Being, Doing, Having:為何 50 年資深開發者的實踐重於上下文而非程式碼
本文以 50 年軟體開發經驗為基礎,探討 AI 代理在教學與實務中的 Being–Doing–Having 框架,並提出以 Synthetic Scar 為核心的上下文設計方法。
本文以 50 年軟體開發經驗為基礎,探討 AI 代理在教學與實務中的 Being–Doing–Having 框架,並提出以 Synthetic Scar 為核心的上下文設計方法。
AI 合約審查工具在被用於律師、採購或營運團隊之前,需要先經過 16 個合成失敗測試,以確保其能正確引用來源、辨識欠缺條款、並在缺乏證據時停止回覆。 - 測試內容:包含缺失條款、虛假前提、檔案衝突、未讀取檔案、抽象引用等 16 種失敗類別。
推薦理由:ARC Prize 提供 ARC-AGI-1 與 ARC-AGI-2 的分數及單題成本,可比較 Inkling 2 Small 在兩項基準上的表現與成本。
summary_zh: Tensor Parallelism、Pipeline Parallelism 與 Data Parallelism 三種策略說明瞭 LLM 推論在多 GPU 上的擴充套件方式與延遲影響。
Nace AI 推出 27B 的 Drex Max,專門為提供的選項評分、不生成文字;在 Decision Bench v4 上,其表現與 GPT-6 Sol 統計上持平。
Peter Norvig 回應 Chomsky 對統計語言模型的批評,主張模型的工程成效可為科學理解提供證據,且語言中的不確定性適合以機率方法描述。 - 模型與科學:文章區分統計模型、機率模型與訓練模型,並以物理學和拼字例子討論準確描述與理論洞見的關係。
Thinking Machines Lab 發布第二代 Inkling 系列首款模型 Inkling 2 Small,這款稀疏 MoE 模型有 594B 總引數、17B 啟用引數,支援文字與影像輸入,並可調整推理強度。
Counterfactual Self Architecture(CSA)提出一套架構,用來呈現個人經歷在不同決策下可能如何分歧,並明確區分歷史證據、合理假設與推測性敘事,讓各種假設可供檢視與稽核。
導語:兩個獨立模型面板對 MMLU 答案鍵錯誤進行交叉檢驗,精度從約 1/5 提升至 1/3。 要點: - 共識檢測:在 6,127 個問題對中,兩面板同時標記且答案相同的 227 例中,專家認定 38 例實際錯誤,精度 33.6%。
推薦理由:Inkling 2 Small 在 AA Intelligence Index 得分提升的同時,輸出 token 數與單次任務成本也增加;各項基準差異可用來比較其代理任務、程式編寫與研究能力。
Baidu 發布 ERNIE 5.5 Flash Base,這款 280B 引數的稀疏 MoE 文字基礎模型,每個 token 啟用 14B 引數,權重僅經預訓練,未經中間或後續訓練。
Hy4 是騰訊最新的大型語言模型,已被評為全球領先的開源 AI 模型之一。 - 多模態能力:首次加入影像理解、圖表分析、數學視覺推理與電腦使用功能,支援影像處理與 GUI/CLI 互動。
提示工程框架 本手冊提供結構化的提示工程方法,協助實務者將原型快速轉為可上線的系統,並強調驗證、回溯與模組化設計。• 核心框架分為結構框架、推理技術與系統模式,涵蓋 RTF、CoT、CoVe 等多種組合。
webAI 開源 TwIL-8B,這款以 IBM Granite 4.2 8B 為基礎打造的 8.8B 模型,針對數學、程式設計與指令遵循訓練。
BudgetMix RL 透過在訓練時隨機調整回合預算,提升 LLM 代理在不同回合限制下的穩健性。 - Pass@(K,T) 評估:結合嘗試次數 K 與單次最大回合 T,揭示 RL 訓練優勢主要來自錯誤恢復與長序列韌性。
