今日焦點（Top Headlines）

視訊驅動 3D 多模態 LLM 技術彙整

核心摘要
多篇新作正把「3D 場景理解」從昂貴的 3D 感測與建模轉向「以視訊驅動的多模態 LLM」。研究涵蓋以影片取代 3D 點雲的三維推理（Vid-LLM）、具身/導航 world model（UNeMo）、訓練免疫的視訊加速與分割基線（FlashVID、FSSDINO）、跨模態稀疏可解釋概念（LUCID-SAE）、3D 臉部動畫生成表示不匹配（Ex-Omni），以及 UE5 具身基準與在裝置推理（VirtualEnv、MosaicThinker）等，構成從表示、加速、安全到基準的一整套技術譜系。

技術細節

  • 3D 推理架構：Vid-LLM 提出以視訊取代原生 3D 輸入，結合「重建–推理協同（reconstruction–reasoning synergy）」；UNeMo 作為多模態 world model 用於視覺-語言導航（VLN）。
  • 表示與加速：VidVec 將通用 MLLM 調整為視訊-文字嵌入抽取器，但在檢索上仍落後專用 Video Foundation Models；FlashVID 以 training-free 的樹狀時空 token 合併，緩解影片巨量 token 帶來的推理成本。
  • 訓練免疫基線：FSSDINO 在 frozen DINOv3 特徵上，以 class-specific prototypes + Gram-matrix refinement 做 few-shot segmentation，避免大規模再訓練。
  • 可解釋與安全：LUCID-SAE 以跨模態共享稀疏自編碼器字典，發掘視覺/文字共享概念；有工作展示真實/3D 環境中，透過實物文字實現物理 prompt 注入的攻擊面。

應用場景

  • 視覺語言導航與具身代理（UNeMo, VirtualEnv）。
  • 視訊檢索與嵌入服務（VidVec）。
  • 設備端空間推理與機器人規劃（MosaicThinker）。
  • 訓練成本受限環境下的 few-shot 分割與細粒度辨識（FSSDINO, Fine-R1）。
  • 3D 臉部動畫與語音驅動數位人（Ex-Omni）。

關鍵實體：Vid-LLM, UNeMo, VirtualEnv (UE5), VidVec, FlashVID, FSSDINO, LUCID-SAE, Ex-Omni, MosaicThinker, VLRS-Bench
重要性：高
來源：
arXiv:2509.24385 | arXiv:2602.08099 | arXiv:2602.07106

節能訓練與推論的平行性替代方法

核心摘要
一組工作系統性攻擊大型模型「能耗與通訊瓶頸」問題：以 phantom parallelism 取代傳統 tensor/model parallelism、DeMo 降低 gradient all‑reduce 頻寬、two‑sided low‑rank 通訊壓縮 Adam，同時以 Astro 改善 LLM PTQ 部署精度，並從訓練動力學（Regime Change Hypothesis、FIRE、多尺度穩態）與聯邦學習安全（Temperature Scaling Attack）等角度補完理論與風險分析。

技術細節

  • 並行與通訊：phantom parallelism 重新設計並行模式以減少能耗；DeMo（Decoupled Momentum Optimization）將同步 data‑parallel 中昂貴的全精度 all‑reduce 移出每步迭代；two-sided low-rank communication 將 Adam 通訊複雜度由 O(mn) 壓縮到 O(r²)。
  • 優化與量化：矩陣式優化與正交/白化方法（ARO）探索超越單純 whitening 的新範式；Astro 以 activation-guided 結構化正則化治理 weight-only PTQ 的權重與 activation outliers，顯著改善低比特部署的精度穩定。
  • 訓練動力學：Regime Change Hypothesis 指出 ReLU 模型有兩時域/解耦動力學；FIRE 重初始化平衡穩定性–可塑性；Multi-Scale Temporal Homeostasis 引入生物啟發穩態機制。
  • 安全與 RL 工程：Temperature Scaling Attack 揭示聯邦學習中「信心校準」的新攻擊面；AceGRPO、Graph‑Enhanced Deep RL 利用 PPO 等方法處理自動 MLE 與平行機台排程。

應用場景

  • 大規模預訓練與指令微調的分散式訓練平台。
  • 推理成本與記憶頻寬受限的 LLM 在線服務（Astro + low‑rank 通訊）。
  • 聯邦學習與邊緣場景中的隱私敏感訓練與校準防護。
  • 半導體與製造業的多機台排程與自動化 ML pipeline。

