳳凰城導入高速公路載客，官方稱可將部分行程時間縮短最多 50%。服務可用性與路線彈性提升，有望改善通勤場景體驗；但將面臨更嚴苛的安全審視與監管協調。

關鍵實體：Waymo、Robotaxi、高速公路、自動駕駛
重要性：中
來源：連結1

Teradar：太赫茲感測器 + 1.5 億美元融資

核心摘要
Teradar 推出太赫茲頻段全天候感測器，目標結合 Radar 的耐候與 LiDAR 的解析度，對自動駕駛/機器人提供新選項。若性能與量產成熟，將改寫車載感測堆疊並重塑供應鏈競爭格局。

關鍵實體：Teradar、太赫茲、LiDAR、Radar、自動駕駛
重要性：高
來源：連結1

觀點與評論（Expert Opinions）

本節收錄專家觀點、技術評論、趨勢分析、爭議討論

本日暫無相關動態

市場與數據觀察（Market & Metrics）

本節涵蓋投資動態、市場數據、產業報告、融資消息

Groww IPO 募資近 7.5 億美元，市值約 90 億

核心摘要
印度投資平台 Groww 首日較發行價上漲約 12%，收於 ₹128.85，推算市值約 ₹7,950 億（約 90 億美元），募資近 7.5 億美元。反映印度散戶投資熱度與金融科技估值回暖，為後續同類公司上市提供定價參考。

關鍵實體：Groww、IPO、印度金融科技
重要性：高
來源：連結1

WisdomAI 再融 5,000 萬美元，Kleiner/Nvidia 領投

核心摘要
WisdomAI 主打處理結構化/非結構化「髒資料」的 AI 分析能力，獲 5,000 萬美元新資金以擴大企業級落地與生態合作。投資人押注資料治理與決策智能融合，滿足企業對多源異構數據的分析需求。

關鍵實體：WisdomAI、Kleiner Perkins、Nvidia、AI 資料分析
重要性：中
來源：連結1

工具與資源（Tools & Resources）

本節介紹開源工具、框架更新、教學資源、開發者工具

Power BI Aggregations 終極指南

核心摘要
文章系統性講解 Power BI 的 Aggregations（預先彙總）機制，透過小表加速大表查詢，在保留下鑽明細的同時，顯著降低 DirectQuery 對倉庫/湖倉的壓力。適用高並發儀表板、長尾查詢與超大事實表分析，兼顧效能與成本。

技術細節

  • 技術棧：Power BI、DAX、Composite models、DirectQuery
  • 核心設計：維度對應、彙總層級設計、命中規則與回退機制
  • 部署要點：彙總表建模、索引/分區策略、查詢記錄觀測與命中率優化
  • 授權/安裝：隨 Power BI；授權依租戶方案

應用場景

  • 高並發互動式報表、全域 KPI 儀表板
  • 事件明細保留且需快速匯總的商務分析
  • 降低雲倉讀取成本與峰值負載

技術啟示

  • 在資料湖/雲倉時代，預聚合 + 混合存取是兼顧效能/成本的主線
  • 與資料模型治理（命名、一致性、血緣）協同，放大查詢加速效益
  • 建議以 A/B 測試與命中率指標做滾動優化

關鍵實體：Power BI、Aggregations、DAX、DirectQuery
重要性：中
來源：GitHub/部落格

RAG 檢索評估：DCG@k 與 NDCG@k 實務

核心摘要
系列文第三篇強調以分級相關度衡量 RAG 檢索品質，DCG@k/NDCG@k 能反映排序位置與文件價值差異，補足僅用 precision/recall 的盲點。文中示範如何在實務中以順位敏感指標比較不同檢索策略，建立一致衡量框架。

技術細節

  • 指標定義：DCG@k（以對數折減的收益累積），NDCG@k（相對最優歸一化）
  • 關鍵點：分級標註、位置權重、長文片段合併策略
  • 實作建議：離線標註集建立、交叉驗證、與端到端答案品質關聯分析

應用場景

  • 企業知識庫 RAG 的檢索器選型與迭代
  • 檢索器/重排序器（Reranker）的 A/B 與離線評測
  • 兼顧召回與排序價值的多目標優化

技術啟示

  • RAG 評估應由二元相關度升級為分級與順位敏感指標
  • 建立統一評測基準有助於跨團隊/跨任務可比與迭代速度
  • 指標需與最終答案品質掛鉤，避免局部最優

