跳到正文
2026 年 11 月 22 日 · 星期日每天 08:00 出刊

日報 · 2026 年 11 月 22 日 · 星期日

888NEWS

第 60 期222026 年 11 月星期日
36件大事16個來源5件一手發布5個新模型約 22 分鐘讀完
頭條

Lean 與 Mathlib 社群確認黎曼猜想證明通過查核

Lean 與 Mathlib 社群表示,Levent Alpöge 提出的黎曼猜想證明已由多人重複編譯查核;另一位數學家也公佈獨立證明,但兩者仍未完成專家驗證。研究者追蹤近兩百萬則含假憑證的提示詞,發現 AI 服務鏈存在提示詞外洩與資料遭竊風險;Humanity Protocol 則因多簽金鑰存於遭入侵筆電,損失 3,600 萬美元。

01

模型發布/更新

MarkTechPost

Baseten 推出 Bison-1 和 Groundhog-1 決策模型

有些工作需要 AI 判斷是否符合條件、從選項中挑答案,或給出分數,不必另外生成一段文字。Baseten 推出 Bison-1 和 Groundhog-1,兩款模型都能讀取文字與圖片,並處理最多 128k tokens 的內容;Bison-1 在 Artificial Analysis Decision Index v2.1 得 76 分,Groundhog-1 目前還沒有正式分數。兩者也可透過 Baseten API 使用,或下載 Hugging Face 上的 BF16 權重;文章列出的輸入價格分別是每 1M tokens $0.10 和 $0.035。

MarkTechPost

OpenAI 推出 GPT-Live-1.1,語音連線待機每分鐘 $0.02

語音服務在使用者沉默時仍會產生費用,OpenAI 推出的 GPT-Live-1.1 加入了較便宜的待機狀態。這款語音模型能一邊聽、一邊說,支援多語言對話;待機時會暫停推論,但保持 WebRTC 連線,使用者開口後可以接著對話。待機費用是每分鐘 $0.02,啟用時則是 $0.05。OpenAI 表示,新版在口音、轉錄和完成任務方面有所改善,但沒有公佈評測分數;後端模型與工具的費用則另外計算。

Dev.to Top Tech

POCKET-27B-Pi 如何在一張 24 GB 顯示卡上執行

在自己的電腦上跑大型程式設計模型,常會卡在顯示卡記憶體不夠。POCKET-27B-Pi 的 Q4_K_M 模型檔是 16.5 GB;作者依模型設定計算,使用 64K 上下文時,快取約佔 4.0 GiB,合計約需 19.55 GiB,能放進一張 24 GB 顯示卡,還要留空間給運算。VIDRAFT 測試 48 項 Terminal-Bench 2.1 任務,模型完成 28 項;這是合作夥伴自行測得的結果。文章也說明如何估算不同快取設定和同時執行多個工作時的記憶體需求。

Dev.to Top Tech

Gemini 4 Hydrogen 和 GPT-6.1 Terra 評測:Hydrogen 在 9 項共同基準中贏了 8 項

挑模型時,分數較高的選項也可能比較貴,而且公開測試不一定符合自己的工作。作者比較 Gemini 4 Hydrogen 和 GPT-6.1 Terra 在 Google 模型卡上都有分數的 9 項基準,Hydrogen 贏了 8 項,Terra 則在科學類終端機測試勝出;這些結果由 Google 執行,兩款模型的測試條件可能不同。依文中列出的標準 API 費率,輸入 2,000 萬、輸出 500 萬 token,每月費用分別是 $67.50 和 $45.00。文章建議用自己的工作測試分數、費用和成功率,再決定怎麼選。

Together AI (@togethercompute)一手

Together AI 推出 Qwen4 Max 限時 7 折,展示它修正 Tornado 程式碼

修正程式碼時,要先從大量檔案中找出問題所在。Together AI 表示,他們把一份錯誤回報和 Tornado 專案的 344 個檔案一次交給 Qwen4 Max,模型找出相關程式碼並寫好修補內容。接著執行了 Tornado 的 1,673 項測試,沒有失敗;這次請求花了 $0.69。貼文也提到,Qwen4 Max 在 Together AI 上的優惠到 11 月 22 日為止。

