01先從需要累積能力的人開始。
最先可能受益的，是開發長期運作 AI 的團隊，以及需要反覆建立、檢驗假設的研究者。候選情境包括：既有表示解釋不了新現象，或每換一次問題，就得由人重新整理有效方法。若新方法能留下並主動再用，後續工作才有機會站在先前的理解上。
這些是尚待訪談與實測的候選需求，不是已確認的客戶或效益。合作先找一個真實、反覆發生的限制，約定什麼改變才有用；不因此把小麥縮成單一答題或修錯工具。
小麥 / 探索式 AI 研究
讓 AI 形成新的理解，累積往後能用的能力。
如果每次新的理解，都能改變它往後做得到的事？
研究中的目標自主研究、新知識形成與持久能力提升仍待驗證。
週報 #4從保存點、讀碼研究到原生 9B小麥是一個正在開發、以可解釋、可探索的自主推理進化為目標的 AI。它以不完美的開源模型為起點，逐步讓自己的運算、權重、執行狀態與學習機制，成為它能讀取、檢查與介入的研究對象。人類提問可能含錯誤假設、漏掉限制，讓 AI 照題回答，也得到人不想要的結果。我希望小麥在處理過程察覺這種落差，追查並質疑定義，保留原始目的與限制，提出新的問題定義，再用對照驗證。
我也希望它從未知、矛盾與想像中的新可能，自行形成值得追問的問題，改變自己的表示、推理與學習方式。提問、自省與實驗，要連到可觀察的運算、假設與修改，核對改變的原因，讓新理解成為持久可再用的能力，逐步突破原有限制。
用拆解身體，比喻追查運算機制概念實驗室 · 非模型實測
選取零件，追查它與其他部分的關係
研究路徑 · 互動插畫
導覽已等待：回到畫面並解除環境動態暫停後，才會繼續。
想像其他可能
還不知道答案時，小麥會想到哪些可能？
H = {h₁, h₂, …}; prediction(hᵢ)表示方式示例小麥需要先回查實際運算，找出牽涉的候選零件與依賴，再用消融、替換和恢復逐步排查。可解釋 AI 在這裡要做的，是讓它對自己的說明有依據可核對，並追問公式、函數與適用條件。
01 / 從哪裡懷疑
目前的表示方式，可能讓某些解釋從未出現。
先分開記錄已有依據、想像中的可能與還不知道的部分。02 / 接著怎麼查
提出不同理解及選題理由，也回頭問：自己形成問題、生成候選的方法，漏掉了什麼？
消融、替換、恢復想像其他可能
03 / 用什麼判斷
讓不同候選說清楚各自預期的結果，再找能區分它們的觀察。
依研究問題選擇對照與反例目前顯示完整示意依賴，沒有實驗成績。
這是由人設計的研究示意：零件、公式與依賴用來說明構想，沒有呼叫小麥模型，也沒有量到模型內部原因，不是模型實驗成果。
拆解的「身體」比喻 AI 的運算機制，不是機器人硬體。場景、零件與路徑均由人設計，沒有連接小麥模型；互動只能說明研究構想，不能證明自主研究能力。
小麥要看清的，不只是答案怎麼來，還有自己為什麼只看見這些可能。
為什麼想做出這樣的 AI？新的理解，
應該改變下一次的能力。
人類的提問可能含錯誤假設、漏掉限制，或把想達成的事定義錯。AI 即使照題作答，也可能給出不想要的結果。小麥要探索：能否在處理過程察覺這種落差，追查並質疑原有問題定義，提出能核對的新定義？
重新定義時，要保留原始目的與限制；意圖不清楚就向提問者確認，再比較不同定義的推導與結果。目標是讓經實驗與反例核對的新理解，成為之後提問、推理與學習可再用的能力，不只改一次問法。能否可靠做到仍待驗證。
02把想法接到能改變的地方。
從未知、矛盾與新可能形成問題，再追查可觀測的實際運算與假設。必要時重新定義問題，改變可執行的表示、推理或學習方式；用消融與競爭解釋核對原因，再看保存、重啟與新問題之後，能否自己選用有效改變。
可解釋 AI、自我修正、自主研究與自我修改已有前人工作。小麥承接這些成果，檢驗把問題重定義連到可觀察、可撤回的機制改變，是否能累積更可靠的能力。目前沒有證據宣稱首創或優於既有方法。
展開方法：如何追查、檢驗並留下改變
01從未知出發，也追問自己怎麼研究。
從矛盾、理解缺口或想像中的可能，主動找出值得研究的問題。小麥要能在沒有人說「你錯了」時察覺問題，也能依據證據判斷別人的指正。
元認知還要再往前：自己為什麼選這個問題、安排這個實驗、採用這種學習方法？若研究方式漏掉線索，就修改方法再檢驗；探索也能分岔、回溯與撤回。
02把說出的理由，對回實際運算。
可解釋 AI 是起點：解釋要能與可觀測的實際運算核對，文字思考鏈與局部觀測都不等於完整內部思考。沿輸入、表示、運算與輸出找出候選零件及依賴，再用消融、替換、恢復與對照檢查因果。一次消融差異只是候選線索，還要排除其他解釋，並檢查多個環節的作用。
再用第一性原理追問，把可分析的部分拆到基礎學科的公式、函數、變數、假設與適用條件。Python 是目前暫時的執行與檢查工具，長期要研究如何表示和修改這些關係；這不表示所有學科都能完整公式化。尚無法觀測或表示的部分，保留為未知。
03讓新的理解，改變實際做法。
每一步都算對，仍可能解釋不了現象。這時要重新檢查問題表示、遺漏的變數與假設，把新的理解落到可執行機制，推導能區分新舊解釋的預測。重新定義時，原始需求與限制必須保留；意圖不清楚要向提問者確認，不能自行認定知道對方真正想要什麼。目前也不保證找出所有定義問題。
新解釋要接受外部觀察、對照實驗與反例。能被推翻，也能據此撤回修改，才有依據判斷是否產生了新知識。
04重啟、換題之後，還能自己用上。