關鍵實體：phantom parallelism, DeMo, two-sided low-rank Adam, Astro (PTQ), Regime Change Hypothesis, FIRE, Temperature Scaling Attack
重要性：高
來源：
arXiv:2508.00960 | arXiv:2602.08333 | arXiv:2602.08007

推理模型中的討好錨點與動態推理預算

核心摘要
最新推理研究不再只看最終答案，而是「解構推理過程本身」：工作包括定位造成模型迎合錯誤提示的 sycophantic anchors、以 decision pivots 驗證 CoT 必經路徑、Certainty‑Guided Reasoning 動態調整推理預算、分析模型如何自動為難題分配更多思考、在 latent 空間進行無詞化推理（LRTs）、以及 Sketch&Walk 等 training‑free 稀疏注意力結構，用於長上下文推理加速。

技術細節

  • 行為診斷：透過 counterfactual analysis 定位使模型傾向「討好使用者」的局部句子錨點（sycophantic anchors）；decision pivots 定義任何正確 CoT 必須經過的最小驗證檢查點。
  • 動態推理：CGR（Certainty‑Guided Reasoning）週期性檢查模型信心以早停或延長推理；實證顯示模型會為較難問題自動延長推理 token（reasoning strength planning）。
  • Latent reasoning：LRTs 在隱空間執行推理，不生成中間自然語言 rationale；逐步解碼可觀察到 emergent search 與 backtracking 行為。
  • 多模態與稀疏注意力：VISOR、world‑model‑based visual imagination 推進視覺空間推理與導航；Sketch&Walk 以 Hadamard sketching + deterministic walk 實現 training‑free 稀疏自注意力，降低長 context prefill/decoding 成本。

應用場景

  • 精細化對齊與審計：用 sycophantic anchors 與 SPD‑Faith 基準診斷 CoT 可信度與語言先驗干擾。
  • 低延遲推理：結合 CGR、thinking tokens、Sketch&Walk，在保精度前提下降低推理延遲與成本。
  • 具身與視覺推理：VISOR 與 Embodied CoT 用於語言驅動導航與 VLA 任務行動預測。

關鍵實體：sycophantic anchors, decision pivots, CGR, latent reasoning transformers (LRTs), Sketch&Walk, VISOR, SPD‑Faith
重要性：高
來源：
arXiv:2601.21183 | arXiv:2509.07820 | arXiv:2602.08332

模型與技術更新（Model & Research Updates）

遞迴 Transformer 的動態計算分配與機制可解釋性

核心摘要
多篇工作從「動態系統」與「機制可解釋性」視角重新審視 Transformer：探討 token‑level 自適應計算、Block‑Recurrent 動力學、將計算反解為 RASP 程式語言以分析長度泛化、SiameseNorm 調和 Pre/Post‑Norm 結構、Gaussian Match‑and‑Copy 作為檢索‑記憶最小基準，以及 Momentum Attention 將物理守恆與辛結構引入注意力。

技術細節

  • 動態計算：token-level adaptive computation 企圖為不同 token 動態分配計算量，但研究指出先前多以任務級指標評估，混淆 token 難度與架構因素。
  • 理論與基準：RASP 映射提供分析 Transformer 表達力與長度泛化的語義層；Gaussian Match‑and‑Copy 將 induction 中的「搜尋」與「記憶」解耦。
  • 正規化與穩定性：SiameseNorm 主張在同一架構內同時保有 Pre‑Norm 穩定性與 Post‑Norm 性能，歸因於結構不相容性而非單一設計選擇。
  • 動力學觀點：Block‑Recurrent 假說將 ViT 深度視為時間維度流動；Momentum Attention 在計算圖上加入守恆律與 AC 動力系統先驗，並以辛增廣與運動學差分算子刻畫注意力演化。

應用場景

  • 長上下文與自適應推理成本控制。
  • Mechanistic interpretability 與 in‑context learning 行為分析。
  • CAD 邊界表示（B‑rep）與連續形狀對齊（Brep2Shape）。

關鍵實體：Recurrent Transformers, RASP, SiameseNorm, Block‑Recurrent, Gaussian Match‑and‑Copy, Momentum Attention
重要性：高
來源：
arXiv:2602.08864 | arXiv:2602.08287 | arXiv:2602.07562

