AI Digest

Aderant 雲端工程團隊透過 Amazon Quick 整合分散在六個系統的維運資訊，成功解決資訊孤島問題，讓搜尋效率提升九成，並大幅縮短文件製作流程，提升法律雲端平台的支援速度。

Amazon Bedrock AgentCore 新增以 AWS Lambda 為基礎的程式碼評估功能，協助開發者建立精準且低成本的自動化測試流程，解決 AI 代理進入生產環境的穩定性問題。

亞馬遜展示 Nova 2 Lite 模型在內容審核的潛力，透過提示詞技術結合 MLCommons AILuminate 標準，讓企業無需重新訓練模型即可靈活調整政策，有效在安全性與用戶體驗間取得平衡。

Amazon Quick 宣布正式整合 Atlassian Confluence Cloud，讓團隊能直接透過自然語言指令搜尋並管理文件。此舉解決了企業內部資訊碎片化的痛點，透過單一介面串接 S3、Jira 與文件庫，大幅提升協作效率並強化數據驅動的決策品質。

OpenAI 與 Dell 宣布合作，將 Codex 導入地端與混合雲環境，讓企業在確保資料安全的前提下，能於自有工作流程中部署 AI 編碼助手，降低開發門檻。

本研究提出 CNA 技術，僅需前向傳播即可鎖定關鍵神經元。與傳統殘差流方法不同，此技術能在大幅降低模型拒絕率的同時，完全保持生成的流暢度，不受干預強度影響。

本研究針對 27 個開源 LLM 進行統一測量，發現活化值最大值受架構與訓練階段顯著影響而非僅關乎模型規模，並揭示 MoE 模型具有較低峰值等關鍵特性，為低位元量化部署提供核心參考。

本研究提出 Agent Bazaar 模擬框架，評估 AI 代理人在市場中的經濟對齊能力。透過強化學習訓練與 EAS 評分指標，成功解決了價格劇烈波動與女巫攻擊導致的信任崩潰問題。

本研究提出 SNLP 框架，透過結構化牛頓修正將 Transformer 的循序運算轉化為可平行處理的非線性方程組。結合特定正規化技術，在大幅提升推論速度的同時，甚至能改善模型的預測精準度。

本研究提出 ZEDA 框架，透過注入零輸出專家與兩階段自我蒸餾，將預訓練後的 MoE 模型轉化為動態架構，在維持精準度的同時，成功節省超過 50% 的計算量並提升推理速度。