Muse、Dot 與 Instinct 實測:Muse 勝出,原因並非表現最佳
作者以整理電郵、訂午餐和建立個人網站三項任務測試 Muse、Instinct 和 OpenAI 的 Dot,最後推薦 Meta 的 Muse,原因是它是三者中唯一免費的選擇,而非表現最佳。Dot 在整理電郵時找出一封重要舊郵件,Instinct 則找出一封派對邀請;訂午餐方面,作者認為自行下單更容易。Dot 只適用於 $100/month 計劃,Instinct 目前僅限受邀使用。
作者以整理電郵、訂午餐和建立個人網站三項任務測試 Muse、Instinct 和 OpenAI 的 Dot,最後推薦 Meta 的 Muse,原因是它是三者中唯一免費的選擇,而非表現最佳。Dot 在整理電郵時找出一封重要舊郵件,Instinct 則找出一封派對邀請;訂午餐方面,作者認為自行下單更容易。Dot 只適用於 $100/month 計劃,Instinct 目前僅限受邀使用。
華碩破曉 Air 搭載第三代英特爾酷睿 7 處理器 350,實測展現輕薄機身下的辦公效能與穩定性。PC Mark 10 續航測試達 19 小時 28 分鐘,實測重量為 1.24kg;14 吋 2.8K OLED 屏幕及商務 AI 功能亦是產品亮點。
網易雲音樂智慧耳音樂評價模型 CloudEar 在 MIREX2026 音樂評價賽道以 73.9% 準確率奪冠,創下該賽道世界最高紀錄。其準確率較官方基線 CMI-RM Baseline 高 8 個百分點,亦高於 SongEval 的 72.7%。CloudEar 已在網易雲音樂產品中應用,支援 AI 音樂質量把控、內容分發及後續生成模型優化。
Browser Use 比較多款 Browser Agent MCP 伺服器,並按任務長短、是否需要查看頁面及瀏覽器執行環境,區分委派智能體與逐步操控兩種方式。
雙十一實測比較淘寶、京東 AI 購、豆包和張大媽,四款購物 AI 在推薦、優惠計算及多輪對話上各有差異,均未能穩定提供完整購物方案。測試涵蓋購物清單及總預算不超過2500元的護膚品套裝、拍立得和男女同款品牌衞衣;京東提供商品歷史價格,豆包提出跨平台優惠和拆單思路,張大媽則未能在多輪對話中穩定保留需求。
文章比較 Claude Code、Codex CLI、Gemini CLI、OpenCode、Aider 和 ZCode 六種編碼智能體執行環境,分析它們用於 SEO 與 GEO 自動化的差異。測試經驗指出,無人值守模式失效比模型答錯更常導致工作流程中斷;作者建議選型先看 CI 穩定性和權限控制,再考慮模型選擇。
網易雲音樂智慧耳(CloudEar)在 MIREX 2026 的音樂評價賽道以 73.9% 準確率奪冠,創下該賽道世界最高紀錄。其準確率高於官方基線模型 CMI-RM Baseline 的 65.9%,亦超越開源學術基線 SongEval 的 72.7%。
作者以 gpt-5.4-mini 比較意圖型與資源型 MCP 工具,指出表現差異主要來自描述中的操作指引及 API 覆蓋範圍,而非工具數量。測試涵蓋 12 項請求、每項重複 3 次,意圖型在鏈式任務的工具選擇及參數正確率為 100.0%,資源型為 75.0%;直接任務則分別為 66.7% 和 94.4%。
Dify 與 LangChain 都用於開發 AI 應用;文章指出,Dify 適合快速建立大型語言模型應用,而 LangChain 需要用戶自行編寫及除錯程式碼。Dify 提供開源平台及視覺化工作流程介面,LangChain 則是 Python 程式庫,並有 LangServe 和 LangSmith 分別支援部署及監察。文章亦比較兩者在開發時間、可靠性及企業應用方面的特點。
百度的 ERNIE-5.0-Preview-1203 在 LMArena 最新排名取得 1,451 分,並在創意寫作及高難度提示詞等多個關鍵維度展現領先表現。開發者現可在 LMArena 體驗該模型。
Sana Hassan 以 CPU 實測 Cactus Compute 的 16.9 MB 語音轉文字模型 Whistle,並與 Whisper tiny 和 base 比較詞錯誤率及速度,亦測試串流、時間戳和關鍵詞等功能。
PAPAV 為多模態具身智能體提出以能力為核心的統一框架,探討從電腦操作轉向機械人操作時的能力變化。框架涵蓋感知、預測、規劃、執行和驗證;在 64 項基準測試中,明確評估執行的最多,評估預測和驗證的分別只有 5 項和 3 項。研究亦指出,實體限制令智能體較難預先固定選擇,也較難挽回錯誤。
作者建立包含 1,000 條合成記錄的釣魚偵測基準 RSB-1000,並以零樣本方式測試兩款開放模型。Qwen 3.8-27B 的召回率為 98.9%、誤報率為 11.6%;GPT-OSS 20B 的召回率為 94.0%、誤報率為 23.1%。文章指出,誤報率令模型不適合作為自主攔截工具,建議先由 AI 篩查,再交由人手覆核。
