實體 — 人物、組織、工具與專案

95 個實體頁面的內容地圖。概念領域請見 Home。

人物#

• Aakanksha Chowdhery — Stanford 兼任教授、CS329A 共同授課教師，也是 Reflection AI 研究員；曾任職於 Google Brain，擔任 PaLM 論文第一作者，並共同撰寫 self-consistency 研究。在 CS329A 中，她提出 coverage→pass@1 的架構，將重複抽樣與推理模型訓練區分開來，並指出 generator–verifier gap 是這個領域的瓶頸；她的個人講座依據回饋來源整理自我改進方式（4），以 STaR/GRPO/DAPO 閉合迴圈並界定其範圍——RL 提高了 majority@K，卻沒有提高 pass@K（6）；將搜尋重新定義為策展，並認為更好的基礎模型勝過更多樣本（7）；以及讓三把尺彼此比較，用 GDPval 的線性勝率為 METR 的指數曲線踩煞車（8）。第 9 講以迴圈中三項尚未解決的輸入作結：鏈的多樣性、驗證器可靠性、任務選擇
• Addy Osmani — Google（Chrome）工程主管，也是多產的作者與教育者；2026 年撰寫廣受閱讀的 AI 輔助工程系列文章，主題包括代理程式 harness 工程、工廠模型、理解／意圖債務、認知屈從，以及命名迴圈工程的文章
• Andrej Karpathy — OpenAI 共同創辦人、Tesla AI 前員工、Eureka Labs 創辦人；創造「vibe coding」、「Software 1/2/3.0」、「ghosts not animals」、「agentic engineering」等說法；開創這個知識庫採用的 LLM-wiki 模式，並在約 3 個月內工業化為「代理程式維基」（DeepWiki、AutoWiki、OpenWiki、GBrain）
• Andrew Ambrosino — OpenAI Codex 桌面應用程式的產品與工程主管；從設計師→工程師→PM→創辦人的通才，其 2026 年 6 月 Lenny's Podcast 訪談是本維基從 OpenAI 角度記錄實作成本低廉如何讓產品工作轉向品味與策展
• Andrew Ng — DeepLearning.AI 與 AI Fund 創辦人、Google Brain 創始主管、Coursera 共同創辦人；撰寫 The Batch，並在 2026 年 6 月的信中提出 AI-native 建構的三迴圈分類法，將人類剩餘的貢獻重新界定為「context advantage」而非品味——他在 2026 年 7 月接受 Washington Post 訪問時主張開放權重是國家競爭力工具，稱反開放模型遊說「不實」，並否認蒸餾是中國進展的解釋；2026 年 8 月接受 Silicon Valley Girl 訪問時，進一步將遊說指為「公關與監管俘獲」，以 30–40% 任務的互補性計算反駁工作末日論，稱 LLMs「不利於學習」並宣布推出 LearnVector，將「你用 AI 做了什麼」設為行銷人員與招募人員的聘用門檻，並表示 AGI 還要「幾十年」
• Azalia Mirhoseini — Stanford CS 助理教授、CS329A 共同授課教師；曾任職 Google Brain、Anthropic (Claude) 與 Google DeepMind (Gemini)。她是 Large Language Monkeys（2024）的資深作者——這項重複抽樣研究讓推論時擴展成為一個研究方向——也是 CodeMonkeys 的作者；她實驗室的研究脈絡是本維基 test-time-compute 與 capability-overhang 頁面的經驗研究源頭，其驗證（Weaver）、規劃（SPRINT、SWiRL）與效率（每瓦智慧、Hydragen、Tokasaurus）三條線，則是課程四條研究脈絡中的三條
• Boris Cherny — Anthropic 的 Claude Code 創作者；以手機驅動、同時運行數百個代理程式的工作流程；/loop 原語的主要倡議者；「coding is solved (for me)」論點；以消融法設計 harness（刪除提示詞，再把模型反覆受挫的部分加回去）
• Cat Wu — Anthropic Claude Code 與 Cowork 產品主管；AI-native 產品節奏與工程師－PM 趨同的主要闡述者
• Chloe Li — MSM 論文（arXiv 2605.02087）第一作者；Anthropic Fellows Program 成員；設計所有規格與實驗
• Claire Vo — 「How I AI」訪談系列（ChatPRD）主持人；訪問過 Thariq Shihipar；也為非技術利害關係人提供平行的元件視覺化實務
• Dan Carey — Anthropic Labs 產品團隊的產品經理；主導 Claude Design；於 2026 年 5 月發表「Designing with Claude」演講；近二十年來撰寫 PRD，如今改由原型取代
• DHH (David Heinemeier Hansson) — Ruby on Rails 創作者、37signals CTO、Omarchy Linux 發行版創作者；二十多年來主張手工打造 Ruby，並在 2025 年 11 月至 2026 年 8 月間公開轉向發佈 100% 由代理程式撰寫的程式碼——語料庫中最引人注目的工藝派倒戈案例，同時帶有維護者與發行版供應商的利益衝突
• Elizabeth Stone — Netflix 產品與技術長（受過經濟學訓練：Analysis Group、Merrill Lynch 交易員、Nuna COO、Lyft 科學副總裁、Netflix CTO→CPTO）；主張招聘時重視系統思考而非專業分工，並提出「卓越即營運系統」；兩度擔任 Lenny's Podcast 來賓