02

產品發布/更新

Together AI Official Blog一手

Qwen4 Max 在 Together AI 上線,單次請求修補 Tornado 錯誤

要找出大型程式專案裡的錯誤,常得先挑出相關檔案;Together AI 把整個 Tornado 專案和錯誤描述一次交給 Qwen4 Max,沒有使用工具或先搜尋檔案。模型在 72 秒內提出修補程式,找出兩個關鍵檔案,修補後通過維護者為該錯誤寫的兩項測試,也通過整套 1,673 項測試;這次請求費用為 69 美分。文章也說明瞭服務價格、串流使用方式與提示詞快取。這是單一案例,展示模型處理大型程式專案的方式與成本。

hackernews100

LookAtMyQuant 用較小檔案儲存模型表現,並支援 Apple Silicon 執行

模型檔案縮小後,回答品質可能跟著下降,也很難知道不同壓縮方法差多少。作者推出 LookAtMyQuant,會估算模型各部分壓縮後對輸出的影響,再分配儲存空間;新版也提供可在 Apple Silicon 上執行的模型與工具。以 Inkling-2-Mini 為例,5.38 GB 版本在 GSM8K 解出 134 題、HumanEval 通過 60 題;8.87 GB 版本在 GSM8K 解出 148 題,與原始模型相同。這些比較呈現了縮小檔案後的測試結果,也顯示表現會因模型大小與測試專案而異。

AWS Machine Learning Blog一手

Amazon SageMaker HyperPod 推出 Slurm 叢集擴充套件,管理監控與使用者設定

共享的 Slurm 叢集常得靠多份指令碼和設定檔管理軟體、監控資料與使用者帳號,節點增加或更換後也容易出現設定不一致。Amazon SageMaker HyperPod 推出叢集擴充套件,讓管理者透過 API 或主控臺安裝、調整和更新監控與使用者管理功能;設定送出時會先檢查,之後套用到每個節點,並回報狀態與問題。監控擴充套件可把節點、GPU 和 Slurm 工作的指標送到指定的監控服務;使用者管理擴充套件則能讓各節點維持一致的帳號與許可權。組織專用軟體仍可用自訂 AMI 或生命週期指令碼管理,每項功能應由其中一種方式負責,避免互相衝突。文章表示這些擴充套件不另收費,但使用的 AWS 服務仍照常計費。

Dev.to Top Tech

DeepSeek API 開放多種工具,文章比較 Flash 和 V4-Pro 怎麼選

自己串接網路搜尋、讀取檔案和網址等功能,常得另外處理工具怎麼運作與收費。DeepSeek API 把這些工具整合進服務,開發者可用引數啟用;搜尋、讀取網頁和 OCR 等費用會另外計算。文章比較 deepseek-flash 和 deepseek-v4-pro:Flash 支援圖片,離峰時每 1M 個輸出 token 收 $0.60,V4-Pro 則收 $1.98;Flash 的同時處理上限也較高。V4-Pro 適合小規模、只處理文字的複雜推理工作。若服務面向大眾,DeepSeek 要求開啟安全檢查,內容審查等責任仍由開發者承擔。

Addy Osmani (@addyosmani)

Claude Code 推出實驗性 Code Mode,可用 JavaScript 編排多步工作

Claude 一次處理多個步驟時,逐一呼叫工具會花時間,也可能把大量搜尋結果塞進上下文。Claude Code 的實驗性功能 Code Mode 會用 JavaScript 編排多個工具操作,例如平行搜尋多個檔案、整理結果,再批次修改;長時間工作也能在背景執行,最長可達兩小時。使用者仍可照常用提示詞和 Claude 互動,也能用 `/tasks` 檢視及管理背景工作,或按 Ctrl+O 檢視 Claude 產生的 JavaScript。每次工具呼叫仍受現有許可權規則和沙箱限制。

Lobste.rs (Engineering Discussion)

miniPG 把 PostgreSQL 裝進單一執行檔,免啟動資料庫伺服器

有些自架軟體需要 PostgreSQL,使用者得先安裝並維持資料庫伺服器運作,試用起來不太方便。作者做出 miniPG,把完整的 PostgreSQL 伺服器和使用者端包進單一執行檔;指定一個資料夾就能建立資料庫、執行查詢,也能讓需要 PostgreSQL 伺服器的軟體使用它。程式結束後不必另外關閉資料庫服務,資料仍留在磁碟上。miniPG 適合本機、單人使用;若要在雲端服務多人或使用複本,作者建議照一般方式部署 PostgreSQL。