作者實測 iPhone Duo 上 8 款已適配 App,指出它與直板 iPhone 的主要差異是展開分欄、半折立放和兩個 App 並排使用。淘寶、高德、WPS 和飛書以分欄呈現購物、導航、文件及會議內容,騰訊視頻、小紅書和 NBA 巔峯對決則展示半折操作等設計。文中亦指出,iOS 27 開放鉸鏈角度供開發者讀取,App 可按手機折疊角度調整介面。
作者的 AI 引用追蹤器在 21 October 得出 29.2 的綜合評分,但按問題類別拆分後,模型表現差異很大。直接問作者姓名時,模型答對率為 88.9%;開放式類型推薦問題則只有 16.7%。作者指出,評分受問題組合影響,並會按類別列出得分、滿分和答案數量,再累積一週數據作比較。
霞光社實測淘寶、京東AI購、豆包及「張大媽」的雙十一購物功能,比較它們在選品、比價、優惠計算及多輪對話中的表現。淘寶多輪對話較連貫但選項較少,京東AI購提供歷史價格,豆包能跨平台比較及拆單但延續上下文不穩;「張大媽」調整預算後未能維持完整方案。文章指出,低價和優惠計算未必構成整體最優購物方案,選品、預算、價格與下單流程仍需一併考量。
美國 NIH 國家糖尿病、消化及腎臟疾病研究所的研究人員分析102頓營養成分已知的餐點,發現四款照片卡路里應用程式的估算值全數偏低。Appediet 每餐平均低估252 kcal(95% CI 210–295 kcal),MyFitnessPal 低估327 kcal(269–385 kcal),Lose It!
KillSwitch-Bench 公佈 20 組模型與 harness 的排行榜,其中 GPT-5.6 Luna 和 Qwen3.8 27B 均得 0.0%,每項任務成本為 $0.00。
IT之家整理多家海外媒體對蘋果首款摺疊手機 iPhone Duo 的評測,涵蓋性能、續航、螢幕體驗、應用程式適配和拍攝表現。評測指出其性能接近 iPhone 18 Pro,續航測得 13 小時 20 分鐘,勝過 Galaxy Z Fold8,但短於 iPhone 18 Pro Max;另有媒體認為部分應用程式未充分利用內屏,拍攝表現亦不及 Pro 系列。
在 6 GiB RTX 3060 Laptop GPU 上以 Ollama 比較 Qwen3 4B 和 0.6B,0.6B 的生成速度約快 3 倍,4B 則通過全部 6 項文件檢查,0.6B 通過 4 項。兩者的整張 GPU 峯值記憶體分別為 3.12 GiB 和 1.04 GiB;這是單一筆電上的探索性測試,不能據此判定整體準確度。
作者在 2 vCPU Linux VM 上實測 DuckDB 2.0.0 LTS,發現語句級觸發器可用,但 variant_extract 傳入 JSON 路徑時會靜默返回 NULL,因為該函數只接受單一鍵名。
Flisk 適合已超出單一 Compose 檔、但尚未需要本地 Kubernetes 叢集的中型服務堆疊。文章將其適用場景定為 10–50+ 個服務且 Compose 難以維護,並以每個服務一份 `service.json`、`flisk up <stack>` 和生成的 Tilt 流程啟動服務。
Victoria 是 SentX SI 的基礎模型,文章評估其在海灣地區新聞編輯室的用途與限制。SentX稱,Victoria 可協助網上研究、寫作及文件處理,並能在互動中學習和自我修正,亦可保留部分記憶。文章提醒,記憶不保證準確,不能取代記者筆記、錄音或原始資料;模型提出的角度仍須核實。
Roman Tsisyk 表示 EAGLE-4 發佈版本無法在 Mac 運行,因此改在 M2 Ultra 上測試 oMLX 0.7.1rc1 的 MTP。在思考模式關閉時,MTP 令 Qwen3.8-27B 編碼生成快 92%,但令 Ornith-1.5-35B-A3B 一般文字生成慢 19%。MTP 開啟後,8 個測試情境中有 7 個的輸出文字不同;作者尚未評估輸出質素。
Kilawatt Cloud 創辦人公開 10 次 GPU 故障轉移測試紀錄,平台每次均申領了不同供應商的替代機器。8 次測試在 10 月 20 日進行,另 2 次在 10 月 14 日進行;故障偵測約需 2 至 4 分鐘,其中一次工作在替代機器就緒後 12 秒從檢查點自動恢復。
CellTrack-Bench 評測視覺語言模型的細胞追蹤能力,並與專用追蹤算法比較,揭示模型在不同成像模態下的推理差距。基準涵蓋四種成像模態、15 個細胞追蹤數據集,共有 1,537 個問題及 9,041 項細胞連結決策。研究評測了 9 個閉源前沿模型和 13 個開放權重模型,並分析其失效模式。
OpenAI、PerturbAI 和 Scripps 表示,數千個 GPT-Rosalind 智能體在 32 分鐘內分析了數百萬個小鼠腦細胞的數據。人類完成這項工作需要數月。
