// RESEARCH / LANGUAGE MODELS
LLM 研究
关注大模型应用安全、上下文边界、成本可观测性，以及模型能力如何进入可维护的软件系统。
- 持续研究
- 当前状态
- 04
- 开放问题
- 04
- 公开证据
模型输出只是概率结果；真正可用的 LLM 系统必须把不确定性、权限、成本和失败路径都纳入工程设计。
已公开提示注入研究笔记、cctop 成本对账工具和 Fledge 工程教练 MVP；评测数据和独立安全基准仍在整理。
- 01
系统提示、用户输入和外部数据混在同一上下文时，信任边界如何表达？
- 02
如何用分层检测和最小权限降低提示注入影响，而不是追求单点“拦截率”？
- 03
本地 token 记录与服务账单如何对账，识别倍率和异常消耗？
- 04
AI 生成的 Demo 怎样经过测试、结构化与反馈闭环进入真实交付？
// LIMITS
现在还不能证明什么
- 尚未公开统一的 LLM 安全评测数据集
- 不同模型和供应商接口会影响结论迁移