關鍵實體：RAG、DCG@k、NDCG@k、檢索評估
重要性：中
來源：介紹文章

編輯洞察（Editor’s Insight）

今日趨勢總結

  • 能力與治理雙輪驅動。OpenAI 推出 GPT-5.1 並以系統卡制度化安全測試，顯示高階閉源模型正把「可控生成 + 風險邊界」作為產品主軸。這與醫療基準（EHRStruct）與 RAG 排序評估（NDCG）等評測體系的完善相呼應，整體生態從「能做到」過渡為「可被審計與衡量」。
  • 基礎設施進入重資本與能源博弈期。Anthropic 500 億美元資料中心、雲端/混合數據底座（VAST x GCP）、以及在軌 ML 的「前移計算」共同指向：算力、能源與帶寬成為 AI 規模化的第一性約束，產業從雲-邊-端多層優化。
  • 應用從點到線到面。Waymo 上高速標誌商業運營能力躍遷；Teradar 太赫茲感測器在硬體側補齊惡劣天候短板；GUI 代理與多代理科學工作流（SciAgent）則在「操作系統化」AI 方面快速前進。

技術發展脈絡

  • 快速演進的技術：多代理編排（SciAgent）、GUI grounding 對齊（GUI-AIMA）、在軌 ML、RAG 排序評估標準化、風格可控與系統化安全卡。
  • 新應用模式：自動駕駛跨場景（市區→高速）、企業混合/主權雲 AI OS、太赫茲新感測頻段切入自動駕駛與機器人。
  • 產業格局變化：訓練資料合規風險（德國判決）與資料主權技術（Bayes error 不可學樣本）雙向作用，迫使供應商同時投資法遵與隱私增強技術；大型雲與硬體新創在電力/頻譜/帶寬上展開「基建位勢」競賽。

未來展望

  • 值得關注的技術方向：
    1. 可證式資料防護（不可學/可遺忘）、2) 代理系統的隱私審計與成果度量、3) 邊緣/在軌推理縮短資料路徑、4) GUI grounding 與通用螢幕理解融合、5) RAG 排序與答案評估聯動標準。
  • 可能出現的應用場景：
    大規模企業助理在主權雲與混合資料底座部署；自動駕駛在高速/惡劣天候的路線擴張；ESG 與監管場景中的衛星甲烷即時監測。
  • 風險與挑戰：
    訓練資料授權與跨境合規、資料中心能源與排碳、供應鏈（晶片/電力/頻譜）瓶頸，以及代理系統在隱私與錯誤行為上的責任邊界。

關注清單：

  1. GPT-5.1 — 能力與安全治理並重的閉源模型標杆，觀察 API 行為與風格控制實效
  2. Teradar 太赫茲感測器 — 有望重塑車載感測堆疊與惡劣天候表現
  3. SciAgent — 多代理科研工作流與治理評估並進的代表
  4. VAST AI OS（託管版） — 企業級混合/主權雲 AI 資料底座的落地範本
  5. Bayes Error 不可學樣本 — 資料主權技術化與可證防護的重要路線

跨主題洞察

  • 競爭態勢：OpenAI（模型與治理）、Anthropic（基建）、Google Cloud（企業 AI OS）、Waymo（運營落地）分別在棧上不同層面築壘，呈現「模型—基建—應用」三位一體的軍備競賽。
  • 技術棧演進：從 Transformer 為核心的通用 LLM，正向「多模態 + 代理 + 對齊/評測體系」擴展；同時在硬體與基建側（太赫茲感測、在軌 ML、主權雲資料底座）形成互補增益。
  • 應用創新模式：以可審計、可控與可比較為核心的工程化路線，使得自動化代理（GUI/科學）、RAG、行業 AI（醫療/製造）走向可規模複製的產品化階段。

延伸閱讀與資源

深度文章推薦

相關技術背景

  • DCG/NDCG：排序評估指標，考慮位置權重與分級相關度，適用於檢索/推薦評估（參考：上述 RAG 評估文章）
  • HMM（Hidden Markov Model）：以隱藏狀態描述序列生成機制，常用於序列分類/異常偵測（參考：多變量異常偵測論文）
  • GUI Grounding：將自然語句對齊至螢幕可操作區域的語視對齊任務，是電腦使用代理成功率關鍵（參考：GUI-AIMA 論文）

本日關鍵詞

GPT-5.1 System Card 多代理 GUI grounding NDCG 在軌推理 太赫茲感測 Robotaxi 主權雲 資料主權 不可學樣本 合成數據 醫療基準 RAG 評估 資料中心投資

資料來源：75 篇文章 | 分析主題：30 個
資料收集時間：過去 24 小時 | 報告生成時間：2025/11/13 06:42:32 CST