LayerZero V2 智能合約漏洞攻擊面分析列出 16 個攻擊向量,整體風險評分為 7.4 / 10(高至中)。分析指出,最嚴重風險來自 MessageLibV2.verifyProof 的證明驗證問題,以及 Endpoint 直接呼叫時重播保護不足,兩者可能導致跨鏈未授權資產轉移或狀態操縱。
報告分析 Uniswap V4 的 TVL 趨勢及流動性風險,列出 TVL 為 $1.516 B,按年增長 18%。十大流動性池佔總 TVL 約 42%,報告將整體風險評為 7/10。分析指出,惡意 hooks、跨鏈橋中斷及價格波動可能引發流動性損失或跨協議風險。
AIBuildersUse 整理比較 2026 年 7 款 Cursor 替代工具,包括 GitHub Copilot、Claude Code、OpenAI Codex、Windsurf(現名 Devin Desktop)、Zed、Cline 和 Google Antigravity。
對 591 項完成評估的技能進行分析後,結構與下載量的相關係數最高(0.56),評分最高的觸發品質則最低(0.15)。下載量可能反映用戶發現技能時的轉換,也可能受自動化用戶端影響,現有數據無法區分。生產環境中的啟用率尚未追蹤,無法直接驗證觸發品質是否能預測技能何時會被使用。
Appie.run 發佈指南比較多款供市場推廣使用的第三方 Reddit MCP 伺服器,按全站搜尋、監控資訊流及回覆草擬等用途整理功能與價格。文中列出 Manifold、Redreach、RedShip、Mentio、Appie.run、Syften PRO 及 Octolens,並披露 Appie.run 是比較項目之一;所列市場推廣伺服器都不會代用戶發帖。
作者以 12 條問題測試包含 741 個區塊的索引,正確文章有 10 次排第一;兩個未命中案例中,一個可能是標籤過窄,另一個看來是真正的檢索失誤。每篇文章限取一個區塊,令正確文章進入前 5 名的次數由 10 次增至 12 次,但對已答對的問題,正確文章在前 5 名的區塊平均由 3.8 個減至 1 個。作者認為這是取捨而非修正,並提醒 12 題的結果只是粗略參考。
面向程式開發者的 AI 指向式桌面麥克風主打辨識並消除機械鍵盤聲,透過即時音訊分析及指向收音,減少鍵盤噪音對人聲清晰度的影響。麥克風透過 USB 連接,文中稱可配合 Windows、macOS 和 Linux 使用,適用於視像會議及錄製教學內容。
作者在自己的 Mac 上檢查 Claude、Cursor 和 Postman 的六項 Electron 安全開關,結果分別為 6/6、0/6 和 1/6。文中指出,設定差異涉及權限繼承、被修改程式碼載入,以及已儲存網頁工作階段的保護。
Tomosu 對 IBM ContextForge 修復前的單一檔案進行盲測掃描,找出可能導致資料庫連線無法釋放的不安全工作階段清理方式。掃描用時 1 分 41 秒,共列出 5 項發現,Production Reliability Index 為 27/100。3,000 名用戶的負載測試中,修復前有 42 至 81 條連線卡在 idle in transaction,修復後降至 0。
Oppo 推出新一代旗艦手機 Find X10 Pro Max,配備 MediaTek Dimensity 9600 Pro、200-megapixel 超廣角鏡頭及採用 DeepPix 技術的主鏡頭。它在整體表現上媲美或超越六個月前推出的 Find X9 Ultra,英國起售價為 £1,499,兩款手機的定位差異仍不明顯。
Han Lou以50張真實照片及50張AI生成圖像測試4款偵測器;Sightengine和Hive各處理全部100張,準確率分別為99%和95%。AI or Not和WasItAI分別只測20張及9張,作者指出樣本不足以排名;Sightengine和Hive均未把50張真實照片誤標為AI,但小樣本結果不構成保證。
Han Lou 以100張圖片測試4款 AI 圖像判定工具,指出整體準確率不足以呈現誤判風險,真實照片被標成 AI 尤其值得關注。Sightengine 和 Hive 各測試100張,準確率分別為99%和95%,兩者都沒有把50張真實照片誤判為 AI;AI or Not 只測試20張,WasItAI 只測試9張,結果不足以作完整排名。
OpenRouter 模型比較指南評估不同模型的推理能力、速度、成本及上下文窗口,並比較各託管供應商對效能的影響。Claude 3.7 Sonnet 和 GPT-4o 擅長複雜智能體規劃;DeepSeek V3.2 和 Qwen 2.5 Coder 的編碼輸出相若,成本約為前者的十分之一。Bifrost 可直連供應商端點,額外開銷低於 1 毫秒。