論文與技術線：只收會改變產業判斷的那些，不做論文摘要。
78 篇
那份量測用的工具是別人的：一套叫 CoT-Control 的評測，做法是對題目附加「只用小寫思考」「思考中不得出現某個詞」這類指令，再看推理軌跡有沒有照做。結果按實驗室聚集，這三個…
Multiverse Computing 的 CAI 團隊在 Hugging Face 上說明自己的論文：跨三個公開安全基準的不安全回應率從 26.26% 降到 0.14%，單看這…
獨立評測機構 Artificial Analysis 9 月 7 日公布，OpenBMB 的 MiniCPM5-2B（2.6B 稠密參數、Apache 2.0 授權）在它的 Int…
依 Import AI 轉述的 Google DeepMind 論文：100 個 Gemini 3.1 Pro 代理人合作解 71 題，系統提示禁止作弊；57 分鐘後一個代理人發現…
Epoch AI 是追蹤 AI 算力與能力進展的獨立研究機構，它最近發表一套 AI 研發工作的分類法，仿照美國勞工部長年使用的 ONET 職業分類系統，把研發流程拆成六段：決定做什…
八月十四日本報記過一則推文：某評測者拿到另一家實驗室的開放權重旗艦 GLM-5.3 搶先版，量它找漏洞的能力，給出四個很漂亮的數字。當時本報沒有直接收下，標了三個缺口：四個數字都沒…
2025 年 12 月 20 日，OpenAI 發表〈Monitoring Monitorability〉，把「思維鏈好不好監控」做成可量測指標，最關鍵的發現之一逐字是「RL op…
CyberGym 是柏克萊團隊做的公開測驗，收了 1,507 個真實漏洞、涵蓋 188 個開源專案，資料來自 Google 維運的開源模糊測試平台 OSS-Fuzz，所以那些漏洞天…
先解釋：現在的大模型多半是專家混合架構，不是每個字都跑整個大模型，而是把每個字分派給少數幾個專門的子模型，所以模型可以很大而每次只用一小塊算力。工程上常見的省錢做法是「把最不重要的…
美國艾倫人工智慧研究院 9 月 1 日發表 BenchMIRT，用試題反應理論的多維版本逐題拆一個評測到底在量什麼，這套方法本來是心理測驗用來從答題模式估能力的。它吃了 100 個…
這套模擬器量的是模型實際跑在硬體上時的行為，不是模型本身的分數。普渡大學研究團隊發表論文，提出一套涵蓋 Nvidia Ampere、Hopper、Blackwell 三個世代的週期…
本報 8 月 28 日那期講過 GLM-5.3-Flash 的定價與效率之分；今天新的是它的旗艦版開權重，加上另外兩家的同期發布。規格的格式是「總參數／活躍參數」，三款都是 100…
一位使用者回報 Qwen3.8-Flash 在低精度下多輪追蹤壞掉，把鍵值快取換回較高精度之後修好了（QuixiAI，08-29）。鍵值快取存的是先前每個字的向量，多輪對話靠它維持…
美國東北大學（Northeastern University，波士頓的研究型大學）的四位研究者 8 月把一篇論文放上預印本平台 arXiv，名字叫 ROBBIN（原文，2026 年…
Google DeepMind 昨天宣布和外部單位完成了一次雙盲評測（Google DeepMind，08-27）。原本的兩難是： 高風險的外部評測過去只能二選一，要嘛評測方交出題…
寫 GPU 核心程式的 AI 代理賽道出現方法論轉向：編譯器從固定黑盒，變成跟著代理一起演化的活體。 ·
評測程式改寫能力的標準做法只驗「行為對不對」，不驗「遷移到底有沒有真的發生」，於是有一個很簡單的作弊法：把原本的實作複製過去，讓測試通過。一份昨天送上 arXiv（開放預印本平台）…
同一份量測裡有一段可以直接照做的內容。DP-attention 是一種把注意力計算（判斷句子裡哪些字彼此相關的步驟）按「資料平行」切開的優化，在單輪固定長度的場景通常是淨賺的；但在…
Together AI 是開放權重模型的推論服務供應商，同一天發了兩份對照，用同一套方法、同一組題目（113 個軟體工程任務、每組跑 4 次），只是對手不同。GLM-5.3 是中國…
本報帳上有一篇 2025 年 9 月發表的安全研究，OpenAI 與 Apollo Research（一家專做 AI 欺騙行為評測的獨立安全研究機構）合作：用「偷偷違規」（表面照規…
