本文作者：Dongxi 东锡 NLP（@dongxi_nlp）。版权归作者所有，未经授权禁止转载。
这项研究从一个问题开始：
MATS 论文如何使用和评价中国模型，尤其是中国开放权重模型？
听起来，搜索模型名、统计出现次数就够了。
第一步就会错。
一个模型可能只出现在参考文献里，也可能承担训练、评测、监控或红队任务。“中国模型”说的是来源，“开放权重”说的是访问方式。把这些概念混在一起，很容易把使用便利误读成国别偏好。
MATS（ML Alignment & Theory Scholars）是一个聚焦 AI alignment、transparency 与 security 的研究项目。我们整理了 221 个项目，希望沿着论文证据回答：哪些中国模型真正进入了安全研究？它们做了什么？研究者又如何评价它们？
我把这项工作交给了 Apodex 1.1，面向复杂科研任务的主模型 + 在线工作台产品。
可检查、可复核的，端到端执行
输入包括 221 个项目的主表、4,821 条论文证据摘录、3,918 条原始模型提及，以及 871 条“项目—模型家族”记录。
四份表互有关联，也各有口径。直接加总没有意义。
Apodex 先把问题拆开：
- 回到 CSV、PDF 和网页，定位原文与页码；
- 区分 raw mention 和 substantive use；
- 标注模型来源、访问方式、研究角色、安全领域与评价立场；
- 重新计算关键数字，并让独立 reviewer 检查证据链。
最容易被忽略的是第二步。
论文引用 Llama，并不代表实验使用了 Llama。论文讨论 DeepSeek 的新闻，也不代表 DeepSeek 进入了研究流程。只有找到模型在方法、实验或评测中的具体作用，采用率才有清楚的含义。
Figure 1. Model roles across the complete MATS corpus.
研究中途，问题变了，但可以 Chime-in
最初的范围只有 52 篇安全与红队相关论文。
运行开始后，我通过 Chime-in 调整了任务，steer 了模型：扩展到全部 221 个 MATS 项目，加入 paper_model_mentions.csv，并把重点收紧到“安全研究与中国开放权重模型的关系”。目标也从内容素材改成一项可以复查的正式研究。
任务板随之更新。已经完成的数据读取和证据抽取继续保留，受影响的采用率、角色、立场和稳健性分析重新规划。
这类长任务的难点，常常出现在运行中：问题会变，数据会暴露新缺口，局部脚本会失败。系统需要记住已经确认的部分，同时重做真正受到影响的部分。
异步 Agent Team（Deep Discover）：十条线同时推进
Deep Discover 没有沿用一棵预先写死的任务树。主 Agent 先判断工作能否拆分，再决定拆成什么、交给几个 Subagent，以及何时汇总或调整。
这次研究最终形成 17 个任务，首轮启动 10 个 Subagent。文献证据核查、Data Analysis、Method Validation 和 Path Exploration 分别在独立 context 中推进，主 Agent 维护目标、依赖关系和 Shared Task State。
第一个数据审计结果回流后，主 Agent 已经开始核对 871、628 和 186 三个核心数字；角色、立场与匹配分析仍在后台继续。后续任务可以直接读取阶段性产物，整条主线无需等待最慢的分支。
异步也给 Chime-in 留出了空间。用户可以在运行中修改范围，系统再判断哪些结果仍然成立、哪些分析需要重做。
并行只是开始。真正困难的是让十条工作线使用同一套定义。因此，两名数据审计 Agent 分别复算核心分母和采用记录。robustness 脚本出错时，系统只修复并重跑相关步骤；报告整理触及运行预算后，校验和发布收尾进入下一轮，已完成的分析没有丢失。
再开一条线，专门检查结论
并行提高了速度，结论质量仍需单独处理。
负责写作的 Agent 已经看过全部分析，也已经形成解释。让它独自审查自己的结论，容易沿用原来的判断。
Apodex 的 Statement Review 另外启动 claim_refuter，逐项检查 10 组核心论断；final_verifier 再核对交付是否完整。它们检查分母、置信区间、纳入规则、论文原句、评价归因和图表口径。
审查确实找到了问题。
报告原先写“63 条人工修正”，数据中实际能数到 65 条；另有“125 条保留复核”无法从现有字段完整重建。最终版本保留了这两个差异，也说明它们是否影响主要结论。
这一步决定了一份结果能否被信任。漂亮的图表只能呈现结论，独立审查才能暴露结论依赖了哪些定义、哪些数据仍有缺口。
数据最后说了什么
核心数字经过两条审计路径复算：871 个“项目—模型家族”对、628 个实质性采用对，以及 186 个实际使用具名模型的项目都可以复现。
几个结果最值得注意：
- 中国模型的实质性采用率从 2023 年的 4.35% 升至 2025 年的 50.55%。2026 年截至 8 月为 65.52%。
- 80.9% 的中国模型实质性使用发生在可获得权重的条件下。
- 170 条中国模型评价记录中，63.5% 属于中性、工具性使用。现有证据没有显示论文将负面安全结论明确归因于模型的中国来源。
放在完整语料中看，采用变化十分清楚。
Figure 2. Model adoption across the complete MATS corpus.
评价记录呈现出另一层信息。
Figure 3. Evaluative stance toward Chinese model families.
回到最初的问题，现有 MATS 语料呈现一种清楚的信号是：中国开放权重模型正在成为安全研究的实验基础设施。
值得一提的是，Apodex 1.1 的最终结果，生成的图片，全部在本地有真实验证的的artifacts，可以随时复用和检查。
我对 Apodex 1.1 的理解
能持续、可验证地把一件事做完。
这次 MATS 研究把这个“能力单位”拆得很具体：
- 理解目标：把一句关于“中国模型态度”的问题，转成定义、分母、分类规则和可检验假设；
- 真实环境中动手操作：进入 CSV、PDF、网页和代码环境，读取证据、运行统计并生成图表；
- 维护长链条任务状态：持续管理 17 个任务、10 个 Subagent、依赖关系和共享产物；
- 处理执行中的新反馈：通过 Chime-in 把范围从 52 篇扩展到 221 个项目，并加入新的数据文件；
- 失败后修复而非推倒重来：局部脚本报错就修复相关步骤，运行跨轮也能沿用已有结果；
- 交付结果可被核查：保留原文、页码、数据表、evidence matrix、统计口径、图表和 Statement Review 记录。
搜索和写作只覆盖了开头与结尾。真正拉开差距的是中间这条执行链：任务如何拆分，Agent 如何协作，用户在哪里改变方向，错误怎样被修复，数字和论断又怎样被独立挑战。
让推理走出报告，走进真实任务的执行过程。
这句话在这次实测里有了具体含义。最终留下的包括可复用数据表、evidence matrix、统计结果、六张图、审查记录和完整报告；每一项都能沿着过程回查。
如果你也有一份材料复杂、口径容易变化的研究任务：
- 在 Apodex 在线工作台 上传论文、CSV、表格、图像或代码。新注册用户可获 credits；API Platform 上线期免费两周。
- 在 Hugging Face 查看或下载可本地部署的 Apodex 1.1 mini（35B），也可以搭配 FrontierAgent 使用。
- 在 GitHub 查看单机 harness FrontierAgent。无需预装 Docker，一条命令即可运行。