Google Research一手

Google 把 Duplex 電話功能帶進 Gemini Tasks,替使用者聯絡商家

訂位或預約常得打電話,商家可能臨時改口、提出別的時段,電話環境也常有背景雜音。Google 將 Duplex 整合進 Gemini App 的 Tasks,讓它能代替使用者打電話處理日常事務,並用 Gemini 理解需求、安排步驟和接續對話。這套系統從只能處理固定任務,逐步發展到能依文字描述應付不同需求,例如配合行事曆空檔安排汽車保養。每通電話一開始都會說明是 Google 的自動化系統,商家也能選擇不接這類電話。

AWS Machine Learning Blog一手

AWS Quick 更新流程、網頁工作區與多個 AI 助理協作功能

團隊的工作流程常靠某個人記在腦中,其他人接手時容易重做,成果也不一致。AWS Quick 這次更新後,使用者可以用聊天描述工作流程,讓 Quick 串起 AI 助理、技能、工具和資料;例如把每月財務報告的計算、檢查和草稿整理成團隊可共用的流程,再由人檢查並核准。新版網頁也能整理待處理事項,並在關閉瀏覽器後繼續執行工作;多個專門的 AI 助理還能分頭處理同一個請求。管理員可設定提示詞防護政策,Quick 也新增 Meta ads 和 Amplitude 連接器。

03

產業動態

Lobste.rs (Engineering Discussion)

Dragos 用假憑證追查 AI 服務流向,發現提示詞外洩與資料遭竊

把工作內容交給 AI 服務後,提示詞可能經過多家公司,隱私設定也不一定能管到每一站。Dragos 研究團隊在約五個月內送出近兩百萬則含有專屬假網址與憑證的提示詞,追蹤它們後來被誰碰觸,發現三家服務供應商遭入侵、部分轉售商能檢視並保留客戶提示詞,也有供應商未遵守資料保護設定。研究團隊建議敏感工作盡量直接使用一線服務商、謹慎挑選轉送服務,並放入不會用於真實系統的假憑證;一旦有人嘗試使用,就能追查提示詞是否外流。

Solidot

GTA 6 預購加首日銷售額達 37.9 億美元

GTA 6 上市首日賣得怎麼樣,Rockstar Games 的母公司 Take-Two Interactive 披露了預購加首日銷售額。這筆收入達到 37.9 億美元,是娛樂產品史上最高的首日收入,也高於《復仇者聯盟 4:終局之戰》29 億美元的全球票房。Take-Two 沒有公佈遊戲賣出幾份;文中也提到,GTA 6 的開發成本估計可能超過 15 億美元。

Dev.to Top Tech

Aztec Connect 停用三年後仍遭竊 219 萬美元,作者提醒退役合約先移走資金

合約停用後,只要還留著資產,仍可能被攻擊者利用。作者表示,Aztec Connect 在 2024 年交出管理許可權後,合約無法暫停或修改;2026 年 6 月,攻擊者利用驗證程式和結算程式對同一資料的解讀差異,從合約取走約 219 萬美元。這不是破解零知識證明,而是驗證結果交給其他程式處理時出了問題。作者也提到同一週還有其他舊合約遭竊,建議團隊在放棄管理許可權前先移走資金,並盤點仍持有資產的退役合約。

The Hacker News

四項 Apache、Cisco、SAP 與 VMware 漏洞遭利用,CISA 要求美國聯邦機關修補

CISA 將 Apache Roller、Cisco Expressway、SAP NetWeaver Enterprise Portal 和 VMware vCenter 的四項漏洞列入已知遭利用清單,並要求美國聯邦行政部門在 2026 年 11 月 23 日前修補。這些漏洞可能讓攻擊者執行程式、下達系統指令、檢視或修改伺服器資訊,或繞過登入;所需條件各不相同。Apache Roller 維護者已確認漏洞正遭利用;Cisco 漏洞曾被用來入侵一家俄羅斯組織,研究者公開 PoC 後也有相關報告。VMware 漏洞則被連結到一個疑似與中國有關的間諜組織;SAP 漏洞目前沒有公開的實際利用報告。文中指出四項漏洞都已有修補版本。