有效改變要能保存，在重啟、換題及未用來調整的新條件下，由小麥自己選用；同時檢查原有能力是否退步，必要時恢復舊版本。保存筆記或參數只完成其中一步；重啟與新題中的持久能力仍待驗證。
這四件事接起來，仍是待驗證的研究目標。下一輪合作，要把一個有邊界的研究問題、可追查的機制、反駁條件與保存後再用的檢查一起定清楚。
用 3＋5 看懂方法：先追查候選，再做消融
問的是加法，為什麼做了乘法？
問題3 + 5 = ?錯誤輸出3 × 5 = 15
這是說明方法的假設例子，非小麥實測結果，也不是已選定的下一個實驗。
模型可能寫出完整的思考鏈，卻仍然做錯。要理解錯誤，就把它說的理由對回實際運算：加號在哪裡被辨認？運算在哪裡被選定？最後的文字怎麼產生？
先沿輸入、表示、運算與輸出，找可能參與錯誤的零件和路徑。功能可能分散在許多互相影響的部分，不能先假定有一顆專門控制加法或乘法的零件。
找到候選，才進入消融實驗。暫時移除、替換或恢復可疑部分：加法是否恢復？原本正確的乘法是否受損？改動是在接近原因，還是只讓系統失去運算能力？必要時也要檢查零件間的組合。
原始目的始終是算出 3＋5。重新定義的是模型對符號、任務或機制的理解；把人的加法需求換成乘法，不能算問題解決。
先行研究與公平比較
從機制觀察到持久自我修改，前人已推進多條路徑。下列原始工作供核對範圍；不能用其中一個失敗例子否定整套方法。
- Circuit Tracing · Introspection Adapters
- SCoRe · Self-Refine · Reflexion
- The AI Scientist · Co-Scientist
- Darwin Gödel Machine · AlphaEvolve
後續比較會讓各方法保留記憶、反思、搜尋與保存成果的能力，使用相同底座與初始狀態、相近資訊、工具及總預算；觀察、介入、訓練、保存與恢復成本都要計入。再比較機制移除與等成本替代方案，以新問題、重啟及原有能力回歸核對。這是待執行的研究提案。
展開研究過程：從想像到留下改變
下方是人設計的概念示意，沒有呼叫模型或執行實驗。選一個階段，看看它要追問什麼；研究可以回訪、分岔或撤回。
從可疑的零件，追到需要重問的假設。
先沿實際運算找出候選路徑，再用實驗檢查各部分的作用。眼前這個零件用了哪些公式與函數？它依賴的假設，在這次問題裡還成立嗎？
追查機制與假設 · 概念插畫想像不同可能這一步要查什麼
想像其他可能
還不知道答案時，小麥會想到哪些可能？
H = {h₁, h₂, …}; prediction(hᵢ)用來追問的表示方式- 可疑的假設
- 目前的表示方式，可能讓某些解釋從未出現。
- 先確認的條件
- 先分開記錄已有依據、想像中的可能與還不知道的部分。
- 接下來的檢查
- 讓不同候選說清楚各自預期的結果，再找能區分它們的觀察。
接著把候選解釋攤開：各自預期什麼結果？哪個對照能分辨它們？如果都不成立，就回到問題的定義再想。
問題背後，還有哪些關係？
這裡由你選擇追問路徑；AI 主動選題仍是待驗證目標。
目前追問的關係回查、反駁或未知其他概念關係
關係與候選由人設定，沒有呼叫模型、產生新機制或實驗結果。選取身體零件與選取研究階段是不同操作；這張圖回應的是研究階段與分岔。
小麥不必等答案出錯，才開始探索。
小麥要先想像其他可能：還沒出現的功能、尚無法解釋的現象，或另一種理解問題的方式。它能否從自己的未知與理解缺口，主動形成值得研究的問題，說清楚為什麼要追問，而不只挑已經會答的題？
換一個前提，小麥還能看見什麼可能？
需要的證據
留下候選、選題理由與可區分的預測；不能檢驗的想像仍保留為未知。
選擇上方階段，或回查問題定義、探索另一個候選。
目前進度
本次收錄 4 期
最近三期研究圖解
階段摘要（2026-10-26）
截至 10/25，較舊原生 9B CPU 保存點已有限恢復並另存未更新狀態；研究與更新尚未到達，新保存物未冷載入，嚴格來源盤點未通過。10/23 的小模型另有更新回饋、真寫入後回滾、重送與同來源冷恢復證據。完整原生研究更新及正式遷移仍未驗收。
較早的工程基線中，同一份 True 的 25 份研究參數張量已實際更新並保存。兩個新程序從指定保存點接續下一筆研究更新，核對的 206 筆狀態與梯度紀錄、3,108,565 個值逐位元一致。這讓後續研究可以核對：改動有沒有進入研究參數，保存後有沒有接得上；它不表示其他輸出或完整文字生成也相同。
ECC v2 外接唯讀助手在已暴露的四題讀碼比較中補齊更多事實，成本也增加；額外與中止案例分開保留。它未載入原生小麥自訂狀態或 learner，不能當成原生恢復或自主能力。較早三組 CPU 比較未確認完整方案優勢；10/18 的 A100 限定更新則保留為前期證據。逐項數字與限制集中在本週報。
以可解釋、可探索的自主推理進化為目標：自主形成與重新定義問題；讓小麥逐步讀取並檢查自己的運算、權重、執行狀態與學習機制，探索未知世界與自身，從矛盾形成問題，提出新的概念、表示或方法，以推導、反例和介入實驗檢驗，依結果分岔或回溯，保存有效改變，再檢查新知識與能力能否在重啟與未見情境中持續起作用。這些能力仍待驗證。
範圍與限制已有局部提案、量測與操作紀錄；穩定的自主問題重定義、新知識形成與持久能力仍待獨立驗證。運算測試、參數更新、數值一致或保存成功，不能代替這些能力的證據。