CauScale：可擴展神經因果發現與因果基準新方向

核心摘要
因果發現正面臨「從小圖到大圖」的擴展瓶頸。CauScale 提出專為大規模圖設計的神經架構以提升時間與空間效率，輔以 CausalCompass（時間序列錯誤指定健壯性基準）、Effect‑Level Validation（效果層級驗證框架）、多代理 LLM 工具變數發現（IV Co‑Scientist）與 CausalT5K 因果推理診斷基準，共同構建新一代因果方法生態。

技術細節

  • 可擴展因果發現：CauScale 聚焦於大型圖的 time/space bottleneck，將因果圖結構搜索嵌入神經架構。
  • 時間序列健壯性：CausalCompass 系統性測試 time‑series causal discovery 在模型錯誤指定情境下的表現，強調「錯模型」而非僅「錯噪音」的評估。
  • 表徵層因果：Dynamics Within Latent CoT 把 latent chain‑of‑thought 步驟視為可操控因果過程；Effect‑Level Validation 則以 effect‑centric/admissibility‑first 框架評估在回饋驅動系統中的決策可靠度。
  • LLM 與因果：IV Co‑Scientist 以多代理 LLM 搜尋工具變數；CausalTAD 透過表格→文本轉換與因果知識注入改進表格異常偵測；CausalT5K 為 LLM 因果推理失效模式（rung collapse、sycophancy、refusal calibration）打造診斷套件。

應用場景

  • 科學資料中的大規模因果發現與圖結構學習。
  • 時序資料中的干預效果評估與政策分析。
  • 金融 / 信用詐欺等表格異常偵測任務。
  • 對話式因果 QA 模型的失效模式測試與對齊。

關鍵實體：CauScale, CausalCompass, Effect‑Level Validation, IV Co‑Scientist, CausalTAD, CausalT5K
重要性：中‑高
來源：
arXiv:2602.08629 | arXiv:2602.07915 | arXiv:2602.08939

以時空一致性與暖啟動加速擴散式機器人策略

核心摘要
擴散策略（diffusion policies）在視覺機器人與自駕軌跡規劃上表現優異，但多步去噪與從高斯噪音抽樣導致推理延遲過高，不利實時閉環控制。近期工作提出 STEP 以「暖啟動 + 時空一致性預測」加速視覺控制、RAPiD 將擴散軌跡規劃蒸餾為確定性策略、Action‑to‑Action Flow Matching 與 amortized diffusion posterior sampling 則從建模與推理路徑降低成本，並指出線上 RL 與擴散策略整合的根本不相容性。

技術細節

  • 時間瓶頸來源：經典 diffusion policies 需多輪 conditional denoising，自隨機高斯噪聲逐步生成多模態動作序列，推理成本與延遲隨步數線性增加。
  • STEP：以暖啟動（warm‑start）結合 spatiotemporal consistency prediction，從既有狀態軌跡出發預測下一步策略，減少完全從噪聲開始的步數。
  • RAPiD：從 diffusion‑based trajectory planners 中蒸餾 deterministic policy，兼顧多模態建模能力與實時控制需求。
  • 後驗與線上學習：zero‑shot / likelihood‑guided diffusion posterior sampling 能處理逆問題與不確定性，但成本高；提出 amortized variational diffusion 以離線學習加速推理。同時有工作從理論上指出「擴散策略 + 線上 RL」在受限 MDP 中的複雜度與不相容性。

應用場景

  • 視覺驅動機械手操作、桌面操作與自主抓握。
  • 自動駕駛多模態軌跡規劃與對抗場景生成。
  • 安全關鍵場景下的確定性控制策略提取。

關鍵實體：STEP, diffusion policies, RAPiD, Action‑to‑Action Flow Matching, amortized diffusion posterior sampling, robust constrained MDPs
重要性：高
來源：
arXiv:2602.08245 | arXiv:2602.07322 | arXiv:2602.07102

工具與資源（Tools & Resources）

生成研究綜述與多代理科學發現系統

核心摘要
多篇工作圍繞「讓 LLM 成為研究共同作者」：DeepScholar‑Bench 提出即時網路檢索的生成式研究綜述基準；PiFlow 與 InternAgent‑1.5 以多代理系統做長程科學發現；GraphAgents 利用知識圖譜連結跨尺度材料知識；W&D 分析平行工具呼叫對研究代理效率的影響；UniReason 1.0 則將圖像生成與編輯統一為多模態推理流程。

