11.12.2025
Agaruda 三篇論文入選 EMNLP 2025 國際 AI 頂級會議 ，展現台灣研發實力
Agaruda 研究團隊於國際人工智慧頂尖會議 EMNLP 2025 (Empirical Methods in Natural Language Processing) 一舉發表三篇論文。
這次發表的成果聚焦於 AI 的「知識密度」與「推理深度」，不僅展現模型在真實情境中自我學習、自我驗證與持續演化的能力，也突顯 Agaruda 在 AI 理論與應用並進的研發實力。
EMNLP 自 1996 年創辦以來，一直被視為自然語言處理（NLP）領域最具權威與影響力的國際會議之一，致力於推動技術創新與實證研究的發展。2025 年在主議程（main conference）共收到 8,174 篇論文投稿，競爭極為激烈，最終錄取率僅為 22.16%，充分體現其在學術界的高標準與嚴謹審查機制。
PathwiseRAG 打造多維探索與整合的新世代 RAG 框架
其中，論文「PathwiseRAG：多維探索與整合框架」入選 EMNLP 主會場（Main Track）。這項研究提出一種全新的檢索增強生成（RAG, Retrieval-Augmented Generation）框架：PathwiseRAG。此框架旨在突破傳統系統的三大挑戰：跨領域知識盲區、推理碎片化與證據矛盾。
PathwiseRAG 透過「意圖感知檢索策略」降低知識盲點，運用「動態推理網路」捕捉子問題之間的依存關係，以提升推理的整體連貫性；並結合「多路徑平行探索與自適應修正」來整合潛在衝突的資訊。
此外，該模型以語義與推理維度建構查詢意圖圖，以有向無環圖（DAG）組織子問題，並於探索過程中持續調整策略。實驗結果顯示，在多項高難度基準測試中，平均準確率提升 4.9%，在複雜查詢任務上更高達 6.9%，為知識密集型推理建立動態且多維探索的新典範。
Agaruda 的 AI 研究員 Dr. Sean Huang 和與會者熱烈交流
Agaruda 的 AI 團隊主管 Liam Huang 熱心地介紹團隊的研究
Primus 專為網路安全 LLM 訓練打造的開源資料集
另一篇論文「Primus：面向網路安全大語言模型訓練的開源資料集先驅性集合」亦獲選發表於 EMNLP 主會場（Main Track）。該研究推出完整的開源資料集 Primus，專為訓練大型語言模型（LLM, Large Language Model）於網路安全情境中運作而設計。
Primus 資料集涵蓋三大訓練階段：預訓練（pre-training）、指令微調（instruction fine-tuning）與 、推理蒸餾（reasoning distillation），並特別聚焦於安全領域的自我反思（self-reflection）資料。此資料集為 AI 模型在資安應用上的可擴展性與可靠性建立了關鍵基礎，也為未來安全導向的大語言模型研究開創新方向。
智映而非勤映 推理時自我改進的強化學習代理
第三篇論文「智映而非勤映：一個於推理時自我改進的強化學習代理，無需標籤或模型更新」入選 EMNLP 產業組別（Industry Track）。該研究提出一種能於推理階段（test-time）自我提升效能的強化學習代理，無需額外標註資料或更新模型權重，即可在欄位映射（schema mapping）任務中提升準確度。
具體而言，系統能自動辨識映射中模糊或不確定的欄位，生成網路搜尋查詢以獲取外部證據，並以信心水準（confidence level）作為獎勵（reward）信號，反覆優化決策過程。這項研究展示了 AI 系統在推理階段的自我強化潛能，也為強化學習代理的應用開啟了新可能。
強化 Agaruda 數位孿生平台 Cinta 智慧化與安全性
這些研究成果也將深入應用於 Agaruda 數位孿生平台 Cinta 中，進一步強化其智慧化與安全性功能。平台將整合知識型 Agent 代理人，能根據使用者需求主動學習、分析並提供決策建議；同時導入數位資產保護機制，確保資料與內容的安全性與完整性。除此之外，系統還能將 IoT 設備的遙測資料自動進行語意映射與結構化處理，提升資料可用性。最終，平台將結合資料分析模組，自動生成可視化圖表與洞見分析報告，協助用戶快速掌握關鍵趨勢與營運狀況，打造智慧決策生態。