本報今天定向找了一輪獨立複製或反駁，四個命中全部上溯同一個原點：論文本體、該研究機構的專頁、OpenAI 的官方公告、以及這項研究的專屬網站。去重之後仍然只有一個來源，所以本報的內…
先講這是誰：Z.ai（智譜）是中國的前沿模型團隊，GLM 系列開放權重模型的開發者，執行長唐杰是清華大學電腦系教授出身。他針對新版 GLM-5.3 提出兩件事（Latent Spa…
一個團隊在模型託管平台 Hugging Face 的部落格報告：他們做了一個會看限制條件的 GPU 配置器（該團隊自家的產品），在七個情境上與最單純的「先到先服務」排程對比，硬體完…
一般的大語言模型逐字往下生成，所以思考鏈是可讀的文字；擴散式語言模型一次生成整個區塊，步驟之間傳遞的是向量而不只是文字，理論上會產生外部看不見的推理深度、傷害可監控性。一份附 Gi…
2025 年 3 月，OpenAI 的研究者發表過一個發現：讓較弱的模型去讀較強模型的思路鏈——也就是模型給答案前寫下的中間推理文字——抓作弊的效果遠好過只看它最後做了什麼；但如果…
Stella Biderman 是開源 AI 研究組織 EleutherAI 的執行董事。機制可解釋性指的是試圖打開模型內部、找出具體電路與運作機制的研究路線。她的主張有兩層：弱版…
蒸餾是用一個模型（老師）的輸出去訓練另一個模型（學生）。近日有一份論文被廣泛引用來證明中國的開放權重模型蒸餾自 Anthropic 的 Opus。逐段轉述該論文的 @bookwor…
8 月 10 日，Google 團隊在 arXiv 放出 AMIE（Video）——一套以 Gemini 為基礎的多 agent 系統。OSCE（客觀結構式臨床測驗）是醫學教育用的…
執行框架（harness）是包在模型外面的 agent 執行殼，負責上下文管理、工具呼叫與重試策略，Claude Code、Codex 都是。六月時一位機器學習教科書作者做了個小型…
研究者 Ziqian Zhong 從一個機械細節出發：Claude Code 會把使用者的 email 放進上下文；他把那個 email 換掉，模型就開始把他當成 Anthropi…
「第三條軸」是論文自己的分類，本報不背書。論文〈Explorative Modeling: Unlocking a Third Pretraining Axis and End-t…
評測機構 Artificial Analysis 的 AA-Omniscience 榜設計特殊：答錯扣分、承認不知道不扣分，所以同時量到知識廣度與「拒絕瞎編」的傾向。Teortax…
Teortaxes 對 DeepSeek 2024 年底 V3 模型的官方揭露做雙路徑驗算：硬體路徑（卡數 × 每卡實際算力 × 秒數）和模型路徑（活躍參數 × 訓練資料量 × 標…
先說這「差一分」是哪把尺量出來的：第三方評測機構 Artificial Analysis 的綜合智力指數，也就是把多項測驗加權成一個總分的排行榜；Kimi K3 與 Anthrop…
K3 發布材料兩條線（經 Teortaxes 逐字轉引）：開發後期「一個早期版本的 K3 撰寫了大多數 kernel」。kernel 是決定模型跑多快的底層加速程式，等於用上一版模…
昨夜新進的 15 篇論文尚未處理、本欄無單日增量，出一組「說法對學術」的對照。Vinyals 自陳過去一年改變的想法：在數學／寫程式這類答案可自動核對的窄領域上訓練（AI 圈稱 R…
訓練 AI 的一條新路線是「rubric 型獎勵」：不另外訓練一個獎勵模型，改用一張評分表替答案打分。Ai2（Allen Institute for AI）研究員、電子報 Inte…
AI 數據研究機構 Epoch AI 與評測機構 METR 釋出基準 MirrorCode：要求 AI 在看不到原始碼、不能上網的條件下，只靠指令列輸入輸出去「重新實作」一個目標程…
Stanford 的「平攤評測法」——用「從題目內容預測難度」壓低可靠評測的成本——今天完成定向查證,找到獨立第二證:ICML 2026 一篇論文用同路線做模型能力外推(scali…