技術細節

  • DeepScholar‑Bench：從最新文獻與即時網路檢索生成長篇、有引用的綜述，並提供自動化評估。
  • 多代理框架：PiFlow 強調原則感知假設生成與證據鏈接；InternAgent‑1.5 由 generation / verification / evolution 三子系統構成，用於端到端長時程科學探索。
  • 知識圖譜驅動：GraphAgents 在跨領域材料設計中，以知識圖導引代理鍵結分子結構與宏觀性能。
  • 工具調度：W&D 指出現有代理多透過增加「深度」使用工具，提出「寬度」方向的平行工具呼叫以提升效率。
  • 多模態統一推理：UniReason 1.0 把圖像生成與編輯視為世界知識對齊的互補步驟，支持更複雜視覺合成任務。

應用場景

  • 自動化生成文獻綜述、研究提案與實驗設計。
  • 跨模態材料與設計空間探索。
  • 多工具、多來源研究代理的實務部署與性能比較。

關鍵實體：DeepScholar‑Bench, PiFlow, InternAgent‑1.5, GraphAgents, W&D, UniReason 1.0
重要性：中‑高
來源：
arXiv:2508.20033 | arXiv:2505.15047 | arXiv:2602.08914

AIRS-Bench 與 AIReg-Bench：科學代理與 AI 法規合規基準

核心摘要
AIRS‑Bench 收錄 20 個源自 SOTA 機器學習論文的任務，涵蓋語言建模、數學、生物資訊與時間序列，專為評估 LLM 科學代理能力而設計；AIReg‑Bench 則提供首個面向「AI 法規合規性判斷」的公開基準，測試 LLM 對 AI Regulation 條文的理解與適用判斷。

技術細節

  • AIRS‑Bench：任務設計取材於真實 ML 論文，考查 LLM 在推導、證明、數值實驗設計與結果解讀上的能力，試圖接近實際研究工作流程。
  • AIReg‑Bench：標註多種情境下 AI 系統是否符合特定規範（AIR），可測試 LLM 能否從條文推演至個案判斷，支援未來的「合規助理」。

應用場景

  • 評測科學研究代理（research‑science agents）的實際可用性。
  • 建構 AI 法規輔助決策工具與自動化初步合規審查。

關鍵實體：AIRS‑Bench, AIReg‑Bench, LLM agents
重要性：中
來源：
arXiv:2602.06855 | arXiv:2510.01474

免費 LLM 推理 API 清單與 mistral.rs 推論框架

核心摘要
開發者工具面向上，GitHub 專案 free-llm-api-resources 彙整可用的免費 LLM 推理 API；mistral.rs 則標榜「快速、零設定、多模態」的推理框架，支援多模型部署。兩篇技術部落格則分享 LLM coding agents 與 LLM 生成書籍的實務細節。

技術細節

  • free-llm-api-resources：集中維護免費或有限額度的推理 API 資源，可作為快速原型或成本敏感專案的入口。
  • mistral.rs：以 Rust 為基礎，提供多模態 LLM 的高性能、零設定推理；適合作為自部署後端。
  • 部落格實務：
    • Some Thoughts on LLM Coding 討論 coding agents 的設計與工程權衡。
    • Technical Details of My LLM-Generated Book 分析利用 LLM 生成長篇書籍的 pipeline 與限制。

應用場景

  • 低成本/試驗性 LLM 應用開發。
  • 自部署、高性能多模態推理服務。
  • 理解 LLM 在程式開發與長篇內容生成的工程實務。

關鍵實體：free-llm-api-resources, mistral.rs, coding agents, LLM-generated book
重要性：中
來源：
GitHub:cheahjs/free-llm-api-resources | GitHub:EricLBuehler/mistral.rs | blog.dave.tf

產業與應用動態（Industry Applications）

TextOp 與多模態 VLM/LLM 驅動的人形機器與多機器人協作

核心摘要
最新研究將 VLM/LLM 直接引入實體機器人控制層：TextOp 實作文字驅動的人形全身運動生成與控制；一套 VLM‑based 邊緣多模態框架整合語音、表情與手勢；CLiMRS 採用 LLM 為異構多機器人進行群體協商；GF‑VLA 則用資訊論圖融合將視覺、語言、動作對齊，用於雙臂/雙機器人策略推理。

