AI 模型與研究 第 17 頁

Rohan Bansal 用 SFT、Agentic RL 與 PostgreSQL 執行回饋訓練 4B 模型，報告在 113 道查詢把加總延遲降 44.7%。本文拆解真正勝出的系統、量測限制與上線前五道門。

Dream-RSI 改的是探索 policy，不是模型權重。本文用 20 棵合成 Agent trace tree 拆解零模型重跑的 Replay Simulator，並以 tune／holdout 示範分支、平行與停止規則遇到跨分布偏移時的失效風險。

Periodic Neon 在內部 XRD 評測把成功率從 2.7% 拉到 55.3%。拆解 134 個樣本、專用 Harness、LLM 裁判、成本假設與留出測試，判斷這項科學 AI 成果真正證明了什麼。

Gemini 3.8 Live 主打工具背景執行、語音進度回報與即時視覺。本文核對 Google 官方文件、Artificial Analysis 榜單、原始評測方法與價格，拆解「工具在跑時還能說話」的真正突破，以及任務完成、取消副作用、Live API Preview 與總成本仍未解的邊界。

Jev AI 宣稱以 70–500 毫秒輸出型別化決策，每百萬輸入 token 只要 0.042 美元。本文深讀 TypeSafe 發表與 workflow eval，拆解速度、成本、正確率及「不會 hallucinate」的證據邊界，並提出 early access 階段真正該測的機率校準、延遲與失敗路徑。

Vals 稱 Claude Fable 5.1 用 44 分鐘破解 1653 年 Cyphral Distich。本文核對 1834 重印本的 33／38 數字差異、1653 版本分歧、2014 人類線索與公開重跑，判斷解法可信度及模型能力邊界。

Atria Dawn 在作者比較表 16 項基準中有 5 項最高已列分數，並用 56 人、769 筆任務描繪人機分工。本文核對評測協定、33.2% 自評分母與「代理式超級智慧」的證據界線。

Vidu S2 作者報告 720p Avatar 達 25–42 FPS，並展示動態參考圖與串流編輯；但技術報告未公開硬體配置、端到端延遲與 StreamAV 互動指標。

Artificial Analysis 把 K2 Horizon 3.7B 列為 tiny 開放權重榜首、0.9B 列為榜末；但官方權重其實是 5.06B total。本文拆解評測分數、token 代價、類別口徑與 IFM 開放承諾。