AI 模型與研究 第 20 頁

GPT-6 Astra 機器人評測中，Robocurve 報告積木入碗完成 19/20，精密插入僅 2/20。本文核對 120 次試驗、公開 transcript、rig 差異、非盲測與版本不一致，說清這組系統結果能證明什麼、又不能外推到哪裡。

Random Attention 不是通用加速開關。本文用可執行的隨機淘汰核心與五步受控評測，拆解 H200 vLLM 和 Apple M4 為何會得到方向不同的速度結果。

OpenAI 宣布自家 Agent 已達「自動化研究實習生」里程碑，但 3.1 個 Agent 工作日不是 3.1 倍生產力。本文拆解內部量測、人工介入與外部研究證據，判讀它離真正的自動化研究員還有多遠。

LLaDA-Image 開放權重與推論碼已可執行，但訓練碼尚未公開。本文拆解 6B DiT、2–4 步 Turbo、作者報告 benchmark 與完整重現之間的差距。

WeatherNext 3 把低延遲衛星觀測納入每小時全球預報。本文拆解 5 公里解析度與降水 CRPS 最多改善 60% 的範圍，並用獨立榜單檢驗它真正進步在哪。

Claude 用 11 天關閉費馬大定理的 Prove2Me 證明樹，完整重查在接下來兩天完成。本文拆解公開 Lean artifact、Comparator 與 Kevin Buzzard 的獨立成品檢查，說清楚這項成果驗證了什麼，又沒有驗證什麼。

K2 Horizon 一次公開六個尺寸，但 32B 仍是 Stage1，完整訓練程式碼與 logs 尚未到齊。本文查核 MoVA、Uno、benchmark 與 reward hacking，判斷這是完整開放，還是尚待履約的路線圖。

依第一方 BF16 GGUF 檔案與 runtime 支援，拆解 K2 Horizon 0.9B、7B、32B、36B-A4B 怎麼選，附 pinned revision 安裝、10 題 Eval 與升級判準。

World Labs Atlas 用同一模型處理鏡頭控制與 3D 重建，並協助 Real-to-Sim 工作流。本文拆解 1440p 一分鐘展示、兩三張圖重建與 benchmark，判斷它離可信物理模擬還差什麼。