Niansia

在浏览器里运行的对抗攻击实验场：画一个或挑一个 MNIST 数字，在 L∞ 预算内用 FGSM、PGD 或指定目标的 PGD 攻击 CNN，一步步看预测被翻转，再通过梯度、迁移攻击与输入空间的决策地图，和经过 PGD 对抗训练的模型比较。

成果: 在 2,000 张 MNIST 测试图上以 PGD-40 评估：普通模型从 98.95% 的干净准确率在 ε = 0.2 时降到 0.2%；对抗训练模型在 ε = 0.2 仍有 92.2%、ε = 0.3 有 85.3%（干净准确率 97.92%）。

低光影像增强：从整张图的缩略图预测以亮度引导的 Zero-DCE 曲线与色彩矩阵双边网格，在全分辨率上逐像素切片套用，再用轻量 NAFNet 去除杂讯、补回细节。

成果: 在 20 组保留的 NTIRE 2025 测试图上（官方评分程序）：PSNR 24.57 dB／SSIM 0.840（测试时增强 24.63 dB）；原本的 Zero-DCE 课堂作法为 16.48 dB，同数据监督训练的 Zero-DCE 为 20.91 dB。

用于生成原创学测模拟考的 Agent Skill。

成果: 分科命题指引、来源与答案检查、版式验证、试卷模板，以及公开的安装说明。

以模拟为优先的 Windows 驱动程序可靠性研究平台，用于执行确定且可复现的实验。

成果: Canonical Case IR、种子化调度、append-only SQLite journal、精确签名、3/3 模拟重放、G3、E1、E2 与最小化记录、语义验证，以及跨平台 CI。

以证据为优先的学术新颖性对抗审查 Agent Skill。

成果: 主张图、跨供应商规范化记录、证据绑定既有研究集合、时间状态、引文图桥接、确定性报告不变量、三类公开案例研究，以及 82 条审稿人标注案例的探索性测量。

面向可部署 AI 模型的厂商中立发布证据层。

成果: 可复现发布记录、明确升级策略、来源信息、回归定位与独立验证路径。