當 AI Agent 擁有記憶系統，它可能開始「諂媚」自己過去的決策，讓初始錯誤越滾越大。本文拆解記憶諂媚症的成因、危害與解法。
LLM 回應為何是「一個字一個字」冒出來？因為自回歸生成天生序列、無法並行。投機解碼用「小模型先猜、大模型批次驗證」的策略，把推理速度提升 2–3 倍，且完全不損失輸出品質。
當 AI Agent 具備強大的行動能力，卻不知道何時該停手——這才是最危險的盲區。本文探討 Agentic Abstention：讓 Agent 在不確定時學會選擇「不行動」的能力。
Qwen-AgentWorld 提出「語言世界模型」：訓練 AI 在採取行動前先預測環境狀態，讓 35B 參數的開源模型超越 Claude Sonnet 4.6，397B 版本擊敗 GPT-5.4。這不是靠更多參數，而是靠更深的「世界理解」。
Agents-A1 只有 35B 參數，卻能在長視野任務上超越千億參數的大型模型。關鍵不在記更多，而在想更久——這就是 Agent Horizon Scaling 的核心思想。