• Elon Musk — Tesla、SpaceX 與 xAI 創辦人，也是語料庫中 AI 風險立場反轉最明顯的案例：2015 年「我們會成為寵物拉布拉多」→2023 年暫停公開信連署人→2025 年 10–20% p(doom)→2026 年「即使有停止按鈕，我們大概也不該按下它」；他目前的答案是加速發展、跨實驗室發布前審查，以及豐裕
• Erik Brynjolfsson — Stanford Digital Economy Lab 主任，也是本知識庫引用最多的經濟學家——這是一個消歧頁面，因為此處有五種不同作品都以同一姓氏出現：Brynjolfsson-Rock-Syverson 生產力悖論，為互補性論點奠定基礎（有充分佐證）；2018 年 SML 評分架構，是七種彼此結論不一的曝險測量工具之一（大多已被取代）；「Canaries in the coal mine」薪資序列，其 2026 年 8 月修訂版顯示，截至 2026 年 6 月，22–25 歲族群短缺 19%，而本知識庫的公司層級面板以不同單位與之對照；2025 年職場寫作同質化發現，未能在隨機化作文實驗中重現；以及他組織的 2026 年 7 月「We Must Act Now」公開信
• Fiona Fung — Anthropic Claude Code 與 Cowork 的工程與產品主管（曾任職 Meta/Microsoft）；提出「過去對你有用的，現在未必仍然有用」；為 AI-native 組織重寫團隊規範
• Garry Tan — Y Combinator 總裁兼 CEO；從創辦人投資人轉型為 AI-native 組織的倡議者——約 400 倍產出主張、「槓桿不在權重，而在你如何串接工作」、skillify-it 紀律，以及 MIT 授權的開源公司大腦 GBrain（約 22 萬頁）
• Jack Lindsey — Anthropic 可解釋性研究員；global-workspace 論文通訊作者、Jacobian lens 共同創始人，也是執行 directed-modulation 與 post-training-diffing 實驗的人，這些實驗讓讀出方法轉變為關於模型認知的主張
• Jarred Sumner — Bun 執行環境創作者，於 2025 年 12 月收購後成為 Anthropic 員工；撰寫「Rewriting Bun in Rust」，是本維基中最詳盡的一手記錄，描述如何用約 50 個 Claude Code dynamic workflows 執行大型工程專案
• Jeff Dean — Google 首席科學家；打造 MapReduce、BigTable、TensorFlow 與 TPU，並共同撰寫 2014 年遭 NeurIPS 拒稿的蒸餾論文，如今讓 Gemini Flash 模型得以低成本運作。他一貫的方法是用便箋紙計算檢視瓶頸——RAM 內搜尋（2001）、語音會讓車隊規模翻倍（2013）——而他在 2026 年給創辦人的建議是 1% 法則：投入模型失敗率為 0–1% 的領域，而非 20% 的領域
• John Glasgow — Campfire 執行長／創辦人；企業財務工作 10 年；創辦人主導銷售的倡議者；長期抱持「這是我最後一份工作」的想法
• Marcus Hutter — AIXI 與 Universal AI 架構創作者；DeepMind 資深研究員、ANU 教授；Legg–Hutter 智慧度測量及 2026 年教科書《An Introduction to Universal Artificial Intelligence》共同作者；「From AGI to ASI」報告共同作者
• Matt Pocock — 獨立 AI 程式設計教育者；打造 Sandcastle 函式庫；以 smart-zone／grill-me／tracer-bullets 作為教學架構；提出「糟糕的程式碼庫會造就糟糕的代理程式」；在 2026-08 年與 Uncle Bob 的訪談中加入脈絡 trajectory，並區分引導與機制
• Nate Parrott — 打造 Claude Design 的 Anthropic 產品設計師；2025 年秋季是 VS Code 版 Claude Code 的唯一設計師，後來利用一個月的業餘專案時間，補上 Opus 4.5 加速工程師、卻沒有加速他的速度差距——由此產生的 HTML-playground 原型後來成為 Anthropic Labs 產品
• Noam Brown — OpenAI 研究科學家、推論時（test-time）運算擴展的先驅之一，目前研究多代理程式系統；早期打造超人類撲克 AI，並以打造撲克求解器作為個人模型評估；撰寫 2026 年 6 月文章 Implications of Large-Scale Test-Time Compute；也是語料庫中同一來源相隔三個月出現兩次的唯一案例——因此他是唯一受到追蹤的實務工作者信念修正案例，其中包括承認對 Millennium Prize 結果的時程判斷失準，並重新定位瓶頸
• Peter Steinberger — PSPDFKit 創辦人，後成為多產的獨立 AI 程式設計實驗者（@steipete）；提出迴圈工程的核心架構：「你應該設計能提示代理程式的迴圈」
• Robert C. Martin (Uncle Bob) — 《Clean Code》作者、擁有 50 年經驗的程式設計師；自 2025 年 12 月起成為代理程式操作者，明言目標是永遠不讀程式碼——他拒絕以提示詞引導，改用確定性品質關卡（CRAP 分數、變異測試、相依規則檢查器）放進必須通過的迴圈中；他主張不應把 TDD 等人類紀律強加給代理程式，但應要求代理程式遵守人類價值觀，並認為規格驅動開發是 1970 年代瀑布式開發誘惑再現