接下來補齊來源盤點與新保存物冷恢復，再接上原生研究及下一步更新。診斷理解、自主形成問題及修訂後的新情境選用，仍需有對照的研究任務；新知識與持久能力尚未證明。
看現有基礎接下來怎麼驗證不是原始證據、模型內部或實驗結果。
僅有限恢復與另存
較舊保存點已恢復並另存，尚未進入研究更新
以分塊計算指紋的候選，在 CPU 恢復較舊的 41-record 原生 9B 保存點，並另存未更新狀態。這補上了有限恢復與保存的證據；原保存點與來源保持不變。新保存物的來源盤點由 115 變為 104。
範圍與限制research 與 update 均為 NOT_REACHED；新保存物尚未冷載入。only_expected_source_migrated=false，嚴格來源盤點檢查未通過；不是最新 CUDA 保存點的恢復、完整來源遷移或完整研究／更新／保存循環。
展開核對依據
2026-W43 研究週報與公開逐項索引：https://xiaomailab.com/weekly-evidence-2026-W43.json
已暴露開發例的描述性比較
4 題檢索修復補齊更多事實，成本也增加
外接 Ornith 研究助手的 4 題已暴露原碼閱讀比較中，完整正確由 0/4 至 1/4，完整事實項目由 1/12 至 7/12。新方法的時間與 token 成本均增加；其餘 81 個額外／中止案例另行保留，未併入品質分母。
範圍與限制這是縮小原協議後的描述性比較，不是事前預註冊的 8 個案例；提示、片段與 schema 同時不同，不能歸因單一修復或推論一般能力提升。外接助手未載入原生小麥自訂狀態或 learner，不是原生恢復或自主研究能力證據。
展開核對依據
2026-W43 研究週報與公開逐項索引：https://xiaomailab.com/weekly-evidence-2026-W43.json
限定 CPU 工程驗收
把更新結果帶回下一次研究，保存後仍可查回
更新的成功、失敗與提交後觀測錯誤分開記錄，並接入下一次研究輸入。指定 CPU 範圍驗證真寫入後回滾、重送防重複更新，以及同來源的新程序冷恢復。觀測開關下，64 個事件、6,082 個 FP32 值與控制組原始位元組相同。
範圍與限制只涵蓋指定小模型、狀態與觀測邊界。正式舊 9B 保存點遷移、完整 decoder 梯度首錯與 CUDA 尚未驗收；尚未證明模型理解診斷、自主修正或在未見問題上持續改善。
展開核對依據
2026-W43 研究週報與公開逐項索引：https://xiaomailab.com/weekly-evidence-2026-W43.json
展開較早的 14 份紀錄
未確認完整方案優勢
保留沒有明確優勢的比較結果，重新界定能力問題
CPU 三組比較未確認完整方案具有優勢，正式參數更新均為 0。原失敗與比較結果保留；這批任務主要是一次性程式解題，與需要形成問題、鑑別假設和保存方法的研究循環不同。
範圍與限制此結果不支持宣稱自主持續變強，也不足以判定記憶或更新機制一般無效。自主問題重定義、保存修訂後的新情境選用與跨題效益，仍需適合的獨立對照。
展開核對依據
2026-W43 研究週報；2026-10-22 比較結果與交付，逐項索引：https://xiaomailab.com/weekly-evidence-2026-W43.json
前期限定真模型證據
歷史補錄：選定參數更新、由新程序接續再保存
前期 A100 實驗在 9B 等級模型的 47 組選定參數範圍，完成兩次實際更新。新程序精確恢復第一次保存的選定狀態，再完成第二次更新與保存。這是 2026-10-18 的既有結果，本期僅補入進度索引。
範圍與限制輸入與目標由主機指定，沒有模型自主提案。不是全部 9B 參數訓練、一般數值等價或完整跨環境遷移；第二次保存點尚未由第三個程序再次載入，本次週報未重跑此實驗。
展開核對依據
2026-W42 研究週報與公開逐項索引：https://xiaomailab.com/weekly-evidence-2026-W42.json
尚未證明
自己找到值得質疑的地方
以可解釋、可探索的自主推理進化為目標：自主形成與重新定義問題；讓小麥逐步讀取並檢查自己的運算、權重、執行狀態與學習機制，探索未知世界與自身，從矛盾形成問題，提出新的概念、表示或方法，以推導、反例和介入實驗檢驗，依結果分岔或回溯，保存有效改變，再檢查新知識與能力能否在重啟與未見情境中持續起作用。這些能力仍待驗證。
範圍與限制已有局部提案、量測與操作紀錄；穩定的自主問題重定義、新知識形成與持久能力仍待獨立驗證。運算測試、參數更新、數值一致或保存成功，不能代替這些能力的證據。
展開核對依據
研究定位（2026-10-10 更新）；R15 方法循環截至 2026-10-09 尚未通過能力驗收；v0.9.2 autonomous_research_improvement_proven=false
限定保存接續驗收
保存後，兩個新程序都接上同一筆下一步
正式入口指定的研究保存點，在兩個獨立的新程序中各執行下一筆原研究更新；依原比較收據，206 筆含型別與形狀的數值紀錄（181 筆保存後狀態、25 筆新梯度），共 3,108,565 個純量值逐位元一致。同日完成 A100 專案、保存點與執行環境的停點備份。
