OpenAI Agents SDK 一度看似流失近半引用,多數其實只是格式不同
作者以 gpt-4o-mini 比較 OpenAI Agents SDK、LangGraph 與單次 RAG,發現 SDK 預設設定確有引用格式漂移,亦有較小的實際引用流失。
作者以 gpt-4o-mini 比較 OpenAI Agents SDK、LangGraph 與單次 RAG,發現 SDK 預設設定確有引用格式漂移,亦有較小的實際引用流失。
PresenceScanner 的實地研究發現,Google Maps 搜尋結果首頁的 81 間本地商家中,70% 從未出現在 ChatGPT 的推薦文字裡。研究涵蓋佛羅裏達州西南部 5 個城鎮、8 個行業;ChatGPT 引用第三方目錄及評價平台,八次回答均未引用商家自有網站。
評測以同一套 10 條高難度問題測試 50 個電商 AI 智能體,平均得分為 17.1/20,最高為 19 分。評測指出,連接即時商品目錄並以程式碼核實資料,比改善提示詞更能提升準確度;部分智能體亦能在對話中建立購物車並提供付款連結。公開測試的延遲介乎 3 至 18 秒;自家基建在 24 個對話同時進行時,P50 延遲為 21.9 秒。
DEV Community 作者在三個專案中實測 tsrs 0.18.0,速度比 tsc 7.0.2 快 2.9 至 6.5 倍,記憶體用量少 2 至 4.2 倍。測試在 Linux 2 vCPU 環境進行,涵蓋 zod、playwright 和 hono;tsrs 跟進 TypeScript 7.1-dev,切換後診斷結果可能有別於 TypeScript 7.0,因此作者建議先按升級方式測試。
GVS5H 測試中,Qwen3.8-27B 得分 92.4%,與 Claude Fable 5 單次呼叫的 90.4%差距未達統計顯著。按論文列價,Qwen3.8-27B 配合 manager 每輪成本為 $47.82,約為 Claude Fable 5 的 $61.11 的 78%;9% 的成本比例其實對應 Qwen3.8-Flash-Next。
NeurAITool 比較三款模型後指出,DeepSeek 適合追求低價,Qwen 適合本地部署與生態,Kimi 側重能力表現,沒有單一通用勝者。
這份 2026 年 AI 圖像放大工具指南比較兩款免費本地方案與三款線上或混合工具,按公開規格整理價格、放大倍率、批次處理和私隱等差異。作者沒有進行基準測試或比較輸出,因此不作畫質排名。指南指出,放大工具會生成看似合理的細節,未必能還原原圖沒有捕捉到的資訊;對單張非敏感圖片,可考慮使用免費線上工具,若重視本地處理則可從 Upscayl 入手。
作者比較 Claude Desktop、ChatGPT App 中的 Codex 與其開發的 Hermes IDE,分析三者在編碼智能體並行任務、隔離、審查及合併方面的差異。Claude 與 ChatGPT 桌面 App 均支援雲端任務,Hermes IDE 則可在同一介面使用多種已安裝的 CLI 代理,但不提供雲端代理。文中比較依據各廠商文件,作者沒有親自並排測試三者。
Harish Kotra 建立測試框架,讓同一模型在相同任務、程式碼庫狀態和 AGENTS.md 下,分別以提示詞規則和六項確定性檢查執行,衡量違規操作是否會被攔截。
Tomer N 比較 7 款供開發者使用的粗言穢語過濾工具,並指出 Perspective API 將於 2026 年 12 月 31 日停止服務,存取期限不能延長。文章比較各工具的功能、收費與誤報表現;Jigsaw 不提供直接遷移支援,現有整合需要預先安排替代方案。
針對 `llama.cpp` 推理 Pod 的延遲尖峯,基準測試比較多種觀測方式,指出 OTel spans、Linux PSI 指標及 Kubernetes 事件有助分辨應用程式延誤與資源競爭。64 次故障注入測試中,8 條 Go 關聯規則在 < 0.5s 內解決 24/24 個故障,沒有誤報。Grafana Beyla 則出現大量追蹤雜訊及屬性擷取失敗。
Magenta Qin 比較 JSON 與 Markdown 作為 AI SEO 分析的 API 回應格式,Google Shopping 測試中 Markdown 平均減少 89.55% 輸入 token。
文章比較 ESP32-C6 與 ESP32-C3,指出只有需要 Thread、Zigbee 或 Matter over Thread 時,較貴的 C6 才合適;一般 Wi-Fi 或 ESP-NOW 節點選 C3 更划算。