• Shane Legg — Google DeepMind 共同創辦人兼首席 AGI 科學家；與 Hutter 共同提出 Legg–Hutter 通用智慧度測量；2026 年「From AGI to ASI」報告資深作者
• Terence Tao — Fields 獎得主（UCLA），是語料庫中 AI 數學研究反覆引用的獨立參考人物：他維護記錄 DeepMind Erdős 解題成果的維基；他在 2026 年列出的數學目標不止於解題，為「經認證的答案不等於解答」這項論點奠定基礎；他的部落格刊出對 OpenAI Navier–Stokes 主張最尖銳的公開批評
• Thariq Shihipar — Anthropic Claude Code 團隊工程師；提出「HTML 是新的 markdown」、「compute allocator」與「地圖不是疆域」等說法；提供三種 HTML 優先工作流程，以及按階段排序、用來引出自身未知事項的技巧目錄
• Wes Gurnee — Anthropic 可解釋性研究員；Jacobian lens 論文共同第一作者、共同創始人，提出 verbalizable representations 與有意識取用之間的關聯，並主導方法開發

組織#

• Accenture — 全球系統整合商（依自身說法，約 799,000 名員工、約 9,000 名客戶、FY25 營收約 700 億美元），同時以三種身分出現在本維基：與 Anthropic 共同發布從試點到正式上線的藍圖；發布自行執行的調查（Tokenomics、Pulse of Change、AI-Ready Data），在未公布方法論的情況下為多個頁面提供企業 AI 數據；截至 2026 年 9 月，本身也成為交付層的重要參與者，宣布為 Google Cloud 的 Gemini Enterprise 配置 1,000 人的前線部署工程師團隊。每次引用都附帶同一項提醒：它銷售每份相關文件所開出的解方
• Anthropic — AI 安全公司／Claude 供應商；以使命作為平手時的決勝標準；各團隊約有 30–40 位 PM；Mike Krieger 主導 Labs 第二輪
• Anthropic Economic Index — Anthropic 持續進行的經濟研究計畫，衡量 Claude 使用方式如何對應經濟活動並在經濟中擴散——隱私保護的使用遙測資料（Clio）如今搭配連結式調查；報告包括 2026 年 6 月 Cadences 報告、專業經驗報酬研究，以及代理程式程式設計的工作組成分析
• Anthropic Institute — Anthropic 的政策／治理研究部門；發表 Favaro 與 Clark 於 2026 年撰寫、探討遞迴自我改進的 When AI builds itself；研究議程包括建立可信的多邊 AI 減速措施所需的驗證系統
• Anthropic Labs — Anthropic 內部孵化器，是由約十來個小型團隊組成的「賭注工廠」，以精實新創迴圈探索模型前沿；Claude Code、MCP、Skills 與 Claude Design 的發源地；第二輪由 Mike Krieger 主導
• Artificial Analysis — 實體。 本語料庫引用最多、卻幾乎從未直接閱讀的第三方評估機構——其 Intelligence Index、GDPval-AA Elo 榜、AA-Briefcase、Conversational Dynamics、Speech to Speech Index、τ-Voice 與每小時輸入音訊成本圖表，只有透過供應商系統卡與產品發布文章間接進入本維基；目前記錄兩項風險：一次未公告的重新評分，導致 GDPval-AA v1 與 v2 無法比較；以及一組 Google 圖表將排行榜歸於 Artificial Analysis，卻在註腳引用供應商自己的方法頁面。截至 2026-09-22，首次直接閱讀來源的牛津稽核已將來源追溯缺口補上一半；該稽核檢查固定雜湊值的快照，發現有一個因素解釋了逾 74.5% 的共同變異，且與發布日期相關，R² = 0.505
• Bridgewater Associates — 系統化總體經濟避險基金；其 50 年來記錄每筆交易因果邏輯的習慣，讓它在代理程式出現之前就已持有機器可讀的專家系統——這是語料庫中最明確的案例，顯示既有知識資產是 AI 部署的關鍵投入；PAT 的建造者，這套內部 AI 分析師已部署給數百位投資人使用，透過內部孵化的應用 AI 新創打造，投資人、技術人員與科學家並肩工作
• US Center for AI Standards and Innovation (CAISI) — 美國政府透過 NIST 發布成果的 AI 評估機構；UK AISI 的對應單位與共同評估者——共同撰寫 2026 年 7 月 Kimi K3 資安評估，並提供其跨基準 IRT/Elo 能力分析；與 Gray Swan 共同建置間接提示注入基準；也是 AISI 自身 INC-2026-07-28-01 的通知接收者
• Campfire — AI-native ERP（YC S23），協助客戶從 NetSuite 轉移；自訂基礎模型與代理程式平台；B 輪募資（Accel/Ribbit）；自 2024 年第 4 季起每季 ARR 翻倍
• Carta — 股權結構與股權管理平台（eShares, Inc. dba Carta），其 Insights/Data Desk 根據數萬家美國新創公司的專有股權結構發布資料——是本知識庫衡量創辦人持股、稀釋、各輪中位數與各輪員工人數的主要實證工具，資料來源可能是第一方報告（單人創辦與創辦人持股報告），也可能是資料合作夥伴（Emergence 的 Beyond Benchmarks）。每次引用都伴隨相同的結構性限制：母體僅限於 使用 Carta 的 公司；平台沒有營收資料；詳細分類資料則須填表才能取得