Dev.to Top Tech

Humanity Protocol 因筆電存有多簽金鑰,遭釣魚攻擊損失 3,600 萬美元

Humanity Protocol 有員工收到假冒 Bithumb 的郵件,開啟附件後筆電遭入侵,團隊因此損失 3,600 萬美元。問題在於,先前主網上線時,管理金鑰和足以通過多簽門檻的金鑰都備份在這臺筆電上;一臺電腦因此能控制原本要多人同意才能動用的資產。文章建議把正式環境金鑰移出個人裝置,並用硬體安全模組保管,同時加強有金鑰許可權者的裝置管理與釣魚演練。核心提醒是,多簽能否擋住單一裝置遭入侵,取決於金鑰實際放在哪裡。

aihot

研究者埋下 200 萬個金絲雀連結,揭露 AI 服務鏈的資料外洩

把敏感提示詞交給 AI 路由服務後,使用者很難知道資料還會流向哪些公司。研究者在送出的請求中放入 200 萬個追蹤連結,測試資料是否會被其他服務讀取;他們發現,送往 MiniMax 的提示詞中,連結曾被存取,無論請求是直接送出,或經由 AtlasCloud、Novita 和 StreamLake 轉送。OpenRouter 表示已通知客戶,並移除 MiniMax 模型端點的「零資料保留」標籤。這項測試呈現了 AI 服務鏈中的資料流向風險。

The Economic Times · ETtech

Nvidia 的會計作法成為美國 SEC 調查焦點

美國 SEC 正調查 Nvidia 的會計作法,兩名知情人士表示,調查人員正在檢視可能的會計問題。調查何時開始、具體查哪些問題,目前都還不清楚;調查本身也不代表公司違法,案件可能不會進入執法程式。報導提到,Nvidia 去年改以客戶總部所在地,而不是帳單地址,呈現各地營收,並因此不再單獨列出新加坡。這項改動和公司支援 AI 產業的融資安排,讓投資人更關注營收資訊是否足以呈現公司的財務風險。

TechCrunch · AI

Signal 在 Android 和 iOS 限制截圖,防止 AI 助理讀取聊天畫面

作業系統裡的 AI 助理可能讀取螢幕內容,讓 Signal 難以保證聊天資料不被其他服務取得。Signal 宣佈在 Android 和 iOS 限制使用者截圖;Windows 版原本就預設禁止截圖。使用者仍可關閉這項設定,但 Signal 執行長 Meredith Whittaker 表示,這會破壞隱私保障。她也說,限制截圖還不完整,無法防住 AI 助理透過其他較隱蔽的方式讀取應用程式資料。

04

論文研究

hackernews100

Lean 與 Mathlib 社群確認黎曼猜想的 Lean 證明通過查核

黎曼猜想的證明很長,光是能編譯成功,還不能確定它證明的命題正確。Lean 與 Mathlib 社群表示,Levent Alpöge 在 2026 年 11 月 20 日發布的證明包含 1,700 萬行程式碼,並由社群多人重複編譯。宣告說,兩種工具確認程式證明的正是 Mathlib 收錄的黎曼猜想;Lean 官方核心與多個獨立證明檢查器也檢查了匯出的證明。這些查核分別確認命題、程式和證明本身,讓社群有根據地認可這項成果。

Latent Space

Claude 協助提出黎曼猜想證明,另一位數學家也公佈獨立證明

兩位數學家在相近時間提出黎曼猜想的獨立證明,但目前都還沒有完成專家驗證。Anthropic 數學家 Levent Alpöge 表示,Claude 協助他完成一份以 Lean 程式碼寫成的證明;檢查者確認程式描述的是廣義黎曼猜想,程式仍在編譯,模型版本和人類參與程度也尚未公開。另一位數學家 Alessandro Masullo 則公佈了自己花 12 年撰寫、約 940 頁的草稿。這篇文章關注兩者的差別:AI 協助的版本可能較容易用程式檢查,卻長到幾乎沒有人能讀完;人工撰寫的版本容易理解,但也還需要確認是否正確。

Rohan Paul (@rohanpaul_ai)

馬裡蘭大學研究:AI 模型能從文字辨認匿名評論作者

匿名審查和化名帳號常假設只看文字,別人認不出作者,但前沿模型可能做到。馬裡蘭大學研究團隊只提供一段文字和零樣本提示,沒有網路搜尋、其他工具或候選名單,測試模型能否分辨文字由人還是 AI 撰寫、辨認是哪個實驗室的模型,以及猜出作者是誰。Claude Fable 5.2 在 398 篇未公開作者身分的匿名審查中,辨認出 56% 的審查者;對一年發表超過 500 則留言的 Reddit 使用者,辨認出 69% 的帳號。研究提醒,仰賴匿名投稿或化名交流的服務,應測試前沿模型是否能從文字辨認作者。

aihot

Columbia 與 MIT 論文展示 Claude 找到更快的 3SUM 與 APSP 演算法

3SUM 和全對最短路徑都是長期難以加快的問題,研究者過去認為它們的運算時間很難再改善。Columbia 與 MIT 的論文指出,Claude 找到一種更快計算長而窄矩陣中特定元素的方法,再透過已知的轉換,讓 3SUM 的時間降到 O(n^1.9992),全對最短路徑降到 O(n^2.9995)。這些改善幅度不大,卻足以推翻相關的難度猜想;研究也用 Lean 4 形式化驗證證明。

