你的智能体这次满分通过，下次还会吗？
IBM Research 给智能体的「一致性」做诊断：GPT-4.1 的 ReAct 智能体在 AppWorld 上平均 77.4% 通过，但五次全过的任务只有 53.0%，差 24.4 个百分点。他们用一次采样找出容易翻盘的决策点、生成一致性准则，把差距砍到 12.0 个点，平均准确率不降。
大模型
更多 大模型
首页
如何为生产环境 RAG 系统构建回归门禁
内部政策机器人演示时答得滴水不漏，上线后却依据已被取代的旧政策给出自信答案，而且没有任何信号能告诉你退化始于何时；这篇文章讲的是怎么为它建一道回归门禁。
过去抓取数据需要一个程序员，现在只需要一句话。
过去挡住业余抓取者的那几道技术门槛，恰好都对应着大语言模型最擅长的一类任务；一位长期做防御的人把它们逐个拆开，说明哪一道倒在哪里，以及防御为什么可能已经沦为摆设。
托管不可信 AI 生成 HTML 的三道安全边界
自包含的 HTML 交付物由模型生成并托管在客户数据平台上，平台必须假定作者不可信，因为提示词注入能让生成页面的脚本在查看者浏览器里执行。
46,000 条生产查询教会我们关于 LLM 生成 SQL 的哪些事
674 行 SQL 模式库让 Claude 在 3100 万行 DuckDB 上的 4.6 万次查询平均 2-3 秒返回结果。
为什么 AI 编程助手会重复固定错误：谁来接收结果？
记下错误和从错误里学到东西是两回事；六家 agent memory 系统里四家公开了带否定判决的反馈输入，而 Mnemoverse 自己公布的测量显示这个信号几乎从未被调用。
GPT-6 Astra破解一战德国无线电密码
Scienceblogs.de是一个德语科学博客门户，其中包含一份相对著名的50个未解密码清单，涵盖从连环杀手发布的密码到著名的伏尼契手稿。
AI 究竟如何调用 API？从零解释工具调用
模型不会自己执行任何东西，它只回一个结构化的工具调用请求，你的代码去运行真正的函数、再把结果交回去让模型作答；这篇从零把这个四步循环拆开讲。
当 AI 超出我们用来衡量它的测试时，会发生什么？
GPT-6 Astra 发布后，作者把注意力从「模型有多强」转到一个更容易被忽略的问题：我们到底怎么知道模型在变强？基准会饱和、会用代理指标、真值来源复杂、评分方法也会变，文章给出一套看分数时该问的五个问题。
为什么我认为你几乎永远不该用 AI 写任何有实质内容的东西
作者主张，用 AI 写博客、研究报告、备忘录这类有实质内容的文本，即使给足要点与上下文、事后又亲自编辑，也几乎永远不该做：写作本身就是思考，AI 的文字在难以察觉处含糊出错，不标明还失礼且误导人。
关掉大脑行不通：肉体外挂这条路对员工没有未来
Dan Luu 说他从 2025 年初就见到人们用 LLM 时把脑子关掉。他的结论很直接：如果 LLM 强到「关掉大脑」也能产出平均水平的软件，公司为什么不直接让 LLM 循环跑、把那个人裁掉？
让各家模型打《星际争霸》：没有一个是初学者以上水平
19 个「模型 × 推理档位」打循环赛：Codex Astra 全胜居首，Grok 系 43 分钟只发 6 批命令、一个战斗单位都没出，Claude Fable 唯一在认真运营攀科技。作者结论是没有任何 agent 打出初学者水平。
Bend 2 与 vibe-coding 陷阱：在调研之前造完了一门语言和编译器
Bend 2 的 demo 要用 58 行声明「定律」、442 行写证明。作者用形式验证领域的 SPARK 重做同一程序，只需写明不变量，GNATprove 一次通过 12 项检查。
为什么我没有签署菲尔兹奖得主们的那封公开信
Gowers 赞同「我们正面临危机」，但不同意「概念理解高于解题」是唯一正确态度：他把数学家的动机看成一条谱系，并逐条比较「模型全面超越人类」与「国际协议限制发布」两种未来的得失。
每个人都失去了理智
作者说自己每天七成以上时间在处理 AI，工作乐趣已被剥夺。他批评 AI 公司一边呼吁监管一边扩张，安全行业把资源投给漏洞发现而非打补丁，而「人在环路里」正退化成橡皮图章。
Ternary Bonsai 2 27B：体积缩小 9 倍，保留 98.2% 基准表现
基于 Qwen3.8 27B 的三值权重模型把体积压到 5.9GB（每权重 1.76 有效比特），综合基准保留 98.2%，在 RTX 5090 上跑到 143 token/秒，并按 Apache 2.0 发布。
AI 生成的海报，不必长得都一样
作者用同一组虚构的活动信息反复要求 ChatGPT 换风格，从包豪斯做到孔版印刷、朋克小志与日式极简，证明 AI 海报的雷同是提示词的问题，而不是能力的问题。
如何用LLM写作
两条规则防止 LLM 把文章变成 Velveeta 奶酪：禁用其建议的措辞，也别信它对初稿的夸奖。
让 AI 搭界面，但只让它做选择题
让大模型直接写界面 JSON，它会编出不存在的组件、自己编文案，写坏了还得等结果回来才知道。json-render 换了个办法，把搭界面拆成两批有限的选项，模型只挑，代码负责拼。
六个能在手机上离线跑的本地模型：参数量、体积与各自擅长什么
2026 年的六款本地 AI 模型盘点。它们都能在数据不出设备的前提下运行，兼顾隐私与离线能力，文章逐款对比了适用场景与代价。
十种「判断形态」：TypeSafe 的 AI 用例地图与风险评估清单
TypeSafe 把 AI 决策嵌入代码控制流，实时应用延迟仅 150ms，大数据处理成本降至百分之一。
Jev 和 DeepSeek 做了同一批判断题，差别不在谁更聪明
十个真实场景、66 道有确定答案的题，外加 229 道核对题，三条对比臂。准确率只差几个点，时间差十倍，而概率的用法完全不同。
他们给你画的画像：AI SRE 被当成替代品，编码助手被当成伙伴
AI SRE 与编码助手营销框架分化：前者多被定位为取代 SRE，后者则被包装成工程师的增强工具。
不写作文的 AI，是一台判卷机
Jev 不写文章，只做判断。把它想成一套选择题加判断题，你出题，它交答题卡并标出把握。这篇讲清它能干什么、为什么便宜，以及那个概率为什么不能直接当正确率用。