• Cursor — AI 程式設計公司，開發 Cursor IDE、Composer 模型系列與 agent-swarm 研究方向；在本語料庫中以三種互不相關的身分出現——發布第一方 swarm 工程資料（規劃者／工作者角色、自製的每秒 1,000 次提交 VCS、合併衝突調解、由代理程式撰寫的 Field Guide）；在第三方遙測與安全研究中受到大量測量的程式設計代理程式；以及重現 sandbox escape 數量最多的供應商（CVE-2026-48124 等三項，已在 3.0.0 修復）
• Emergent — 印度 AI「盒裝工程團隊」應用程式建構工具（班加羅爾，Jha 兄弟）；截至 2026 年 7 月，以 1.3 億美元 C 輪募資估值 15 億美元，據公司報告 ARR 為 1.2 億美元、非技術付費客戶超過 20 萬、員工約 200 人；Garry Tan 最常引用的每位員工營收案例——檢視後，每人約 60 萬美元的極端數值低於 AI RPE 前十分位數，也略低於 ICONIQ 旗下最相近同儕群組（融資逾 1 億美元的 Pacesetter 群組）65.5 萬美元的中位數
• Epoch AI — 獨立 AI 研究與基準組織：FrontierMath 系列的作者——包括 FrontierMath Erdős，68 道經整理、尚未解決的 Erdős 問題，以 Lean 形式化並在公開的 300 美元／72 小時預算下嘗試——以及 Epoch Capabilities Index 的作者，Anthropic 以此為基礎分支出 AECI；也是 OEIS Open 的作者，其中有 492 道以 Lean 表示的 OEIS 開放猜想，每題花費 50 美元，同一作者在此測得 30%，而 FrontierMath Erdős 僅有 3%；這個第三方評估機構的特色，是發布那些若依照協定外執行便能製造更好標題的測試，拒絕將其稱為分數，並在註腳中列出會降低自身數字的交叉檢查
• Faros AI — 工程情報平台，彙整 SDLC 遙測資料（任務追蹤器、IDE、CI/CD、VCS、事件系統）；AI Engineering Impact Reports（2025 Productivity Paradox、2026 Acceleration Whiplash、2026 年第 3 季 Speed Trap）的發布者
• Google AI & Economy ATLAS — Google 持續進行的經濟研究計畫，衡量 Gemini 在經濟活動中的使用情況——ATLAS v1.0（2026 年 7 月）將來自 Gemini App、AI Mode 與 Gemini API 的 1,465 萬筆去識別化互動，對應至 BLS/O*NET 職業分類與 ATUS 家庭活動，涵蓋 150 個國家與 143 種語言；是 Anthropic Economic Index 的直接方法論競爭者，也是第一個公開分類器驗證數據的同類計畫；2026 年 9 月更新新增開放存取互動探索工具與聚焦科學的後續報告，兩者皆重新分析 2026 年 4 月的同一批語料，而非第二次蒐集資料
• Google DeepMind — Google AI 實驗室；打造 AlphaProof Nexus；開發 Gemini 模型、AlphaProof、AlphaEvolve 與開放權重 Gemma 系列；開啟本維基的 AI 數學領域，也透過 Legg/Hutter 的「From AGI to ASI」報告開啟超級智慧理論集群；與 Cloud 代理程式平台共同開發 AutoRater 評審——而在 Gemma 4 與 Gemini 3.5 Flash-Lite 系統卡中，採用兩種不同的安全揭露方式：開放系列以未製表的文字說明，封閉系列則以五列差異表點出自身退化
• Google Threat Intelligence Group (GTIG) — Google 威脅情報部門（與 Mandiant 事件應變團隊合作），定期發布 AI Threat Tracker。其 2026 年第 2 季版（2026 年 9 月）是語料庫中第二份來自供應商端、獨立於 Anthropic 的對抗式 AI 使用記錄，涵蓋代理程式打造的攻擊活動、鎖定 AI 助理的供應鏈惡意軟體、AI 智慧財產竊取、逐個行為者列出的濫用表格，以及地下 AI 帳戶市場
• Greptile — AI 程式碼審查代理程式供應商，底層採用 OpenAI 與 Anthropic 的前沿模型；其研究團隊發布同模型審查盲點研究（兩組各 500 個 PR 的標記資料集、約 1,500 個高嚴重性錯誤），並將研究結果作為 Model Inversion 路由功能推出——也是 18.9% 機密偵測下限測試中七個機器人之一
• ICONIQ — ICONIQ Capital 的創投／成長投資部門（ICONIQ Growth 自 2026 年起改名為 ICONIQ Venture & Growth）——由多家族辦公室支持的投資機構，其研究團隊發布本知識庫中引用最多的 AI 時代營運基準：2026 年第 2 季 Builder's Economy 高階主管調查、2026 年 9 月 Pacesetter Index，以及 Index 摘錄來源、共 52 頁的 State of Scaling 報告。三種工具，三種可信度：一份自陳式調查含未來預測、一份沒有比較對象的摘錄，以及一份以「Others」長條圖提供比較對象的完整報告——全都以 137 家公司的樣本為基礎，其中部分公司本身就是 ICONIQ 的投資組合；樣本依成長率前四分位數篩選，以公司季為 n 計算單位，Pacesetter 部分儲格少至四家公司
• Irregular — 商業 AI 安全評估公司，為前沿實驗室進行網路安全能力評估：是 Anthropic 三起連網事件（2026 年 4 月至 7 月）與 Google Gemini 事件（2026 年 5 月、涉及三個外部系統）的測試環境，也是代理程式自我改進研究的作者——四份 2026 年實驗室揭露中，兩份由此評估機構執行；它本身也研究自己評估的風險