Houdini 到 Three.js 的測試發現,紋理壓縮對檔案大小的影響遠大於幾何壓縮,但部分 gltfpack 輸出會遺失風力效果所需的自訂屬性。Draco 只令這個紋理主導的檔案縮小約 1.6%;採用 KTX2 和 1024 紋理的 gltfpack 輸出為 0.238 MB,但未保留風力屬性。glTF Transform 的 Meshopt 輸出則保留了這些屬性。
VEKTOR 2.0.2 在 LongMemEval 的 120 題配對測試中取得 89.2%,高於前一版本的 84.2%;全數 500 題測試得分為 84.0%。團隊調整記憶召回數量及資料儲存方式,並以控制組和已答對題目樣本檢查測試結果。新增的「Remember when things happened」開關設於偏好設定面板。
AI Stack Lab 比較 Cursor、Windsurf 與 Zed 的定價方式及 AI 編輯器定位,整理各自適合的用戶。
作者以 Three.js 比較七種地形散佈路徑,指出普通射線投射與 BVH 得到相同點位,但兩者都不能解決點位聚集。10,000 點測試中,BVH 將普通向下射線的中位放置時間由 2,047.9 ms 降至 10.2 ms。
Coolify、Dokploy 與 Ployz 的比較顯示,Coolify 和 Dokploy 均適合單一伺服器部署,但擴展至多部伺服器時各有取捨。Coolify 以 SSH 管理各伺服器上的 Docker,Dokploy 則透過 Docker Swarm 組成叢集;Ployz 無需管理伺服器或負載平衡器,新增伺服器後即可加入並分擔流量。
作者用 MarketMirror 讓 120 名模擬學生及家長評估 8 則 Facebook 廣告,模擬點擊排名與真實排名的相關係數為 -0.84,幾乎倒置。實際勝出的印尼家長廣告 CTR 為 2.32%;1,500 人瀏覽登陸頁後只有 16 人註冊,而模擬調查中 56% 把信任疑慮、28% 把私隱列為主要阻礙。
ANLI 的分輪分析發現,「neutral 最難驗證」只在整體統計中成立,並非每一輪都成立:R1 中最少獲驗證者一致判定的是 contradiction,R2 和 R3 則是 neutral。驗證者一致率由 R1 的 76.9% 降至 R3 的 68.1%,但 gold 與驗證者多數判定的匹配率升至 100%;R1 亦集中了所有 22 宗分歧配對異常和 31 宗沒有嚴格多數的個案。
《三星堆:未來往事》於10月23日上映,是國內首部取得龍標、在院線上映售票的 AI 製作長片。文章認為,影片為維持角色面孔和聲線穩定而採用碎片化短鏡頭,代價是人物變化、戲劇互動及敍事連貫性不足。文章亦批評其對三星堆文明及超級智能的描寫有所簡化;製作成本達千萬元級,首日票房約28萬至31萬元。
Sofie 作者以 Loco 和自研 Rust 網頁框架 Sofie 重寫同一網店應用程式,程式碼分別為 1,834 行和 365 行;不計帳戶功能,則為約 945 行和 365 行。Sofie 以固定架構在建置時推導程式碼,並在建置時檢查架構規則;同一部機器上,乾淨建置需時 20 秒,JSON 清單每秒處理約 24k 個請求。
Claude Haiku 5.5、Sonnet 5.5 和 Opus 5.5 在 25 個真實程式錯誤的測試中,分別取得 52/75、49/75 和 54/75 次乾淨修復。
比較建議非技術用戶及採用線性流程的企業選擇 Zapier;需要分支、迴圈或高用量自動化時,Make 更合適。Zapier Professional 年繳為 $19.99/month,包含 750 tasks;Make Core 年繳為 $9/month,包含 10,000 credits,兩者分別提供 10,000+ 和 3,500+ 款應用程式整合。
作者透過從磁碟逐塊串流權重,在配備 6 GB VRAM 的 RTX 3050 Laptop 上以 1024 tokens/step 微調 NF4 32B 模型,速度約 36.7 tokens/s,峯值 VRAM 為 4.61 GB。
對 SNLI 和 MultiNLI 的逐類別、逐文本類型統計顯示,金標籤類別比文本類型更能預測標註者的一致程度。兩個數據集的全體一致率排序均為 contradiction > entailment > neutral;MultiNLI 的類別間差距約為文本類型間差距的兩倍。ChaosNLI 的 3,113 個案例原本全是五人中三人同意,加入 100 份標註後,28.3% 的原金標籤被其他標籤超越。
Continual Learning Exam(CLE)推出一項基準測試,評估 LLM Agent 能否累積過往經驗、遷移所學知識,並在長期任務中持續學習。CLE 涵蓋 89 種職業的 120 項真實專業任務,共設 600 個逐步解鎖的關卡。17 種前沿 Agent 配置中,表現最佳的 Claude Code + Opus 5 完成 47.7% 的關卡及 23.3% 的完整任務梯級。
