最適合誰
想壓縮 idea-to-submission 時間線的 ML 研究者。特別適合博士生、博後、獨立研究者，也就是缺乏頻繁同儕回饋的人。有研究問題和 GPU 就能讓 ARIS 在夜間跑完文獻回顧、實驗設計、數據分析、手稿撰寫、對抗審稿、修訂循環。早上醒來看到的是已經被打分、弱點已被標記的草稿。
我實際怎麼用
設定研究問題、種子文獻、實驗參數。ARIS 指派 Claude Code 當執行者（讀檔案、寫程式碼、跑實驗、整理結果），GPT 當對抗審稿者（打分、找邏輯漏洞、提改進建議）。兩個模型永遠不會自我評審：Claude 的產出一定由 GPT 審查，反之亦然。
系統跑 8 個核心 Skill 覆蓋完整生命週期：文獻回顧、實驗執行（含遠端 GPU 橋接）、手稿撰寫、跨模型審稿、修訂、引用驗證、宣告審計、投稿準備。Skill 之間透過 Markdown artifact 傳遞狀態，不需資料庫、框架、Docker。
真正強的地方
- 跨模型對抗式審稿有理論支撐（Adversarial Bandit 框架），不只是「找另一個模型檢查」。審稿者永遠看不到執行者的推理，只看產出物和規格
- 三層學術誠信：引用驗證（每個參考文獻都存在）、宣告審計（每個主張都有證據）、實驗完整性（確保可重現性）。抓的是真問題，不是格式問題
- Nightmare Mode：GPT 直接讀整個 repo 做壓力測試，模擬「真正惡意的審稿者」。目前最接近 Reviewer #2 的 AI 模擬
- 零依賴原則。純 Markdown Skill + Python 工具腳本。模型隨時替換，支援 Claude、GPT、Gemini、DeepSeek、MiniMax，甚至免費的 ModelScope 端點
- Context 存活：REVIEW_STATE.json 在 context compaction 後保存工作流狀態，長時間夜間運行不會丟失進度
失敗模式與不該用的情境
- 雙訂閱成本。完整功能需要 Claude Code Pro + ChatGPT Plus/Pro。每月至少 $40-60
- GPU 依賴。Experiment Bridge 需要遠端 GPU（Vast.ai、Modal，或自己的伺服器）。沒 GPU 只能做文獻回顧和寫作
- AI 審稿分數偏高。因為 ARIS 本身就對 AI Reviewer 迭代優化，AI 分數偏樂觀。真人審稿者可能更嚴苛。AI 給 8/10 不代表一定會被錄取
- 入門門檻高。需要理解 ML 研究流程才能有效使用，不適合非研究背景
- Context 壓力。beast 模式下的長時間 auto-review-loop 可能觸發 compaction，雖然狀態持久化機制有緩解
價格、上手門檻與風險
框架本身免費（MIT 授權）。真正的成本是 LLM 訂閱：Claude Code Pro（$20/月）+ ChatGPT Plus/Pro（$20-200/月）。GPU 費用另計。門檻高，需要 ML 領域知識、遠端運算操作能力、對學術發表流程的理解。隱私風險：研究資料會經過 Claude 和 GPT 的 API。誠信風險：AI 輔助研究需依各投稿場刊政策揭露。
結論
目前最完整的開源自主 ML 科研框架。跨模型對抗式審稿是相較於單模型自我評估的真正進步。如果你正在積極發表論文，雙訂閱成本值得。但要校準期望：ARIS 加速研究，不取代研究者。研究方向、重要性、倫理影響的判斷仍然不可取代。