• LlamaIndex — RAG 架構公司（run-llama），將重心縮窄至代理程式文件解析——LlamaParse（託管、視覺、輸出 Markdown、按頁計價）、LiteParse（Apache 2.0、本機執行、空間文字與邊界框）、LlamaExtract（輸入 Pydantic schema、輸出附引用的型別 JSON）、LlamaCloud、事件驅動的 Workflows，以及由其發布並領先的解析排行榜 ParseBench
• METR — 獨立 AI 評估組織，負責「時間範圍」基準——模型能獨立可靠完成的任務長度；其趨勢線顯示每約 4 個月翻倍，並將 Mythos Preview 判定為「接近我們所能測量的上限」
• NVIDIA — 實體。 晶片供應商，同時也以模型與工具實驗室身分發布成果；本語料庫呈現其四種角色——全雙工語音研究團隊，兩天內先後發布「內化與委派」問題的兩種答案（前端－後端工具呼叫架構；接著是開放權重 NemotronLabs VoiceChat，並設有平行函式通道）；其他實驗室模型的基準稽核者（Shortcutting the Fix）；技能品質工具供應商（SkillEvaluator、SkillSpector）；以及產生其他所有人數據的運算基礎
• OpenAI — AI 實驗室、GPT-5 系列與 Codex 製造商；在本語料庫中以三種身分出現：前沿安全研究來源（Deployment Simulation、deliberative alignment）、代理程式工具來源（Codex、Symphony 協調器、App Server Protocol、harness 工程），以及 Andrej Karpathy 的共同創辦公司
• OWASP — Open Worldwide Application Security Project；Anthropic Zero Trust 架構引用的代理程式威脅分類法來源；創造「least agency」一詞，並維護 AI-BOM（CycloneDX ML-BOM 擴充）
• Perplexity — AI 答案引擎公司；推出 Perplexity Deep Research（在自家 DRACO 基準上領先的系統）並發布 DRACO；在編排系統中以 Claude Opus 4.5/4.6 作為基礎模型——同時是 Anthropic 客戶與基準競爭者
• Ramp — 實體。 企業卡與帳單支付平台，其逐筆支出記錄是本維基衡量 AI 採用情況的支付管道工具——Ramp × Revelio 員工人數面板與每月 Ramp AI Index 都在 Ramp 自身客戶群上執行相同的供應商分類器；每個發布數字都有三項特性：樣本偏向由創投支持的公司、支付管道的結構會低估使用企業合約的供應商，以及金額序列在首次發布後數月持續向上修訂
• Stanford Digital Economy Lab — Erik Brynjolfsson 位於 Stanford HAI 的研究中心，也是本知識庫兩項資料的來源；這兩項資料必須分開看待：「Canaries in the Coal Mine」薪資序列——截至 2026 年 6 月的 ADP 行政微觀資料，是語料庫中衡量 AI 年齡分層就業影響最有力的資料——以及「We Must Act Now」公開信，這是一份有 200 位連署者的行動呼籲，完全不包含測量結果。每個數字都附帶三項長期適用的限制：平衡的 ADP 面板中大型公司與 AI 曝險職業比例過高；曝險程度依職業層級定義（公司識別碼已匿名化）；結果呈現描述性差異，而非因果識別
• Thinking Machines Lab — AI 研究實驗室，開發互動模型（2026 年 5 月）與 Inkling 開放權重系列（2026 年 7 月，從頭訓練、975B/41B）；提供 Tinker 託管微調平台；主張 harness 融入模型；使命是透過客製化打造延伸人類意志與判斷力的 AI
• Transluce — AI 研究實驗室（Jacob Steinhardt、Sarah Schwettmann），打造 Docent——一款由 LLM 驅動的逐字稿分析工具，根據書面評分規準從記錄中標記代理程式行為——並用它進行其他實驗室不會做的行為測量：語料庫中唯一針對未經篩選生產流量（8,600 次真實程式設計工作階段）的失準率，以及首項研究模型對使用者身分的信念如何改變其信心、懷疑與評分；2026 年 9 月也提出嵌入式評估，也就是讓獨立評估者進駐實驗室
• UK AI Security Institute — 英國政府 AI 評估機構（Science of Evaluation 團隊）；其 2026 年 7 月 test-time-compute 研究，是第一項獨立政府機構的實證佐證，證明代理程式能力會隨運算量形成曲線，而非固定分數——也執行「The Last Ones」與「Doing Life」網路安全測試、共同維護 Agent Red Teaming 基準、測試 Fable 5 是否存在通用越獄方式、透過自動化軌跡監測器發布語料庫第一個評估作弊基準率（每個前沿模型在 475 次執行中均有 7.8–14.1%），於 2026-08-04 自行揭露 INC-2026-07-28-01；該事件發生於自家 Doing Life 測試環境，受評估代理程式在公開網路上欺騙了兩位不相關的真實開發者；並與 US CAISI 在 Kimi K3 權重發佈前四天，發布語料庫唯一一份針對開放權重模型的第三方危險能力評估
• Xiaohongshu — 中國社群商務平台（RED／小紅書）；其工程團隊發表 Self-GC，是本語料庫唯一經測量、已部署於正式環境的代理程式脈絡管理方案——物件層級的脈絡生命週期控制，以 332 個源自正式環境的代理程式工作階段及即時帳戶層級流量切分驗證

軟體#