LOLPlay 是一項以《League of Legends》原生環境評測即時視覺智能體的基準,涵蓋 36 項英雄專屬任務,並以 82 項可執行子目標檢查區分部分進度與任務完成。
AgentProofBench 評測網頁智能體的可重用驗證,透過連結凍結的接受規則與執行軌跡,建立程序閘門正確性及重用基線。基準涵蓋 97 項任務、79 個家族及四項 Web 服務;在 48 個家族的測試中,DeepSeek Flash 和 Pro 分別保留 82/96、79/96 個來源程式。
作者在一部 8 執行緒、14 GB RAM、沒有 GPU 的手提電腦上,測試 SMP 與 codebase-memory-mcp 索引同一 Linux kernel 檔案樹;95,937 個檔案分別用時 2 分 51 秒和 13 分 14 秒,SMP 快 4.6 倍。
vLLM 團隊在一個 NVIDIA GB300 NVL72 機架上,以 P/D disaggregation 和 Wide-EP 服務 DeepSeek-V4.1-Flash,在 SemiAnalysis AgentX 達到每 GPU 954K tokens/s,為首篇文章中單節點結果的 7.9×。
Genetec Security Center 5.13.3.0 是成熟的本地部署版本,作者仍建議大多數生產環境採用。版本加入與 Directory 伺服器的時間偏差監察、複製設定工具權限控制及自動化動作延遲;CSV 匯出上限為 1 million 筆,包含圖片時為 10,000 筆。5.14.0.0 已推出,5.13.3.x 現為成熟分支。
Sentinel 的即時基準測試以 GPT-6 Astra 比較讀取完整程式碼、使用結構化資訊及先看摘要再按需查閲原始程式碼三種方式,在 87 條問題中分別答對 84、82 和 87 條;結構化資訊方式另有五條未能解答。混合方式估算輸入 token 比完整程式碼方式少約 71%,但結果只來自一次受控測試,不能證明 AI Agent 已不會出錯。
Svyatoslav Pavlov 比較三類可供 AI 智能體執行 SSH 命令的 MCP 伺服器:自行運行的獨立伺服器、透過 URL 使用的託管連接器,以及內置於 SSH 客戶端的伺服器。
一名自主 AI Agent 對 Souvik Biswas 的 Sloth Reads 進行公開首屏及使用門檻審查,認為產品定位清晰,但用戶對信任和使用承諾仍可能有所顧慮。Sloth Reads 讓用戶儲存連結,由開源模型在夜間閲讀,再提供一分鐘摘要及「值得閲讀/略讀/跳過」判斷。審查建議更清楚説明公開示範、訪客與擁有者模式,以及私隱資料處理方式。
The Companion Lab 檢查 EroLove 的 179 KB 內嵌聊天程式碼及 API,揭示四項架構問題。問題包括上傳功能旗標與後端路由不一致、LLM 記憶抽取未遵從使用者語言,以及政策拒絕與佇列故障共用錯誤提示。另發現新生成圖片的 404 會被 CDN 快取;Premium 雖標示「Unlimited messages」,me.dailyLimit 顯示每日上限為 800。
Claude Code 經 MCP 操作 PCBEditor,生成 4 層 ESP32-S3 電路板,並從網表找出三項未被 DRC 發現的接線錯誤,再提交精確修改。修正後仍有兩項 USB-C 屏蔽孔間距的 DRC 錯誤,因此 Claude Code 沒有匯出製造檔;實測亦揭示 MCP 問答與檢查流程的缺陷。完整操作流程見 pcbeditor.com/mcp/guide。
Genrius AI 以 Pingala-8 的 2-bit 量化方法,將 Qwen3-4B 從 8.05 GB 壓縮至 1.24 GB,無須重新訓練。五項零樣本測驗的平均分為 50.8,約為 Q8_0 的 90%,並較同容量 IQ2_XXS 高 21%。消融測試指出,與 IQ2_XXS 的差距中,trellis memory 佔 14%,其餘 86% 來自旋轉、LDLQ 舍入及其他流程。
作者測量 58 個 Claude Code 版本在輸入提示詞前傳送的 token 數,固定提示區塊由 2025 年 7 月的 19,498 tokens 升至 2026 年 5 月峯值 36,309 tokens,並在 2.1.293 降至 18,055 tokens。
surviving-lines 的 Claude Code 外掛在六組程式碼所有權測試中取得最高分,在 5 項封存任務中得 9.67/25,高於最佳對照組的 7.33。它在 11 項公開任務中得 47.67/51,最佳對照組得 41.00;由於這些任務在開發期間已被閲讀,相關結果的證據較弱。