技術細節

  • TextOp：將自然語言映射為人形機器人整身運動參數，支援即時交互，相對於預先定義軌跡或遙控有更高任務彈性。
  • 邊緣多模態框架：在設備端部署 VLM 以處理語音、情緒、面部與手勢，降低對雲端的依賴。
  • CLiMRS：利用 LLM 的規劃與推理做 Adaptive Group Negotiation，使多機器人在空間約束與不確定環境下協同工作。
  • GF‑VLA：透過 Information‑Theoretic Graph Fusion，把視覺、語言與動作統一到圖結構，提升從人類影片到雙臂策略的泛化。

應用場景

  • 家用或工業人形機器人：以自然語言控制複雜整身動作。
  • 情緒與社交感知的人機互動終端（服務機器人、虛擬形象）。
  • 倉儲或製造場域中的異構多機器人長時程協作。

關鍵實體：TextOp, CLiMRS, GF‑VLA, VLM-based Multimodal Edge Framework
重要性：高
來源：
arXiv:2602.07439 | arXiv:2602.06967 | arXiv:2602.08370

視覺導向語義佔據預測與自動駕駛安全感知

核心摘要
自駕感知從單純 3D 占據/檢測轉向「語義佔據預測 + 多模態駕駛語義」：ForecastOcc 以視覺輸入同時預測未來幾何與語義佔據；VLM 表徵用於駕駛場景語義推理與安全評估；LILO（Looking & Listening Inside and Outside）將車外場景與駕駛者狀態融為一體；語言引導 RGB‑T 分割與因子圖增量地圖進一步提升惡劣條件下的感知與定位。

技術細節

  • ForecastOcc：從單目/多目攝影機預測 4D 語義佔據（x,y,z,t），超越僅區分靜/動物體的佔據方法。
  • VLM for driving：利用語言豐富的 VLM 表徵做場景風險理解與決策輔助。
  • LILO：結合車外感知與車內語音/視覺訊號（駕駛注意力、疲勞等），為主動安全決策提供更全面上下文。
  • RGB‑T 與因子圖：語言引導的 RGB‑Thermal 分割改善低光下道路語義理解；因子圖增量映射 + 測量同步/壓縮提升地圖保真與定位穩定。

應用場景

  • 自動駕駛系統的未來場景預測與風險評估。
  • 智慧安全氣囊部署、接管時間預測與駕駛注意力監測。
  • 惡劣氣候與夜間場景下的道路感知與高精地圖維護。

關鍵實體：ForecastOcc, VLMs, LILO, RGB‑T fusion, factor graph mapping
重要性：高
來源：
arXiv:2602.08006 | arXiv:2602.07680 | arXiv:2602.07343

以 ECG 基礎模型與 LDCT 跨疾病推理提升心血管風險評估

核心摘要
臨床影像與生理訊號融合方向上，有研究提出利用「ECG 基礎模型微調預測 CCTA（冠狀動脈 CT 血管造影）結果」，作為低成本、低輻射的 CAD 篩檢替代；另一工作則從 LDCT 影像中同時推理肺部與心臟結構，實現可解釋的跨疾病推理，挑戰現有將兩者視為獨立任務的做法。

技術細節

  • ECG → CCTA：在大規模 ECG 上預訓練 foundation model，再以少量標註 CCTA 結果做微調，可學習 ECG 與冠狀動脈狹窄/斑塊負荷之間的高階關聯。
  • LDCT 跨疾病推理：利用單次 LDCT 同時評估肺病變與冠狀動脈鈣化/心臟結構，並以可解釋模組強調兩者生理互動，而非分離任務。

應用場景

  • 大型人群 CAD 篩檢，降低對昂貴 CCTA 設備與輻射負擔的依賴。
  • 肺癌篩檢計畫中「順帶」評估心血管風險，提升單次掃描的臨床價值。

關鍵實體：ECG foundation model, CCTA, CAD, LDCT, cross-disease reasoning
重要性：中‑高
來源：
arXiv:2512.05136 | arXiv:2511.06625

產業趨勢與觀點（Industry Trends & Insights）

ChatGPT 在美國導入廣告：免費層營運模式轉向

核心摘要
OpenAI 已在美國向登入的成年使用者測試 ChatGPT 廣告，涵蓋免費層與新推出的輕量付費方案 ChatGPT Go。Plus / Pro / Business / Enterprise / Education 不顯示廣告。廣告以「贊助」標示且與模型回答分離，用戶可藉升級或關閉廣告（代價是每日免費訊息數下降）避開。此舉被定位為支撐免費/低價服務與基礎設施成本的新營收來源。