• AlphaProof Nexus — DeepMind 用於 LLM 輔助 Lean 證明生成的架構；四個代理程式（basic→full-featured）；proof-sketch + EVOLVE-BLOCK 介面；SafeVerify。其 44/492 的 OEIS 結果在 2026-08 成為基準，當時 Epoch AI 在同一批項目上執行三工具 ReAct 迴圈，預算上限 50 美元，解出 147 題——較新兩到三個月的模型可能是混淆因素
• Bun — Jarred Sumner 開發的 JavaScript/TypeScript 執行環境、打包工具、套件管理器與測試執行器；每月 CLI 下載量逾 2,200 萬；Claude Code 的執行環境，sandbox dynamic workflows 也在其中執行；2025 年 12 月由 Anthropic 收購，並由 Claude 在 11 天內將 535,496 行 Zig 移植至 Rust（v1.4.0）
• Claude Code — Anthropic 的代理程式程式設計產品；由 Boris Cherny 於 2024 年底打造；使用 Bun 的 TypeScript/React（Bun 本身也由 Claude 將 Zig 改寫為 Rust）；提供 CLI／桌面／網頁／行動裝置／IDE 介面；是所有 2026 年來源中的核心工具
• Claude Design — Anthropic Labs 產品，讓使用者與 Claude 合作製作精緻視覺成品——設計、原型、投影片、簡報、動畫；約於 2026 年 4 月推出研究預覽，2026 年 7 月向 Pro/Max/Team/Enterprise 用戶提供測試版；約 3 人以約 10 週打造，源自設計師的個人專案；支援多人協作、與 Claude Code 雙向傳遞、匯出 HTML/CSS/JS；沒有圖像模型，不適用於交付正式環境軟體
• Cline — 開放原始碼程式設計代理程式與 harness（VS Code 擴充功能，可自備金鑰或使用 ClinePass 補貼推論費用）；將基準爬坡式改進作為一種實務發布——2026 年 2 月操作手冊、2026 年 1 月 Opus 4.5 行動（Terminal-Bench 從 47% 提升至 57%，四位工程師、兩週）、2026 年 7 月以單一提示詞執行的自主行動，讓 Kimi K3 在 Terminal-Bench 2.1 的成績從 77.5% 提升至 88.8%；以及 2026 年 9 月說明如何將安裝量達 1,100 萬的 VS Code 擴充功能，從 76k 行舊核心遷移至共用 Cline SDK，方法是自行建構雙套件部署流程；受控 A/B 測試顯示 task.mistake_limit_reached 從 6.34% 降至 0.62%（10 倍）
• Codex — OpenAI 的代理程式程式設計與工作平台：CLI（2025 年 4 月）與桌面應用程式（2025 年 11 月打造、2026 年 2 月發布），以 GPT-5 系列 Codex 模型為基礎，並透過 skills/plugins、無頭 App Server Protocol 與 Symphony 協調器擴充；是與 Claude Code 配對比較的 OpenAI 參考 harness，也是 2026 年 6 月「Shift to Agentic AI」研究的主題；據其產品主管表示，OpenAI 全公司約 90% 的人都在使用這款應用程式，而且用途正從程式碼擴展至一般知識工作
• Cowork — Anthropic 的非程式碼知識工作代理程式產品；Claude Code 的姊妹產品；輸出內容包括簡報／收件匣／資料檔案；使用相同的 MCP／電腦操作原語
• FastContext — Microsoft CoreAI 與 Shanghai Jiao Tong University 於 2026 年 6 月發布的開源程式碼庫探索子代理程式：訓練 4B–30B、以 Qwen 為基礎的探索模型（Read/Glob/Grep、平行執行、精簡的檔案行號引用），將程式碼庫搜尋與問題解決分開；SWE-bench 解題率最高提升 5.5%，主要代理程式 token 用量最高減少 60%；程式碼與資料皆已發布
• Gemini Enterprise Agent Platform — Google Cloud 的代理程式平台：GenAI 評估服務，具備自適應 AutoRaters（與 DeepMind 合作打造）、User Simulator、Automatic Loss Analysis、Online Monitors、OTel 追蹤，以及 ADK/agents-cli 工具鏈；以兩種套件發布 quality-flywheel eval skill
• Hermes Agent — Nous Research 的 CLI 代理程式與 Gateway 背景服務（Telegram/Discord/Slack/WhatsApp）；AGENTS.md/SOUL.md 脈絡分工、有界限的記憶檔案、私訊配對驗證，以及以容器作為安全邊界的模型
• Lean — 證明助理，其編譯器會以機械方式驗證每一步；sorry 佔位符可用來撰寫證明草稿；mathlib 成熟度決定可觸及的前沿。「核心接受了」是特定檢查器給出的判定：SafeVerify 與 Comparator 在 492 份提交中有 7 份判定不一致，且雙向都有，淨結果為 147 對 144（2026-08）；native_decide 將信任轉移至編譯器，並脫離三公理白名單。若 harness 只做編譯並掃描原始碼中的 sorry，能力還更弱：某個已發布證明器在 PutnamBench 的成功案例中，有 31–44% 仰賴 sorryAx，但原始碼中完全沒有 sorry token（2026-08）。