Dev.to Top Tech

Claude 協助提出的黎曼猜想證明通過 Lean 編譯,還不能算證明成立

程式通過 Lean 編譯,只表示機器檢查了程式中的推理步驟,還不能單靠這點確認它證明的就是數學家所說的黎曼猜想。文章整理了 Levent Alpöge 與 Claude 協作提出的證明候選:MIT 的 Andrew Sutherland 獨立編譯程式碼,結果通過,但確認程式中的命題和正式版本相同、再用多個獨立核心重新檢查的程式,當時還沒有結果。編譯也不會自動發現命題寫得較弱、定義遭替換,或證明用了額外假設。作者因此提醒,應等後續檢查與同儕審查完成,再稱它為已證明。

Rohan Paul (@rohanpaul_ai)

UT Austin 論文中的 Darmok 解完 2026 年填字錦標賽 7 道題

英國隱語填字常用容易誤導人的文字遊戲藏起答案,而且只要填錯一格,就排在所有全對的解答之後。UT Austin 論文介紹的系統 Darmok,在 2026 年 Times Crossword Championship 解完全部 7 道題,沒有出錯,並在決賽中比人類冠軍快 3 分 13 秒。決賽時,主要服務明顯變慢,備援方式補上 30 個答案中的 17 個。這場比賽也顯示,系統遇到服務延遲時,備援路徑能協助完成作答。

Rohan Paul (@rohanpaul_ai)

NVIDIA 研究把重複的 LLM 推理改成 CPU 程式執行

LLM 遇到題目換個說法或數字,常會重新推理一次,讓重複工作花上更多成本。這篇 NVIDIA 論文讓 Claude Opus 4.5 把推理過程轉成可替換輸入的 Python 函式,之後由 CPU 執行;只有像擷取數值這類小型文字工作,才交給微調過的 1B 模型處理。這套方法在 8 項數學與科學基準中的 7 項,準確率追平或高於原模型;在 AIME '25 的分數是 93.3%,原模型是 83.3%。研究也指出,遇到改寫或換數字的題目時,這種做法至少能處理 90%,成本可降低 16 到 291 倍。

05

技巧與觀點

Dev.to Top Tech

Claude 與黎曼猜想:17,000,000 行 Lean 程式碼證明瞭什麼,還沒證明什麼

有人聲稱和 Claude 一起找到了黎曼猜想的證明,但這份成果目前還不能算是已確認的證明。數學家 Levent Alpöge 公開了 Lean 4 程式碼,讓電腦逐步檢查數學推理;檔案共有 17,374,215 行。Andrew Sutherland 回報程式碼可以編譯,但完整建置尚未完成,因此每一步是否都正確還沒確認。審查者也得先確認程式碼描述的定理確實是黎曼猜想。文章指出,這份可供檢查的檔案公開後,驗證工作能由更多人一起進行;但作者表示自己還沒完全理解論證,接下來仍需要完整建置、檢查定理內容,以及寫出人類看得懂的證明。

Dev.to Top Tech

Claude Code Hooks 教學:哪些錯誤該用 Hook 擋下,怎麼做才有效

只把規則寫進說明檔,Claude Code 有時還是會重複犯錯。作者分享自己用 Hook 擋下五種問題的方法,包括草稿出現長破折號、回覆語言錯誤、貼文發到錯的帳號,以及沒確認就說問題已修好。Hook 是在固定時機執行的小程式,可以在工具動作發生前拒絕操作,也能在回覆送出前要求重寫。作者建議先在實際出錯的情況中找原因,再讓檢查直接擋下動作,最後故意重現錯誤,確認 Hook 真的會啟動,也不會妨礙正常工作。

