深度分析
Z.ai 發布 GLM-5.2：7530 億參數開放權重模型，搭載 IndexShare 長階段編碼優化
中國新創Z.ai推出7530億參數的開放權重大語言模型GLM-5.2，具備1百萬token上下文與IndexShare架構，顯著降低運算成本。測試顯示其在長階段軟體工程與工具使用上超越多數封閉模型，可能重塑企業AI部署與開源生態，加速研發與成本效益。
開放權重模型
深度分析
以 LLM 註記 RAB‑Cred：評估丹麥難民裁決中可信度判讀的可行性
本研究以丹麥庇護裁決文本建立RAB‑Cred資料集，測試以開放權重的大型語言模型（LLM）做零樣本與少樣本註記。研究比對多款模型與多種提示，並分析錯誤類型與一致性。結果指出LLM具成本優勢但標註不穩定，建議採用模型或提示混合集成與人類覆核。可供後續研究採用。
深度分析
對話式序列化教學模型：開放權重 Qwen 在程式除錯學習的效能提升
本研究針對程式教育中的學生行為模擬，提出將真實的程式提交與測試回饋序列化為對話式資料，以訓練開放權重的程式學習者模型。方法結合監督式微調與偏好最佳化，使 4B/8B Qwen 模型在模擬除錯行為上優於僅程式碼或大型封閉模型的基線，提升功能對齊與程式碼相似度。