標籤: Research

拆解 H Company Holo4 的跨介面 Agent 與長流程 harness，並核對 benchmark、公開軌跡資料和兩個 checkpoint 的授權差異。

Anthropic 的低風險員工書籍交換研究顯示，偏好估計比議價機制更限制市場結果；部署代理人之前，先測它是否理解這個人。

XYEval 顯示，當使用者把一個看似合理、其實偏離根因的建議加進任務，Agent 可能照做而降低成功率；工程解法是先驗證目標，再用證據解釋修正方向。

MobileCybench 將 Android Agent 找到的漏洞主張交給隔離環境重播，再用可信狀態上的安全性 Probe 判斷哪些性質確實遭到違反。

拆解 RSIAgent 如何用 Curriculum、Actor、Verifier 與 broad-to-deep exploration 建立可重用的 frozen experience，並檢查其 benchmark 證據與重現限制。

拆解 Anthropic 用來觀察 AI-led R&D 的三組量測：AI 自動化程度、Agent oversight 與 safety compute，並把內部自報、方法邊界與跨實驗室不可比性放回工程決策。

拆解 Anthropic 讓 Claude 優化 30 多個生物分子與基因組模型的工程方法，從 FlashPairformer、Big mode、stock/exact/fast 契約，到 GPU 成本與可驗證性邊界。

拆解 Anthropic 的 automated alignment researcher 實驗：Agent 可以搜尋、訓練與迭代 post-training 方法，但 benchmark、能力門檻、資料隔離與完整性審查必須由外部 gate 固定。

用一張圖說明 CoT、WebGPT 如何匯入 ReAct，再沿工具、記憶、評測與安全等方向延伸，並與論文庫的 agent-systems 閱讀順序對齊。

用一張圖說明 DPR 與 Lewis RAG 如何接到站上已有的檢索論文。

讀 AgentEscapeBench：Agent 在領域外、長鏈條工具圖上為何會崩，以及這份評測能說明什麼、不能說明什麼。

讀 Ornith 1.0 的 self-scaffolding：Agent 寫程式時自己搭鷹架解決什麼、評測能說明什麼、信任邊界在哪。Ornith 是案例，不是搜尋入口。

探討現代高強度足球競技中，頂尖球隊如何透過神經科學與大腦訓練，幫助球員進入心流狀態，並將科學概念轉化為日常訓練建議。

深度解讀 OpenAI 關於強化學習 (RL) 與 AI 對齊的最新研究。探討模型如何透過專注於「有益特徵」的訓練，在超過 40 項未曾見過的對齊基準測試中展現廣泛的泛化能力，並在惡意微調與對抗性提示下展現強大的持久性與韌性。

把「三遍讀論文法」落地成可執行流程：用 5–10 分鐘做海選、用 1 小時抓住方法與證據、再用「虛擬重做一遍」吃透細節。本文整合 Keshav 的 three-pass 與李沐老師的實作要點，附檢查清單與文獻綜述讀法。

根據 Anthropic《Labor market impacts of AI: A new measure and early evidence》整理：介紹「觀察到的曝光度」指標，說明哪些職業最暴露在 AI 之下、與就業成長與失業率的關係，以及對政策、企業與個人職涯的啟示。