範圍與限制這是保存與接續的工程證據，不代表任意輸出或文字生成等價，也不代表新概念、新知識或持久能力已形成；下一個保存點沒有自動升為正式入口。同日仍未完成：新增五個算子的全參數等價、開啟追蹤的完整驗收、9B 底座的 Python 前向／反向與更新、完整文字鏈，以及 R15 方法循環的能力驗收。
展開核對依據
a100-pause-backup-20261009 停點備份 README（六項驗收狀態）；R19 第二次冷恢復比較收據 v4_r19_saved_next_bitwise.json
合成 CPU 驗證
機率運算接上同一張可追蹤的反向計算
exp、log、softmax、log_softmax、logsumexp 與 rsub 的前向與反向，接在同一張 Python Tape。三組合成初始化、177 個參數元素，與原生自動微分加相同 PythonAdamW 比較，最大差約 1.2e-7，在預定容差內；追蹤開關結果逐位元相同；六個新程序載入保存值後計算的第二步逐位元一致。
範圍與限制全為 CPU 合成測試，不是 25 份真研究參數的更新驗收；沒有新的 True 更新、GPU 或 9B 反向，也未接入私人觀測入口。
展開核對依據
R19 README_zh.md；evidence/formal_02/EXECUTION.json
真實更新與冷恢復
在真 9B 特徵上完成研究更新，保存後冷恢復
凍結的 9B 在 GPU 上計算特徵，研究交易經原 Tape 反向與原 AdamW 更新後保存，25 份研究參數張量改變。原生與關閉追蹤兩條路徑比較 207 筆、3,108,566 個值，全部在預定容差內（最大差約 3e-8，其中 81 筆非逐位元）；兩個保存點各由新程序冷恢復，CPU 研究狀態（181 筆、2,960,497 個值）與保存時逐位元相同。
範圍與限制冷恢復範圍是 CPU 研究狀態，不含完整 CUDA 亂數還原與全部延遲載入的底座值，也沒有執行下一筆交易。開啟追蹤的一組由協調者中止，未通過；R15 真模型生成因數字以字串輸出被原解析器拒收，沒有保存方法。這不是 9B 全模型反向。
展開核對依據
true-r17-r15-a100-milestone-20261007：ACCEPTANCE_STATUS_20261007.md
核對未通過
完整 32 層前向跑通，候選核心的數值尚未對上
在 A100 上，原版與 Python 候選各完成兩次完整 32 層特徵前向，24 個 GDN 層都走過候選核心。外層運算以 CUDA 執行，候選 GDN 核心是編譯後的 CPU 實作。
範圍與限制改寫前後的固定數值容差核對未通過；已定位到首層核心「相同輸入、不同輸出」的邊界，確切算術原因仍在追查。同期的 R10、R11 是 CPU 限定驗收。這批沒有完成語言生成、新梯度、更新、保存與新程序接續的完整驗收。
展開核對依據
R12 A100 實際執行與驗收紀錄；R11 限定驗收紀錄（2026-10-04，尚未發布）
限定工程驗收
把可讀權重與局部研究運算接著驗下去
六條 CPU 工程線完成 163 項測試及 12 項子測試。8 MiB 真實 BF16 權重張量完成可讀匯出、還原、指定修改與 Python 投影；小尺寸 chunk 反向計算、數值追蹤及原 GDN 物件路由另以合成資料驗證。
範圍與限制optimizer 驗證是既有真實紀錄重播；本批未更新 True、未使用 GPU。全量權重與真尺寸 chunk 尚未完成；恢復檢查通過資料核對，但執行環境仍不符。
展開核對依據
CPU 六條工程線：STATUS.json、PACKAGE_RECHECK.json、PUBLICATION_RECEIPT.json；research/cpu-gpu-readiness-20261001，提交 e2c14b2a
真實更新與接續驗收
同一份 True，更新後保存，再從新程序繼續
原研究信用交易接入 PythonTape／PythonAdamW，25 份研究參數張量實際更新並保存。保存後，兩個新程序接續下一筆更新，輸出、參數、主權重、動量及 CPU 亂數狀態逐位元一致。
範圍與限制32 層凍結文字特徵仍由原生 CUDA 計算；研究算術、反向計算及 optimizer 由 CPU FP32 Python 執行。這是限定工程接續，尚非全模型 Python 化、完整 GPU 訓練或自主研究能力驗收。
展開核對依據
True Python 研究後端：原生／Python 對照、更新保存及新程序接續的獨立驗收紀錄；research/a100-true-python-backend-20260930，提交 2ce8fcd5
唯讀匯入驗證
真實 True 的選定狀態匯入
A100 恢復同一個 True，唯讀核對 47 份主權重、20 份既有動量，涵蓋 1,067,974 個選定參數值。
範圍與限制這次唯讀批次沒有前向、loss、梯度更新或新保存點，僅驗收狀態匯入；後續更新與接續另見較新的紀錄。
展開核對依據
next_learning_v1 INDEPENDENT_ACCEPTANCE.json
摘要記錄／限定比對
真實第 0 層 GDN 核心比對
README 記錄 2 個 token 預填、1 個 token 接續解碼與 6 組梯度比較。
範圍與限制此版本的外層線性投影仍使用原生 PyTorch，紀錄範圍為局部核心比對；完整模型整合未在這一批驗收。
展開核對依據
v0.9.4 README_zh.md / 驗收範圍
合成試驗
