今天真正值得記的不是規格，是一個缺口。

本篇出自 2026年8月30日 晨報

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，多輪對話靠它維持狀態；把它壓到低精度會累積誤差，而誤差在單輪推論裡看不出來、在多輪追蹤裡才爆掉。⚠️ 這是單一使用者的部署經驗，只有一個案例。但它指出的東西是普遍的：發布時的規格與價格全是單輪指標，實際部署的失效卻出現在狀態維持上，而沒有任何一家實驗室在發布時提供多輪穩定性的讀數。照著發布數字做採購決策的人，缺的就是這一項。規格與價格可以並排比，狀態維持的可靠度不能：三家追平規格，不等於買方的採購風險跟著追平。

同類最新

• 模型觀點 2026年9月4日 1 條來源

  一篇 OpenAI 論文的承重發現，被同一家公司八個半月後的系統卡對衝掉。

  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…

• 模型觀點 2026年9月4日 2 條來源

  三家自證用的那把尺，量的是「重現一個你已經被告知的漏洞」。

  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…

• 模型觀點 2026年9月3日 1 條來源

  有人把一款部署中的模型權重整個拆開實測，推翻了一個業界常用的省錢假設。

  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…

• 模型觀點 2026年9月2日 1 條來源

  有人拿心理計量學的工具去拆評測，發現「安全評測」裡有一半在量推理。

  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…