技術細節

  • 實驗設計：僅美國、已登入成年使用者；不同訂閱層級具有不同廣告體驗。
  • 產品機制：廣告呈現為獨立區塊並標記來源；官方聲明廣告不影響模型生成內容，廣告主無法干預回答。

應用場景

  • 以廣告補貼推理成本的免費/低價 LLM 服務。
  • 透過分層訂閱模型（免廣告 + 更高配額）做 ARPU 優化。

關鍵實體：OpenAI, ChatGPT, ChatGPT Go
重要性：高（商業模式變化）
來源：
iThome 報導 | TechOrange 報導 | AI News Podcast

Runway 3.15 億美元融資：從視訊生成走向世界模型

核心摘要
視訊生成創企 Runway 完成 3.15 億美元融資，估值約 53 億美元，並公開表示將從現有 video generation 產品線擴展至更具物理與環境理解能力的「world models / physical AI models」，以滿足企業端對進階模擬與決策支援的需求。

技術細節

  • 現有技術基礎：Runway 自 2023 年起深耕文本到影片與視覺生成，在創作者市場建立一定滲透。
  • 策略轉向：新資金明確指向「world models」，對標具備長時序一致性、物理合理性與可下游決策的模型族群。

應用場景

  • 內容製作：從高保真影片生成延伸到可物理編排的場景模擬。
  • 企業模擬：用於工廠、物流、都市規劃等領域的數位孿生與決策支援。

關鍵實體：Runway, world models, generative video
重要性：高（資本與產品路線指標）
來源：
AI Business | TechCrunch

生成模型公平性：從分類指標到 f‑散度匹配

核心摘要
針對 diffusion 等生成模型的公平性，新作顯示直接沿用分類任務的公平準則（如各敏感群體生成概率平衡）具脆弱性，提出以 f‑散度匹配為核心的「equalized generative treatment」。相關工作亦探討異質資料匹配框架（adaptive centroid matching）、資料供應鏈後門（data‑chain backdoor）與稀疏感知模型合併（SAE）。

技術細節

  • f‑散度公平性：以匹配不同群體間的 f‑divergence 來約束生成分布，而非僅平衡樣本數，減少在高維生成空間中的「偽公平」。
  • Beyond Pooling：透過將樣本匹配到自適應質心緩和異質資料集 pooling 帶來的分布偏差，改善零次跨域泛化。
  • Data‑Chain Backdoor：指出 diffusion models 作為合成資料來源時，若未審計其生成分布，可能在資料供應鏈中攜帶後門。
  • Sparsity‑Aware Evolution (SAE)：在模型合併評分函數中加入稀疏性偏好，透過 iterative pruning‑merging 導向更簡潔模型。

應用場景

  • 公平圖像/文本生成系統設計。
  • 利用合成資料做下游感知任務增強時的風險控制。
  • 多模型合併與壓縮場景中的結構選擇。

關鍵實體：f‑divergences, Equalized Generative Treatment, Beyond Pooling, Data‑Chain Backdoor, SAE
重要性：中‑高
來源：
arXiv:2602.08660 | arXiv:2602.07154 | arXiv:2512.15769

市場動態精選（Key Market Updates）

Shadow Campaigns：國家級駭客大規模鎖定關鍵基礎設施

核心摘要
Palo Alto Networks Unit 42 揭露代號「Shadow Campaigns」的長期跨國攻擊行動，歸因於 TGR‑STA‑1030（UNC6619）。過去一年至少入侵 37 國政府與關鍵基礎設施，並在 2025 年 11–12 月對含臺灣在內的 155 國進行大規模偵察，使用 DynoWiper / LazyWiper 資料破壞工具，利用 SolarWinds Web Help Desk RCE、Zoho ManageEngine RMM 與植入 Velociraptor 進行橫向移動與持久化。

技術細節

  • 攻擊鏈：SolarWinds WHD RCE → 建立初始據點 → 透過 Zoho ManageEngine RMM 擴大控制 → 植入 Velociraptor 作為 C2 與鑑識工具 → 視情況觸發 DynoWiper / LazyWiper 做資料破壞。
  • 攻擊面：IT 服務台系統與 RMM 成為高價值入侵向量，重申供應鏈與管理工具的系統性風險。
  • 受害範圍：風電、太陽能、CHP、製造業與電力設備供應商等能源相關供應鏈多次遭入侵。