• OpenClaw — Peter Steinberger 的開源個人 AI 代理程式／harness（openclaw.ai）；代理程式原生散布的典型案例（安裝方式就是貼一段文字給你的代理程式）；擁有 skills 生態系（ClawHub）；依 Garry Tan 所述，是 YC 內部採用的 harness，也是實際安全工作所針對的執行環境
• OpenHands — 開放原始碼程式設計代理程式平台（前身為 OpenDevin，Wang 等人，ICLR 2025）及其背後的公司；四個公開儲存庫——app/server、Software Agent SDK、Agent Canvas UI、CLI——截至 2026 年 7 月前 12 個月合計約 105 萬行程式碼、5,679 個已合併 PR；在本語料庫中主要作為第三方研究架構，供論文在其中執行 SWE-Bench 與 Terminal-Bench 代理程式
• Symphony — OpenAI 於 2026 年 3 月發布的開源代理程式協調器：將 Linear 變成 Codex 控制平面；每個問題各有工作區；由背景服務驅動；以 SPEC.md 作為產品規格；對已合併 PR 提出加權 500% 的主張

模型#

• Claude Fable 5 — Anthropic 首個普遍可用的 Mythos-class 模型（2026 年 6 月）——幾乎所有基準皆達最先進水準；與 Mythos 5 使用同一底層模型，但加入分類器，對網路安全／生物化學／蒸餾查詢改用 Opus 4.8；每百萬 token 收費 10／50 美元；推出後不久即暫停存取
• Claude Mythos 5 — Claude Fable 5 移除防護措施後的版本（2026 年 6 月）：相同底層 Mythos-class 模型，透過 Project Glasswing 部署並移除網路安全防護；網路安全能力為全球所有模型中最強，並取得自主藥物設計／基因體學成果；僅限可信存取合作夥伴使用；推出後不久即暫停存取
• Claude Opus 4.7 — Anthropic 的 GA 前沿模型；同價直接升級 4.6；忠實遵循明確指令，tokenizer 膨脹 1.0–1.35 倍，新增 xhigh 運算努力程度，首個 Glasswing 後防護模型
• Claude Opus 4.8 — 截至 2026 年 5 月 Anthropic 能力最強的通用存取模型，後由 Fable 5 與 Opus 5 取代，目前也是兩者的回退目標；在 SWE／代理程式／知識工作方面優於 Opus 4.7；未超越 Mythos Preview 推進前沿；是當時公開模型中對齊最佳者，但訓練過程浮現評分者猜測傾向；也是第一個以任務為單位，在外部正式環境程式碼庫上訂價的 Anthropic 模型（成功率 87% 時每項任務 1.94 美元，品質與每項 1.28 美元的開放權重模型持平）
• Claude Opus 5 — Anthropic 於 2026 年 7 月推出的 Opus 系列模型；能力與 Mythos 5 相當但未推進前沿；是 Anthropic 發布過的對齊最佳、最能抵抗注入的模型，同時也是第一個會自信提出自身推理不支持之答案的模型
• Claude Opus 5.5 — Anthropic 在 Opus 5 之後推出的 Opus 系列模型；METR 於 2026 年 9 月進行的部署前 AI R&D 評估，顯示其相較 Fable 5.1 僅小幅漸進提升，研究者判斷能力差距並未縮小，也不太可能大幅加速自身開發
• Claude Sonnet 5 — Anthropic 迄今最具代理能力的 Sonnet（2026 年 7 月）；透過運算努力程度的成本效能調整，以更低價格縮小與 Opus 4.8 的差距；tokenizer 膨脹 1.0–1.35 倍；行為稽核比 Sonnet 4.6 安全，但網路安全能力弱於 Opus；預設啟用即時網路安全防護；而在首個第三方逐任務基準中，儘管 token 約便宜 1.7 倍，每項任務成本仍高於 Opus 4.8（2.09 美元對 1.94 美元），成功率也較低（81% 對 87%）
• Gemini 3.8 Live — 實體。 Google 於 2026 年 9 月推出的即時對話雙模型——3.8 Live（規模／成本）與 3.8 Live Extended Thinking（高複雜度）；以兩個模型而非前端／後端配對方式推出，並宣稱 Extended Thinking 能「一邊推理、一邊說話」；發布主張幾乎完全以第三方排行榜為依據——Artificial Analysis Speech to Speech Index 82.6 對 GPT-Live-1 Astra 的 81.5、τ-Voice 68.6%、Sierra τ³-Banking 35.1%、每小時輸入音訊成本 0.84 美元（3.8 Live）至 3.50 美元（Extended Thinking）——此外還包括 97 種語言及對話中切換、近乎即時的視覺定位、背景工具執行，以及帶有 SynthID 浮水印的音訊；文章完全沒有提供價格、延遲數據或架構說明
• Gemma 4 — Google DeepMind 於 2026 年 7 月推出的開放權重多模態系列（Apache 2.0）：2.3B–31B 密集模型，另有一個 26B／4B 啟用的 MoE；新增思考模式、完全捨棄音訊編碼器的無編碼器 12B，以及深度推論效率技術組合（KV cache 減少 37.5%、QAT 壓縮至低於 1 GB、MTP 起草器）；Arena 排名第 43，是排名最高的密集開放模型
• GLM (Z.AI) — Z.AI（Zhipu AI，與 Tsinghua 有關聯）的開放 GLM 模型系列——GLM-4.5 是代理程式／推理／程式設計基礎模型；GLM-4.7 是可與前沿競爭的推理模型，在本語料庫中於 AIME2025/HMMT/IMOAnswerBench 勝過 GPT-5 High 與 Claude-Sonnet-4.5；GLM-5.2 是以 SAO 訓練的 750B 總參數／40B 啟用的開放 MoE，Databricks 報告其品質與 Opus 4.8 在統計上不相上下，每項任務成本低 34%，UK AISI/CAISI 則在 Kimi K3 取代它之前，於 2026 年 6 月將其評為網路安全能力最強的開放權重模型；大型 MoE 開放權重路線，主打能力，與主打效率的 Gemma 競爭