串接修改、學習與恢復
README 記錄在 456 個合成參數試驗中，串接 Python 反向計算、AdamW、保存與新程序恢復。
範圍與限制此版本的合成試驗未驗收真實 True 學習；後續真實模型更新與接續另列紀錄，不能用合成結果替代。
展開核對依據
v0.9.4 README_zh.md / 驗收範圍
限定驗證
CPU 學習交易的回歸基礎
交付摘要記錄 4,555 項 CPU 回歸測試，失敗、錯誤與略過均為 0。
範圍與限制信用 loss 仍是合成契約；測試通過只涵蓋此 CPU 交易範圍。
展開核對依據
v0.9.2 DELIVERY_STATUS.json / scope.full_regression
限定驗證
保存之後，下一步仍能對得上
限定 CPU 交易核對了主權重與動量保存，以及新程序接續的下一步一致性。
範圍與限制這次驗收是限定 CPU 交易，未涵蓋完整 True 整合模型的單檔冷啟動。
展開核對依據
v0.9.2 DELIVERY_STATUS.json / new_process_next_step_equal
從既有的 True，
接續下一段研究。
True 是小麥目前使用與持續開發的模型系統。同一 True 的研究參數已完成更新、保存與新程序接續；六條 CPU 工程線也已有程式與驗收紀錄。下一步接續這個起點：先讓同一模型中的改變可追查、可撤回、可保存，再檢驗新的表示、推理與學習方法能否成為持久能力。
接手一段已開始的工作執行 True 前，先核對來源與環境。
最新保存點的資料核對已通過，但目前 Windows／PyTorch 與原驗收環境不符，最新整合版本的完整冷恢復尚未完成。正式接續 True 前，須先完成匹配環境，或通過明示遷移與對照。可獨立驗證的 CPU 工程仍能繼續。
接回已驗證的更新流程
先把可撤回的 optimizer 數值接頭接回同一 True 更新流程。固定同一來源、保存起點與輸入，對照接入前後的更新；按既有規格交付數值、參數與學習狀態、分段耗時，以及保存後新程序接續的核對紀錄。這個接頭已通過真實紀錄重播，接入驗收仍待完成。
待接入擴到實際模型尺寸
把新 chunk 反傳與整段輸入處理（prefill）從小尺寸驗收擴到實際尺寸，補容量與分段重算。CPU 先核對接線，再接入對應 GPU 前後向、裝置與數值精度規則；有可執行候選後才驗硬體。
待擴展讓改動可追查、可恢復
沿現有數值追蹤、可讀權重與恢復檢查，擴大實際運算可觀察、可修改的範圍。接續全量權重、完整算子與細部追蹤，最後把同一 True 的來源、資產和最新狀態完整交付，從乾淨程序恢復核對。
待續作展開工程交付與後續能力判準
每段接續，都留下可核對的結果。
- 接入前後的對照
- 固定來源、輸入與既有狀態，留下實際運算路徑、數值差異和分段耗時。依各項驗收規格判讀容差或逐位元比較，不把元件通過寫成完整模型成功。
- 能觀察，也能撤回
- 列明可記錄、可修改、唯讀與看不到的部分；核對追蹤沒有漏記或改變結果。每個接頭與機制修改都留下版本差異、失敗條件和撤回方式。
- 保存後仍能接續
- 連同來源與環境核對保存內容，從新程序恢復，再走下一次更新。工程上的保存接續，與新方法是否成為可再用的能力，要分開驗證。
工程接得上，
研究能力還要另驗。
接續既有的問題形成研究與失敗紀錄，我要檢驗的是：小麥能不能發現自己的未知，質疑原本的定義，用可反駁的實驗改變理解，並把新方法留下來。這些能力尚未因工程驗收通過而成立。
- 自己找到值得研究的問題
從自己的未知、矛盾或想像形成問題，不先告訴它缺口在哪。也要能檢查自己為什麼選這個問題、實驗和學習方法。
- 重新定義，落到實際改動
在原本目標仍清楚的前提下，修改問題表示、變數、依賴或機制，留下可執行的差異。接受有依據的反駁；當糾正本身錯誤或證據不足，也能拒絕修改，保留原本有效的做法。
- 用干預分辨競爭解釋
沿實際輸入、函數、狀態與輸出追查候選原因，再選擇替換或消融，檢查多個零件的依賴與交互作用。完整的文字自述或單次消融差異，都不足以認定已找到全部根因。
- 重啟、換題，再看是否有用
保存後關掉程序、重新載入，在未用來調整的新條件與相關問題上，觀察它是否主動再用新方法，也檢查原有能力有沒有退步。效果消失或造成退步時，留下結果並撤回相應改動與主張。
展開尚待定案的比較構想（A–D）
這是後續能力驗證可討論的對照構想，尚未定案或執行。具體環境、待測機制與判讀條件，須接著既有研究紀錄和實際可運行範圍來定；上面的工程接續順序不因此改變。
直接回答
留下同一模型原本會怎麼處理問題的基準。
待定額外反思
給予反思與修訂機會，記錄更多嘗試的效果與成本。
待定待測機制
依實際接入與可觀測範圍，選定要檢驗的問題形成、實驗選擇或方法修改機制。
待定候選原因消融
先提出競爭解釋，再移除或替換 C 組的指定機制，連同交互作用檢查。
待定比較使用相同底座與初始狀態、相近資訊、工具及總預算，讓基線保留記憶、反思、搜尋與保存改進的能力；計入觀察、介入、訓練、保存、恢復和驗證成本。事先約定未見情境、重跑次數與反駁條件，並加入等成本替代方案。如果機制沒有帶來超過額外反思的差異、移除後結果不變，或重啟與換題後失效，就縮小或撤回對應主張。
從一段可交付的工作，開始合作。