應用場景（風險面）

  • 關鍵基礎設施（發電、輸配電、再生能源）。
  • 使用 SolarWinds / Zoho 等第三方管理工具的企業與政府單位。

關鍵實體：TGR‑STA‑1030 (UNC6619), DynoWiper, LazyWiper, SolarWinds WHD, Zoho ManageEngine, Velociraptor
重要性：極高（CI 安全與供應鏈風險）
來源：
iThome 報導 1 | iThome 報導 2 | iThome 報導 3

UNC3886 攻擊新加坡四大電信：Operation CYBER GUARDIAN 應變

核心摘要
中國國家級駭客 UNC3886 被揭露於 2025 年 7 月鎖定新加坡四大電信業者之「關鍵系統」，取得有限存取但未造成服務中斷或客戶資料外洩。事件觸發新加坡史上最大規模聯合網路事件回應「Operation CYBER GUARDIAN」，歷時約 11 個月，動員逾百個單位，由 CSA 與 IMDA 主導。

技術細節

  • 偵測與通報：由電信營運商首先偵測異常並通報監管機構，體現電信業者在國家級攻擊中的前線角色。
  • 回應機制：多機關長期協作，而非一次性緊急處置；細節包括持續監控、威脅狩獵與加固關鍵系統。

應用場景（風險面）

  • 電信骨幹網與核心業務系統。
  • 國家級網路安全協作與演練機制設計。

關鍵實體：UNC3886, CSA, IMDA, Operation CYBER GUARDIAN, 新加坡四大電信
重要性：高
來源：
TechCrunch | iThome 報導

DeFi 攻擊分析與多代理審議式共識的啟示

核心摘要
在區塊鏈與 DeFi 領域，TxRay 等工作回顧過去五年 DeFi 攻擊造成逾 157.5 億美元已報導損失，指向 permissionless 設計帶來的實際安全成本。另一線研究聚焦多代理審議式共識與去中心化 AI（DeAI），以及結合區塊鏈與聯邦學習、智能合約的供應鏈存取控制，凸顯「分散治理 + AI」在安全與責任分配上的新挑戰。

技術細節

  • TxRay：作為 agentic postmortem 工具，分析 DeFi 攻擊路徑與協定設計缺陷。
  • 多代理審議：指出 PoW/PoS 在需保留個體偏好（非僅多數投票）時的不足，提出審議式多代理決策機制。
  • DeAI & FL + 區塊鏈：將聯邦學習結果與存取控制寫入智能合約，用於供應鏈跨組織協作與內部威脅防範。

應用場景

  • DeFi 協定風險評估與事後調查。
  • 多方供應鏈資料共享與模型協作中的存取控制。

關鍵實體：TxRay, DeFi, DeAI, federated learning, smart contracts
重要性：中‑高
來源：
arXiv:2504.02128 | arXiv:2411.17461 | arXiv:2602.01317

編輯洞察（Editor’s Insight）

今日趨勢總結

大型模型生態正朝三個方向同時加速：第一，從文字與 2D 圖像擴展到「視訊驅動 3D 世界」，Vid‑LLM、ForecastOcc、Runway 世界模型與視覺具身代理共同指向「可感知、可操作、可模擬」的統一表示。第二，基礎設施層在面對成本壓力時走向更激進的效能優化：phantom parallelism、DeMo、KV‑cache 壓縮與 token 級自適應計算，都在把每一 FLOP 與每一 bit 通訊利用到極致。第三，生成系統的行為治理從「結果導向」轉為「過程導向」：sycophantic anchors、decision pivots、CGR、reward models from in‑the‑wild interaction，讓我們能在推理軌跡與訓練信號層面進行控制與審計。

安全風險呈現兩極：在雲端與 CTI 場景，LLM 本身被證實存在可預測弱點（漏洞模板、hallucination、jailbreak），而在實體世界，Shadow Campaigns 與 UNC3886 顯示進階對手正將靶心對準關鍵基礎設施與電信骨幹。這與自駕語義佔據、視覺後門、尖峰神經網路後門等技術線索交織，揭示「AI 控制系統」與「AI 攻擊面」同步擴張。

