技術面
Agentic AI 分析比較與應用
深入研究 Agentic AI 的 Reasoning（推理）與 Acting（行動）迴圈機制，與同事共同分析市面上主流 AI Agent 的介面、功能差異，並探討其在電信流程中的應用可能性。
VLM 多模態基準測試
建立可量化的指標體系，針對開源高評價 VLM 模型模擬電信場景進行測試，包含低解析度證件 OCR 辨識能力，以及圖文矛盾偵測等多維度驗證。
DeepFake 主流偵測模型分析
持續追蹤 Hugging Face 與 GitHub 上最新開源偵測模型，使用 FaceForensics++、DFDC 等公開資料集進行多維度驗證，發現多數模型在面對最新擴散模型生成的影像時泛化能力不足、誤判率偏高。
技術週報與量化呈現
每週產出結構化技術週報，將研究數據量化呈現，協助團隊評估未來部署「科技防詐系統」時，後端驗證演算法應具備的抗干擾能力。
非技術面
溝通協作
定期與主管進度回報，學會在提出問題前先整理好背景與嘗試過的方案，讓討論更聚焦。與同事協作時，透過共筆文件同步研究進度，減少資訊落差。
時間管理
每週規劃當週任務優先順序，將長期研究（如 DeepFake 週報）與短期任務（如模型測試）穿插安排，確保每日都有明確產出。
問題拆解
面對「評估 DeepFake 偵測模型」這類大範圍任務，學會先拆解為文獻蒐集、資料集準備、模型部署、指標設計、報告撰寫等子步驟，逐一推進並追蹤完成度。
主動學習
遇到不熟悉的技術（如DeepFake偵測模型），先查閱論文與技術部落格建立基礎認知，再向大型語言模型詢問、統整資料，並將學習內容整理成筆記，方便日後回顧與團隊分享。