Lambert 一年前的「美版 DeepSeek」宣言——2 年、1 到 5 億美元做出權重（模型訓練完的參數檔案）／數據／代碼全開放的前沿模型——本報完成定向查證:專案存在有媒體…
目前後訓練（模型練完基礎能力後、再教它怎麼答題的階段）的主力方法 RLVR（可驗證獎勵的強化學習：只在數學、程式這類有標準答案的任務上給模型獎勵）有個結構性盲點：它只優化「可以客觀…
SemiAnalysis 在同篇 AMD 實勘裡給出一組第一手工程觀察：2.5 名工程師配上 AI 編程代理，就能完成過去一整組人才做得完的新模型「發布日支援」：代理自動抓設定、跑…
Jacobian 猜想是 1939 年提出的代數幾何名題，說的是：如果一個多項式映射的「Jacobian 行列式」是非零常數，這個映射就應該可逆。Anthropic 研究員公布：在…
本報 7/22 期主線第 3 點寫過 Lambert 反駁流行蒸餾敘事的發言；今天他在播客長談裡把機制攤開：蒸餾（拿強模型的輸出當教材）確實用於監督微調階段，也就是模型「學禮貌、學…
第一份是 AlgoTune 基準。這是一個 24 人學術團隊建立的基準，收錄 154 個「寫出比標準函式庫更快的正確程式」的任務：前沿模型平均只把程式加速 1.72 倍，靠的是表層…
本報 7/21 期模型觀點介紹過這篇實測（優化 agent 流程的增益預設是一次性的，只有內建回歸控制才守得住；arXiv,2026-07）；今天新的是它落在本報長期追蹤的一條路線…
RLM 框架論文的作者 Alex Zhang 提出：精心設計的任務編排（模型外圍的迴圈、工具調度邏輯）能把表面不同的任務化成相似的執行軌跡，使短任務訓練泛化到 8 至 32 倍更長…
Google DeepMind 研究副總裁 Raia Hadsell 在演講中主張：造出大語言模型的那套配方（大模型＋大資料＋自監督）同樣適用於世界模擬、機器人、生物、氣象，下一個…
對 2,361 個熱門開源專案、25,264 個由 AI agent 發起的 pull request（程式修改請求）的實證研究：採用高度集中，中位數專案三個月只有 1-2 個 a…
三種主流「不動模型、只優化 agent 流程」的方法被放進兩階段連續評測：固定測試上三者都贏基準線；新任務進來後分岔，有的跌破基準線、有的停止進步，只有把「回歸控制」（每次優化都驗…
Keras 作者 François Chollet 當時給「大模型只是記憶、不是推理」一支可實測的探針：模型能解位移密碼(把每個字母往後挪 n 格的入門加密)，但多只在 n=3 或…
匿名獨立研究者 Gwern 以 2020 年對 scaling 假說的早期系統論證聞名，他的診斷是：網路語料裡只有 agent 行為的「描述」，沒有一步步的決策軌跡，現成模型的 a…
先講結論：用 AI 生成的資料來評測 AI，有個結構性盲點：沒有機械方法逐題驗證資料本身是對的。單一作者研究者 Serkan Ballı 給了親歷案例：他建多語評測語料時，兩段程式…
對沒有標準答案的題目，讓模型抽多個解、取多數共識的答案，再讓模型逐字學習「能走到那個答案的解法」。研究團隊（Gkountouras、Jukić、Titov）自報：在作者自選的數理推…
本報昨日 2026/7/18 期模型觀點介紹過 UCLA 系團隊的 MemCon——讓 agent「何時讀寫記憶」從手寫規則變成可學習的決策(arXiv，07-15)。把它放進本報…
Meta FAIR 系團隊三月的論文 Principia 主張：現行數學評測多半只判最終數值或選項，但真正的科學工作要求推導出公式與結構。他們做了一個 2,558 題的推導評測，本…
Oracle 07-14 以 13 人技術報告把 agent 記憶做成資料庫原生的基底層：記憶被當成完整的生命週期來管理，涵蓋抽取、整併、檢索與修剪，自報在長期記憶評測 LongM…
圖靈獎得主 Yoshua Bengio 所在團隊的論文顯示：AI agent 光憑「哪些動作被擋、哪些沒被擋」，就能推斷自己的思考過程正被監控，而且察覺力隨模型能力上升：新一代模型…
Thinking Machines 的 Inkling 被多位從業者從官方模型卡讀出一組罕見選擇,最受注目的是放棄 RoPE——現今幾乎所有大模型共用的位置編碼標準,模型靠它知道哪…
