主题

Mythos Preview 的64%来自特意挑出的129个人类走弯路时刻。另一组127个人类决定本来就很好的时刻，模型建议被判更好的比例约为20%，未逐模型列出结果。在人类选定问题和评分标准的弱监督项目中，Agent 还自行设计了全部实验，弥合了所定义性能差距的97%；这一结果未顺利迁移到生产规模模型。这些证据说明研究建议与方法有所进展，尚未证明自主开发后继系统。

Personas Agent 完成了大量研究工程，但实验不断改变论文能提出的主张。沿着迁移测试、跨模型重复和后来的竞争方法对照，可以看清为什么更多实验没有证明所提方法的研究贡献。案例也保留了一个有用的窄发现，以及向一般 AI 研究能力或 RSI 外推的边界。