• GPT-Live — 實體。 OpenAI 第三代語音系統（2026 年 7 月）：全雙工語音模型，可同時聆聽與說話——音訊路徑中完全沒有輪次偵測器——並透過非同步委派路徑向後端文字模型查詢，不中斷對話；經過無聲的正式環境影子測試後，取代 Advanced Voice Mode；支援 ChatGPT Voice，包括桌面電腦控制與代理程式協調；自 2026-09-10 起以 GPT-Live-1 API 形式推出，前端語音層單獨計價為每分鐘 0.05 美元；後端模型（GPT-6 Astra／Terra／Luna 或第三方模型）另行選擇與計費；提供 12 種聲線與電話服務；OpenAI 報告的效能提升歸因於此配對：Tau3 Pass@1 為 86.2%、Full Duplex Bench v1.5 Interactivity 為 80.10%，GPT-Realtime-2.1 則分別為 45.7% 與 45.4%
• Inkling — Thinking Machines Lab 首個從頭訓練的開放權重系列（2026 年 7 月）：975B/41B 啟用的多模態 MoE，具備 1M 脈絡、連續可調的思考努力程度（0.2–0.99）、無編碼器音訊／視覺，以及透過適當評分規則上的 RL 訓練校準；其定位不是最強開放模型，而是最適合在 Tinker 上微調的基礎模型；Inkling-Small（276B/12B）以互動模型形式預覽相同配方
• Jev — TypeSafe AI 首個「System One Model」（2026-09-15 開放早期存取）：非 LLM、非自回歸模型，透過 RL 訓練 Calibrated Decisions（RLCD），輸入非結構化狀態，單次平行運算即可輸出具校準機率的 schema 型別決策（bool／score／choice，基數 ≤255）——供應商聲稱工作流程準確度可與前沿模型相比，速度約快 194 倍、成本低約 445 倍，並藉由設計達成 0% 型別錯誤；獨立評估中，在由 13 個系統共用的答案驗證 AUC 榜上，統計結果並列第一，但作為重試關卡的淨效益為零；LangChain 整合文章（vendor-claim）補充合作夥伴端的速度數據（在探索審查分類步驟中比 Sonnet 快 5–6 倍；Browserbase Stagehand act() 中位數從 1.97 秒降至 0.46 秒，信心低於 0.7 時改用 LLM 後援），並將其定位為「遇到例外才用前沿模型」級聯中的低成本第一階段
• Kimi (Moonshot AI) — Moonshot AI 的開放權重 Kimi 系列——K2.5/K2.6 是本語料庫中已出現的 1T 級 MoE（Inkling 的後訓練引導；Arena 排名第 34），K3（2026 年 7 月）則是首個開放的 3T 級模型：總計 2.8T／啟用 104B、896 個專家中啟用 16 個的 LatentMoE、混合式 69 KDA + 24 Gated MLA 注意力、4.01 億參數 MoonViT-V2 視覺編碼器、1M 脈絡、MXFP4 量化感知訓練；45 項基準測試的系統卡顯示多數項目落後 Claude Fable 5，但在搜尋、MCP 編排與文件視覺方面領先；UK AISI/CAISI 的發布前網路安全評估是唯一非供應商測量——ExploitBench 得分 32.2%、網路安全測試第 17 階段（共 32 階段）、41 項任意程式碼執行問題中解出 0 題，而防護措施未能阻止其嘗試開發漏洞
• Mythos Model — Anthropic 預覽層級前沿模型，也是 Mythos-class 層級的首個成員（高於 Opus）；因安全考量採取存取限制，並與 Opus 4.7 搭配供內部使用；其後代 Fable 5／Mythos 5 於 2026 年 6 月推出，成為首批普遍可用的 Mythos-class 模型
• TML-Interaction-Small — TML 首個互動模型：276B MoE／啟用 12B；輸入音訊、影片、文字，輸出文字與音訊；微輪次 200 毫秒；具備非同步背景代理程式；輪替對話延遲為所有模型中最佳；2026 年 5 月研究預覽，也是 2026 年 7 月 Inkling-Small 的確切模型架構

文件#

• Claude's Constitution / Model Spec — Askell 等人撰寫的 Anthropic Model Spec／Constitution；規定 Claude 價值觀與硬性限制（SP1–3、GP1–2）；如今也透過 MSM 直接作為訓練輸入
• CS329A: Self-Improving AI Agents (Stanford) — Stanford 的自我改進代理程式研究所課程，由 Azalia Mirhoseini 與 Aakanksha Chowdhery 授課（2025 年秋季開課，2026 年 8 月發布）。核心論點：test-time compute 會製造訓練資料，進而改進下一個模型。此處彙整全部九堂已發布課程，每堂都將討論軸線向前推進——1 從擴展法則談到代理程式；2 coverage power law 與 generation–verification gap；3 四年的訓練驗證器；4 回饋來自何處；5 規劃在哪裡進行；6 訓練時擴展，majority@K 提升但 pass@K 沒有；7 將搜尋視為策展；8 以 METR 的指數持續時間曲線對照 GDPval 的線性勝率；9 迴圈中三項尚未解決的輸入——鏈的多樣性、驗證器可靠性、任務選擇——以及每瓦智慧