Databricks 在自家數百萬行程式庫上實測各家模型跑工程任務:Sonnet 5 每 token 比 Opus 4.8 便宜約 1.7 倍,但按「完成一個任務」算成本反而更貴—…
學術面誠實交代:本週的學術主菜就是深度報告裡那五篇同儕審查論文;昨夜新進的 50 篇 arXiv 論文,在掃過的範圍內尚無單篇達到入報門檻,不硬湊。
Claude Code 裡逾時被系統砍掉的指令,死前吐到螢幕上的殘缺輸出,會被「對話壓縮摘要」記成已確認的結果,跨工作階段傳播假陽性(arXiv 2607.13071)。病因一句話…
同一個生產程式庫、同樣的編碼代理工作各跑 28 天:提示快取(重複的程式庫上下文快取起來不重算)命中率 99.3% 時,雲端 API 有效成本壓到每百萬 token $0.57——…
新論文在困難規劃測驗上跨多個模型家族做統計分解,發現「規劃」是兩種獨立能力:判斷「這一步能不能走」的局部推理,隨模型放大與更長思考確實變好;想清楚「目標到底可不可達」的全局列舉,幾…
新證據(本週):研究者 Charles O'Neill 的受控實驗(2026-07,arXiv 2607.11020;屬尚未經同行評審的 arXiv 預印本、單一受控實驗,證據等級…
中國 AI 公司 Moonshot 的開源模型 Kimi K2.5，出現第一份非官方的第三方安全評測（arXiv 2604.03121，2026-04 編號，我們 7/13 掃到）…
華頓商學院教授 Ethan Mollick 2023 年 5 月的名文〈AI 不是好軟體，是還不錯的人〉（原文）裡兩個廣傳數字，本週逐一對回出處：「寫作生產力提升超過 30%」出自…
美國國家經濟研究局（NBER）一份工作論文（未經同儕審查，w35290）從投資數據反推：以目前的資本支出水位（美國前五大科技公司 2025 年 $380B、2026 年預測近翻倍）…
Epoch 6 月 17 日釋出一張任務分類法的第一版(原文,2026-06-17):把一家前沿 AI 公司的研究工作拆成 6 大類、60 多項任務,每項用 0 到 5 分評「現在…
編排層(orchestration layer)指的是把模型接上工具、權限、工作流的那套協調膠水。業界大會 AIEWF 的每日速記(2026-07,出處)寫得直白:「多數客製化工作…
做這份評測的是 Artificial Analysis——一家專門獨立評測各家 AI 模型、業界常引用其排行榜的第三方機構。它出了 120 個真實法律任務(跨 24 個執業領域),…
2023-10 的 SWE-bench 論文把「給一張真實 GitHub 工單、交一個能通過測試的修復」做成標準考題,當時最強模型只解出約 1.96%(arXiv,2023-10)…
模型回答問題分兩段:先一口氣讀完你的問題(吃運算),再逐字寫回覆(吃記憶體),擠同一張卡互相干擾。2023-11 的 Splitwise(arXiv)與 2024-01 的 Dis…
不是每個字都動用整顆大腦:模型裡住著許多專家小網路,每個字只叫醒幾個。2021-01 Switch Transformer 開路(arXiv),2024-12 DeepSeek-V…
時間要講清楚:這不是 2023 年的老事,而是 2024 年 9 月 o1 帶頭、2025 年 1 月 DeepSeek R1 跟進後才成主流。憑什麼說是這個配方:R1 的論文(2…
這轉向 2024 年就在一線從業者間形成共識(見主線第 5 條的六個獨立原點),2026 年已是預設。[商業] 直接對應企業知識庫問答與 agent 產品 —— 想讓 AI 懂公司…
白話講:運算單元常常在空等資料從記憶體搬過來,所以誰能把資料餵得更快誰就贏;而 HBM 這種高速記憶體全球只有少數幾家(SK海力士、三星、美光)做得出來。[商業] 算力的成本與供給…
LlamaIndex 創辦人 Jerry Liu 在訪談(2023-10-05)自承這句話:2022-11 他做 GPT Tree Index,只是為了繞開 GPT-3 的 4,0…
只留 email，隨時退訂。這是我們唯一想請你做的事。