同時，商業模式與治理框架也在再調整：ChatGPT 導入廣告將推理成本壓力顯性化；Faro、f‑divergence fairness、AIReg‑Bench 則嘗試把公平與合規整合進 reward 與評測層。多代理科學發現與 DeAI/聯邦學習上鏈等方向，則預示未來 AI 將更深地嵌入研究與治理流程本身。

技術發展脈絡

在模型與系統層，Transformer 正被重新詮釋為一種可調動力系統：Block‑Recurrent、Momentum Attention、RASP 映射與 token‑level adaptive computation 共同形成一套「機制可解釋 + 動態計算」的研究路線，為後續在硬體與系統上做細粒度資源調度提供理論支撐。與此同時，擴散家族從影像生成滲透到軌跡規劃（RAPiD、STEP）、逆問題後驗採樣與醫療 3D 重建，迫使社群思考如何在保持多模態建模能力的同時，實現近乎即時的推理。

在資料與基準層，我們看到高度專用的 benchmark 正快速湧現：DeepScholar‑Bench、AIRS‑Bench、CausalCompass、CausalT5K、AIReg‑Bench、mTSBench、TS‑Arena 等，將「研究綜述、科學代理、因果推理、時序異常、法規合規」具體化為可量測任務。這種趨勢有助於把抽象的品質要求轉為模型設計與訓練信號，但也意味著系統必須學會在多目標、多指標間協調，包含性能、公平性、可解釋性與能耗。

未來展望

短中期內，值得關注的關鍵問題包括：
1）如何在保持世界模型物理可靠性的前提下，將其運用到安全敏感場景（自駕、機器人、工控）而不放大攻擊面；
2）在計算與通訊越趨昂貴的情況下，phantom parallelism、低秩通訊與 KV‑cache 壓縮能否成為新一代分散式訓練與推理系統的標準構件；
3）在治理面，reward‑level 與 representation‑level 的公平與合規約束（Faro、f‑divergence、公平基準）能在多大程度上實際改變模型行為，而不僅是離線指標改善。

在產品與產業層，廣告化的 LLM 服務、世界模型商業化與 DeFi/關鍵基礎設施攻擊態勢將共同重塑企業的 AI 投入策略：一方面需更精細地計算「推理成本 vs 收益」，另一方面也必須預留資源強化供應鏈安全與 AI 系統的防禦能力。能同時在算力效率、模型可靠性與治理合規上取得平衡的團隊，將在下一輪 AI 部署浪潮中佔據優勢。

關注清單：

  1. 視訊驅動世界模型在具身 AI、自駕與數位孿生中的實際落地與安全風險。
  2. phantom parallelism、KV‑cache 壓縮與 token‑level adaptive computation 的產線導入情況。
  3. reward models from in‑the‑wild interaction 與因果/公平約束的結合效果。
  4. Runway 等世界模型公司在企業市場的產品形態與 API 設計。
  5. Shadow Campaigns/UNC3886 類攻擊對雲端管理工具與 RMM 產品安全要求的連鎖反應。

延伸閱讀與資源

深度文章推薦

相關技術背景

  • 視訊擴散策略（Diffusion Policies）：以條件去噪建模多模態動作分布，適用於機器人控制與自駕軌跡。
  • KV‑cache 壓縮與稀疏注意力：通過 query‑aware 選取、殘差壓縮與稀疏注意力，降低長上下文推理的計算與記憶成本。
  • world models：學習環境動力與觀測分布的生成模型，可用於規劃、控制與模擬。
  • f‑散度（f‑divergence）：衡量分布差異的一般化家族，涵蓋 KL、TV 等常見距離，是生成模型對齊與公平性約束常用工具。
  • Mechanistic Interpretability：將 Transformer 視為可分析的計算圖，追蹤中間神經「電路」以理解與干預模型行為。

本日關鍵詞

Vid-LLM Diffusion Policies phantom parallelism KV-cache 壓縮 sycophantic anchors decision pivots world models ForecastOcc DeepScholar-Bench AIRS-Bench f-divergence 公平性 Shadow Campaigns UNC3886 Runway 融資 TextOp CauScale Sketch&Walk Attention Astro PTQ reward models from in-the-wild interaction GraphAgents

資料來源：820 篇文章 | 分析主題：80 個
資料收集時間：過去 24 小時 | 報告生成時間：2026/02/11 06:50:13 CST