希望先與有可執行模型、反覆失敗現象的研究或系統團隊討論，也歡迎能接手以下工程與重現工作的夥伴。同一 True 的更新、保存接續及六條 CPU 工程線已有來源、測試與驗收收據；第一次來信，可提出一個想改善的限制、想核對的材料與能投入的工作。
系統、數值與 GPU 整合
帶來數值或 GPU 工程經驗，接續既有 True 更新流程與 CPU 六線，擴大分塊運算至實際尺寸。交回分段耗時、梯度與數值對照，以及整合後更新、保存和新程序接續的證據。
觀測與可解釋性
帶來追蹤或實驗設計經驗，從既有數值紀錄擴大可觀測範圍，先檢查漏記與觀測是否改變結果，再依候選安排介入對照。交回觀測邊界、對照差異及仍未排除的解釋。
研究方法與持久改變
帶來領域問題或反例，接續既有問題形成與反駁規格，檢驗自主提問、保留原始需求的可執行重定義，以及保存後的遷移。交回候選、反駁、失敗與未見情境的結果。
來源核對與獨立重現
帶來可重現環境或驗收經驗，核對既有來源、收據與保存點。環境匹配或遷移對照通過後，再做新程序冷恢復，交回來源與環境綁定、恢復差異及阻擋項目。
網站目前提供公開進度與研究摘要。先核對既有交付的範圍，再約定來源、收據及需授權真實資產的存取方式。 公開進度 · 研究摘要
[email protected]我是國立高雄大學資訊工程學系畢業生，目前獨立開發小麥。
讓下一段投入，有明確交付。
資源需求接續既有 True 基線與 CPU 六線交付。先確認來源、環境、待完成項目與交付，再估算設備、算力、經費和時間；可獨立進行的 CPU 工作先推進，GPU 租用依整合準備度安排。
研究支持可約定一段工作的資源、交付、署名與公開範圍，結果可能否定原假設。投資洽談則還需核對候選需求、可持續提供的價值、權利與商業條件；工程驗收不代表市場已成立。嘖嘖提案目前審核中，預定2026/10/19 12:00至12/18 00:00（台灣時間），上線以平台核准為準；目前尚未啟動募資或收款。研究合作仍可來信洽談。
六個月開發期間規劃每週公開開發紀錄、每月一版整合成果，並每月寄送與公開一份白話摘要，共六份；結案另提供成果索引。時程稿暫排2027年2至7月開發、8月結案，須募資成功且款項與啟動開發所需運算資源於1月底前到位；目前週報為募資前的先行開發紀錄。
想再拆開看？
以下是可選的最小原理示範。算式與控制器都由人設計，在瀏覽器實際運算；它們不是小麥自主研究成果，也不是完整模型內部的觀測。
最小算例：需求、路由與運算
小麥想研究的方向 · 人為設計的可操作示意
把自己打開，
查清錯從哪裡開始。
不是換一句答案，而是沿著實際執行，找到可疑零件，質疑它原本被怎樣定義，再把修改放回運算。
長期希望借助各基礎學科的底層公式與函數，表示、檢查及修改自身機制與問題理解；能做到哪裡，仍待驗證。
下方每個機制、修改與判準皆由人預先寫好，沒有呼叫小麥模型。它讓你核對一條路，不是宣布小麥已自主走通。
01
需求
3 + 5加總或相乘，是需求的一部分。
02
算子選擇
(left, right) → product舊定義只收到數字對，忽略需求。
03
實際運算
3 × 5 = 15乘法本身沒有算錯；選它來做這次的加總才不符需求。
需求的參考值8
目前機制的輸出15
出現不符需求的結果。先追查選擇與執行，不急著叫它重答。
1. 觀察矛盾
目前明確需求是 3 + 5，參考值為 8。原版不讀取 operation，一律選乘法：3 × 5 = 15。 這次原版不符需求，可回查需求到算子的路由。
目前載入原版，輸出 15，不符需求。 參考值與判準來自明確需求及人寫算術，不是模型自己發現。
問題不只是「答案錯了」。要分開問：需求被如何表示？哪個零件選了運算？被選中的運算是否照其定義正確執行？
只換算子解決這個例子，不代表已修改形成問題的機制，更不證明自主進化或新科學。小麥要驗證的，是能否自己找到可疑定義、提出可執行改變，並在公平、未提示與重啟檢查中保留有效能力。
不只重做答案，也要重想問題。
想像新的自己，還要追問零件為什麼這樣被定義。修改要能執行，也要能被推翻；有效改變才值得留下。
想像不同可能：這是小麥要研究的能力，不是這個示意已證明的成果。展開完整研究循環
核對示意的表示、適用條件與限制
本頁以明確 operation 與有限數值，示範需求表示、算子選擇、算術運算與人工參考核對。sum = left + right；product = left × right。只涵蓋這些人寫函數，不涵蓋語言理解、神經元、真實模型學習或完整思考。
Python 只是目前的執行與檢查工具。長期希望借助各基礎學科的底層公式、函數、基本假設、適用條件與依賴，逐步表示、檢查及修改自身機制與問題理解。能達到的表示與修改範圍仍未知；這不表示各學科都能完整公式化，也不表示已全面拆解真實模型，更不保證找到根源。
這個網站示意實際由 TypeScript 在瀏覽器執行。記憶體版本重載不同於保存知識、保存參數、真模型重啟、保密新題轉移或持久能力改善。
打開算子，
也打開「要算什麼」。
同一個 3 與 5，從執行、公式與需求三個角度核對。乘法本身可以正確，路由卻回答了錯的問題。這是人預先寫好的公開示意，不是真實模型被拆開後的內部源碼。
固定核對同一個加法需求
sum(3, 5)；人提供的預期是 8。三種檢視共用這個需求；乘法對照只改 operation，數字與兩個算子的公式保持相同。
實際呼叫，再把路由留下來。