Kimi K3.1 Pro 下載量 1.56 TB,引數 2.8T,實際效能在多數測試中落後 Claude Opus 5.5 20 行。 - 檔案結構:96 個 safetensors 片段,總大小 1,561.29 GB,平均 16.99 GB,最大 16.99 GB,最小 0.09 GB。
本文說明為何 AI 在長檔案末段會表現粗糙,並提供拆分檔案、重複指令、分段摘要等實務技巧。 - 原因:上下文視窗限制、注意力分佈偏向前段、輸出長度限制導致後段被壓縮。
Agent SQL 迴圈在處理未知表大小時,成本門檻與樣本探測兩種策略各有優劣,本文提供可行的路由規則與實作範例。\n- 成本門檻:使用 EXPLAIN (FORMAT JSON) 估算總成本,若超過預設 COST_BUDGET 或檢測到大型關聯表的順序掃描,即拒絕執行並請求重寫。
百度開放 ERNIE-5.5-Flash-Base 權重,提供尚未經中訓練與後訓練的基礎檢查點,供領域適配、指令微調與 RL 研究使用。
推薦理由:模型保留預訓練後、尚未經中後訓練的檢查點,並提供基準分數與長上下文注意力設計,可供評估領域適配與指令微調的起點。
本文分享了在從影片字幕中提取工具資訊時,如何透過驗證證據與調整查詢來顯著降低 AI 幻覺的實務方法。 - 證據驗證:要求模型提供逐字引用、核對名稱與時間戳,未驗證專案即剔除。
Artificial Analysis 評測騰訊混元 Hy4,其在 Intelligence Index v5 得分 35,與 Grok 4.7 (xhigh) 持平,較 Claude Haiku 5.5 (max) 低 1 分。
推薦理由:Artificial Analysis 的評測呈現 Hy4 在AI 助理程式設計、知識推理與幻覺率上的不同表現,並提供同類模型的成本比較,可用來理解能力與價格的取捨。
Baidu 發布 ERNIE-5.5-Flash-Base,這款尚未經過中期訓練或後訓練的 MoE 基礎模型,旨在提供開放的後續訓練起點。
推薦理由:文章比較 ERNIE-5.5-Flash-Base 與三款相近規模基礎模型的多項基準,呈現其推理、程式與長上下文表現,以及各項評測的差異。
推薦理由:Artificial Analysis Intelligence Index v5 與多項基準呈現 Hy4 的推理、程式代理和知識表現,也揭示其幻覺率與成本差異。
Kimi K3.1 Pro 是 Moonshot AI 推出的多模態 MoE,採開放權重,總引數為 2.8T、啟用引數 104B,上下文視窗為 1M tokens。
推薦理由:多項公開與內部基準呈現 Kimi K3.1 Pro 在程式執行、研究、3D 建模及金融檔案分析上的表現,也交代幻覺測試的適用範圍。
Edge-to-Cloud 群控協調 針對極度資料稀疏的精準腫瘤臨床工作流程,提出由邊緣代理、區域協調器與雲端層構成的三層架構。 - 不確定性加權共識:使用 Bayesian product‑of‑experts,能在每個節點樣本不足 5 筆時自動放棄貢獻,提升整體準確度 30–40%。
webAI 推出以 IBM Granite 4.2 8B 為基礎進行後訓練的 TwIL-8B,這款 8.79B 引數的推理模型在 MATH-500 得分 98.2,權重以非商業授權開放下載。
Quasnooze 是一個開源 Node.js 專案,示範如何在本地 AI 助手中加入後置審核機制,以偵測代理式幻覺並提示使用者。 - 核心機制:在每個回合結束時,auditReply 會把模型回覆、工具執行痕跡與記憶事實做比對,產生警示標記。
推薦理由:Axiom Math 將代數幾何參考書轉為 Lean 可逐行檢查的程式碼,說明形式化證明如何累積成可重用的知識庫。