Dev.to Top Tech

Anthropic 財報分析:每 1 美元 Claude 營收,服務成本降到 14.5 美分

Claude 帶來的收入快速增加,但要花多少錢提供服務、訓練模型和維持運作,並不是同一筆成本。作者整理 Anthropic 的上市說明書指出,2026 年前 9 個月,每 1 美元營收約有 14.5 美分用來服務付費客戶;按作者計算,毛利率為 85.5%。不過,公司整體仍有 12.6 億美元營業虧損,主要算力支出還包括模型研發與內部使用。說明書也列出約 9,009 億美元的算力與基礎設施採購承諾,並指出算力供應吃緊,短期採購成本較高。這些數字讓人看見,服務成本下降不代表整體營運支出同步減少。

Dev.to Top Tech

Linux systemd-repart 實作指南:用設定檔建立與擴充分割區

手動替 Linux 磁碟分割區時,指令碼可能認錯磁碟,也容易在磁碟配置改變後失敗。這篇指南介紹 systemd-repart:先用設定檔寫出需要哪些分割區,再讓工具依照設定建立或擴充分割區;例如可在首次開機時替根目錄分割區增加空間,或新增固定大小的 swap 分割區。工具預設只預覽變更,也不會自行擴充分割區裡的檔案系統。它適合製作系統映像檔或整理新磁碟;遇到 MBR、需要縮小或搬動分割區時則不適用。

Dev.to Top Tech

Neeraj Sharma 示範用不到 50 行 Python 限制 AI 助理執行程式碼

AI 助理寫出的程式如果直接在應用程式的伺服器上執行,可能讀到金鑰、耗光資源或連上未核准的網路。Neeraj Sharma 分享一個不到 50 行 Python 的執行器範例:只提供指定的環境變數、限制 CPU、記憶體、檔案大小和執行時間,並在可用時關閉網路;每次執行也會使用獨立資料夾,限制輸出長度。範例測試顯示,程式看不到主機上的 API 金鑰,超時時也會一併結束它啟動的子程式。不過這種做法仍與主機共用核心,作者建議讓不受信任的使用者觸發程式執行時改用 microVM 等隔離環境。

Dev.to Top Tech

LinkedIn 的 2,000 萬人實驗發現,求職時中間圈的人脈最有幫助

找工作時,天天聯絡的好友和完全不認識的陌生人,可能都不是最有用的人脈。LinkedIn 在 People You May Know 推薦功能上進行實驗,讓部分使用者看到較多不太熟的人,並分析超過 2,000 萬名會員的資料。研究發現,彼此有幾位共同朋友、平常卻很少聊天的人,較可能帶來新的工作機會;在科技和遠端工作較多的產業,這種較疏遠的人脈也帶來更多求職申請。文章建議先聯絡認識但少往來的人,詢問團隊或職務資訊。研究也引發未告知使用者就調整推薦的倫理疑慮;資料無法確認人脈是否直接介紹工作,結果也不一定適用於所有產業或地區。

Dev.to Top Tech

React 教學:可從資料算出的值,別用 useEffect 另存狀態

React 畫面有時會先顯示舊資料,再更新成正確結果。作者用搜尋清單說明,若把篩選結果另存成 state,再用 useEffect 更新,每次輸入都會多跑一次畫面;他以 React 19.3.1 測試 5,000 筆資料,搜尋「item 42」時,畫面先顯示全部資料,接著才顯示符合條件的 111 筆。直接在畫面更新時算出結果,只要跑一次;計算真的很慢時可用 useMemo。作者也提醒,useEffect 適合處理網路、訂閱或 DOM 等 React 以外的事,不適合拿來複製一份可直接算出的資料。

Dev.to Top Tech

Claude 從空資料夾打造模型,挑戰 GPT-2 的實驗結果如何?

AI 助理能不能自己做研究,除了看模型表現,也得看人在哪些地方出手。作者讓 Claude 從空資料夾開始設計、訓練模型,並在每次測試前先寫下預測和通過標準。三個關卡中,兒童故事和西洋棋都沒達標;在 HellaSwag 測試中,模型分數高於 GPT-2 small,但它的引數量是對方的 2.8 倍,和同尺寸的 GPT-2 Medium 相比大致打平。作者也檢查出部分測試題出現在訓練資料中,排除後分數仍高於 GPT-2 small。這次實驗顯示 Claude 能依明確規則執行工作、記下失敗,但選擇研究問題和處理重要決策仍由人負責。

06

快訊

(本期完)

888news 日報由編輯系統根據公開來源自動編輯,每條均附原文 · 日報合訂本