本頁實際呼叫 executeInspection，讀取其輸出與 trace。原路由忽略加法需求而選乘法；候選路由依 explicit operation 選算子。程式以 TypeScript 執行，示意的需求、候選與判定規則均由人預先寫好。
const request = { left: 3, right: 5, operation: "sum" };
const original = executeInspection(request, "original");
const candidate = executeInspection(request, "candidate");
const product = executeInspection(
{ ...request, operation: "product" }, "candidate"
);
const interventions = inspectInterventions(request);以下紀錄由這次示意函數呼叫返回，不是以敘事補上的假執行，也不是模型的思考過程。
原路由的實際 trace
[
{
"part": "requirement",
"input": "{\"left\":3,\"right\":5,\"operation\":\"sum\"}",
"output": "3 + 5 = 8"
},
{
"part": "resolver",
"input": "{\"left\":3,\"right\":5}",
"output": "product"
},
{
"part": "arithmetic",
"input": "3 × 5",
"output": "15"
},
{
"part": "check",
"input": "actual=15; reference=8",
"output": "mismatch"
}
]候選路由的實際 trace
[
{
"part": "requirement",
"input": "{\"left\":3,\"right\":5,\"operation\":\"sum\"}",
"output": "3 + 5 = 8"
},
{
"part": "resolver",
"input": "{\"left\":3,\"right\":5,\"operation\":\"sum\"}",
"output": "sum"
},
{
"part": "arithmetic",
"input": "3 + 5",
"output": "8"
},
{
"part": "check",
"input": "actual=8; reference=8",
"output": "match"
}
]同一輸入的實際輸出
- 原路由選中
- product
- 原路由輸出
- 15 與加法要求不符
- 候選路由選中
- sum
- 候選路由輸出
- 8 符合要求
- 乘法需求的候選對照
- 15 product
- 移除需求感知路由的消融
- 15 product
原路由的 3 × 5 = 15 算得正確，錯在需求是求和。候選不是把答案寫死成 8；換成求積，仍執行乘法。單個替換消融回到固定乘法，讓加法錯誤重現。這些結論只涵蓋此人工程式及指定條件。
消融返回的實際 trace
[
{
"part": "requirement",
"input": "{\"left\":3,\"right\":5,\"operation\":\"sum\"}",
"output": "3 + 5 = 8"
},
{
"part": "resolver",
"input": "{\"left\":3,\"right\":5}",
"output": "product"
},
{
"part": "arithmetic",
"input": "3 × 5",
"output": "15"
},
{
"part": "check",
"input": "actual=15; reference=8",
"output": "mismatch"
}
]兩個公式都對，需求到公式的映射卻不同。
加法算子
sum(x, y) = x + y乘法算子
product(x, y) = x × y兩個算子與數字不變。原 resolver 的輸入缺少運算需求，固定送到 product；候選 resolver 把 operation 納入依據，才有辦法在和與積之間選擇。修改的是語義到執行的依賴，不是乘法公式。
- 原輸入表示
(left, right)- 原路由規則
resolve(left, right) → product- 候選輸入表示
(left, right, operation)- 候選路由規則
resolve(left, right, operation) → operation
這裡的 sum / product 需求已由人明確標定。如何取得可靠需求、原始問題是否合理、模糊語義能否被正確理解，仍需另外檢查；一個公式或一條路由不能代替這些問題。
把人的預置與還不知道的，一起留下。
原始目的仍是依需求計算同一組數字。不能把求和偷換成求積，或只展示 8，便宣稱問題已自主解決。這個例子展示外部觀察者如何拆開一個公開算子路由。
- 3、5、sum / product 的含義與預期判定規則，均由人事先提供。
- 原錯誤路由、候選 resolver 與消融都由人預先寫好；沒有模型自行產生或修改它們。
