深度分析
AREX 遞迴自我改進架構：突破深度研究多約束搜尋瓶頸
大型語言模型在進行深度研究時，常需同時滿足多項約束條件，但發現答案的成本遠高於驗證答案。為解決此不對稱問題，研究團隊提出 AREX 系列遞迴自我改進（RSI）深度研究代理。AREX 包含一個內部研究循環（收集證據、建構暫定答案）與一個外部自我改進循環（逐一審視約束條件、找出未解決的宣稱並啟動目標式後續研究）。
遞迴自我改進
深度分析
圖靈跳躍與可計算性層級：能力內化、訓練與收斂修正的數理界定
研究檢視遞迴自我改進論述的計算邊界，採用相對於Oracle的層級模型，區分有限內部修正、收斂式修正與能力內化。結果指出：有限層內重複更新無法解釋邁向更強相對層級的質變，收斂修正對應圖靈跳躍，而跨層內化需透過訓練或再部署。對AI理論與自我改進論述具約束力。
深度分析
前沿編碼代理自動建構 AlphaZero Connect Four 管線：Claude Opus 4.7 表現領先
本研究以最小任務描述，測試四款前沿編碼代理（Gemini 3.1 Pro、Claude Opus 4.6、Claude Opus 4.7、GPT‑5.4）在消費級桌機與單顆 GPU 上，於三小時內自主建構 AlphaZero 風格的 Connect Four 自我對弈機器學習管線。