- trace 只記錄此公開示意函數的需求、路由、算術與比對；不是完整模型內部機制的觀測。
現在還不知道
模型能自己找到值得懷疑之處嗎？
這裡人已揭露加法需求與錯誤位置。尚未驗證小麥能在沒有原因提示時自主發現矛盾，判斷原問題本身有錯，或提出可執行的新定義。
換一個問題，或修改自己的學習方式呢？
此固定示意沒有模型學習、權重更新、新程序恢復或未提示的選用驗收。小麥如何形成問題、選擇實驗與學習的機制，能否被它自己修改並獨立驗證，仍是長期目標。
拆成公式，就找到了根源嗎？
沒有。公式、適用條件、需求來源、表示方式和形成問題的機制，本身仍可被質疑；也不假定所有學科都能完整公式化。
能看見的範圍，也要說清楚。
- 模型自述
- 這個示意沒有呼叫模型，因此沒有模型自述；一般自述也不是內部運算證據。
- 已觀測執行
- 外部觀察者能核對這個人工函數的需求、selected、actual 與 trace，範圍只到公開的算子路由。
- 未涵蓋內部機制
- 小麥完整的模型內部運算、問題形成、自我學習與持久能力改變，並未因此變成可觀測或已驗證。
另一個原理示範：控溫與待生效命令
改掉一個前提，
預測會怎麼變？
加熱指令還在路上，現在的溫度卻已決定下一步。這個控溫示意讓你比較：狀態只包含當下，與把等待中的指令也納入表示，有什麼差別。
人為設計的教學示意
兩個控制器都由人預先設計，延遲也直接揭露。這裡沒有呼叫小麥模型，不是它自主發現缺口或四組研究實驗的結果。
指令，要等幾步？
原始目的保持不變：讓溫度接近 35°C。調整指令延遲，觀察同一環境下的兩條曲線。
立即生效延遲 8 步
120 個時間步、相同初始狀態、相同指令上限。拖曳或用方向鍵調整；下方可下載每一步數值。
控制器 A：只看當下控制器 B：納入等待指令
控制器 A 平均絕對誤差7.82 °C
控制器 B 平均絕對誤差0.72 °C
在這個玩具環境中，納入尚未生效的指令可以減少誤差。它展示的是人設計的表示差異；AI 能否自己找到、檢驗並保留這種修改，仍需獨立實驗。
想核對曲線？把每一步的數值帶走重算。
把思考寫下來、把運算拆開，就能看懂全部原因嗎？
模型寫出的推理是可供檢查的說明，不能直接當成內部運算的完整紀錄。這裡的可解釋 AI，是把說明接回實際可觀察的輸入、函數、參數與結果加以核對，再追問依據、假設和適用條件。公式也可能漏掉關係，原因也可能分散在多個機制中。Python 是目前的工具；需要時，還要借助不同基礎學科或尋找新的表示方式。看不到的部分，要保留為未知。
為什麼先追查，再做消融實驗？
以 3 + 5 卻輸出 3 × 5 = 15 這個假設例子來說，要先追查需求表示、運算選擇、計算與輸出，找出候選原因，再決定移除、替換或恢復哪些部分。相關機制可能很多，不能看到乘法就直接刪掉。一次消融造成差異只是線索；還要比較其他候選，確認正常加法、乘法與新情境都沒有被破壞。這個例子用來解釋方法，並非模型實測成果。
重新定義問題，會不會換掉原本目的？
真正想達成的目的要保留。可以重問的是假設、變數、問題表示，以及研究的方法。例如，總是挑容易答對的題，就該檢查選題方式是否真的有助於理解未知。人的糾正也可能有誤，小麥應能提出依據共同檢查。涉及改變人的目的時，需要回到人這裡討論，不能把目標改得比較容易就算成功。
怎麼判斷能力真的留下來？
先確認改動進入問題表示、可執行方法或模型機制，再保存、關閉並重新載入。接著不提示先前解法，換成沒拿來調整的新情境，看它是否會使用新方法，並檢查原有能力和計算成本。True 已有 25 份研究參數張量更新保存，以及兩個新程序的下一筆更新一致；這證明限定範圍的接續成立，還沒有證明能力提升。自主形成問題、創造經驗證的新知識及持久研究能力，仍要另外驗證。
網站展示與真實模型成果怎麼分？
機械身體、零件關係和研究情境是互動示意，沒有連接小麥模型；身體代表計算機制。真實工程成果列在研究進度，包括 True 的參數更新、保存與新程序接續。這輪工具候選由宿主提供，沒有執行消融或撤回實驗。每筆紀錄標示實際驗收範圍；示意中的自主研究流程仍待驗證。
合作或投資洽談，先看哪些資料？
先看公開進度與可下載研究簡介，從材料索引選一段工作來談：例如真 True 流程的耗時量測與 GPU 接入、可觀測範圍核對，或更新與保存接續的獨立驗收。這些工作已有來源、測試、比較器及交接收據，可申請核對。網站目前公開的是摘要與簡介；模型權重、原始數值及保存點需要另行授權，重現需匹配環境。我目前獨立推進小麥，工作範圍、交付、預算、時程及成果權利可據此商議；嘖嘖提案審核中，排定2026/10/19 12:00至12/18 00:00（台灣時間），實際上線以平台核准為準；目前尚未啟動募資或收款。
隱私與網站使用說明
網站不設帳號、不收款，不使用廣告追蹤或網站分析 Cookie。互動示意在瀏覽器計算；研究摘要從同站公開 API 取得，不傳送個人模型輸入。合作表單僅組成 Email 草稿或下載文字，不在網站伺服器保存；按寄出後，內容由你使用的郵件服務與 Gmail 處理，僅供回覆與合作討論。請勿提交敏感資料。如需刪除已寄送資料，請來信提出。
託管服務可能為安全與維運處理必要的連線紀錄；網站開發者未另外串接第三方追蹤。研究內容可能更新，實際能力以各版本驗收範圍為準。網站更新：2026-10-26；研究摘要日期見公開紀錄。