本地 LLM 實測:作者下載 448.2 GiB 模型,仍未能完成編碼智能體任務
作者整理了 111 個 GGUF 模型(448.2 GiB),並用 LocalAI 測試本地編碼智能體;CPU 伺服器未能完成工程任務。在 RTX 4070 Laptop 8 GiB 上,Ministral‑3‑3B、Gemma‑3‑4B、Qwen3.5‑4B Agentic 和 Qwen2.5‑Coder‑7B 嘗試把 Lua 轉成 Forth,結果均逾時或失敗。
作者整理了 111 個 GGUF 模型(448.2 GiB),並用 LocalAI 測試本地編碼智能體;CPU 伺服器未能完成工程任務。在 RTX 4070 Laptop 8 GiB 上,Ministral‑3‑3B、Gemma‑3‑4B、Qwen3.5‑4B Agentic 和 Qwen2.5‑Coder‑7B 嘗試把 Lua 轉成 Forth,結果均逾時或失敗。
AI Labo Benchmark Series 的 E11 實驗比較長系統提示詞與提交前 AST Hook,結果顯示只有確定性 Hook 能在通過功能測試之餘守住全部架構規則。
這篇指南比較 2026 年 LLM 評測框架與選型方法,指出主觀「vibe check」不足以應付多個團隊、多個模型及多個版本的生產環境。完整的 Agent 評測應分別檢查工具選擇、參數提取、工具結果使用、錯誤處理、計劃連貫性和任務完成,並按團隊技術棧選擇 DeepEval、LangSmith、Promptfoo、RAGAS 等框架。
Upstash 員工 Yusuf 比較 7 款 AI 智能體沙盒,按一小時編碼工作負載估算價格。工作負載設為 2 vCPU、4 GB,CPU 實際工作 10 vCPU 分鐘、記憶體用量 1.5 GB;單小時成本由 Upstash Box 的 $0.017 至 E2B、Daytona、Blaxel 各 $0.166,100 位用戶每日各用一小時的月成本為 $50 至 $497。
Samsung Galaxy Buds On 配戴舒適穩固,音質以開放式耳機而言不俗,功能亦豐富,但聲音不及 Bose Ultra Open Earbuds 渾厚清晰。耳機具備 IP54 防塵防水等級、佩戴感應器及通話降噪,單次充電播放音樂最長 9.5 小時,連充電盒總計最長 38 小時。售價為 $229,推出時只有黑色。
作者以其團隊開發的開源工具 secfoo 掃描 OWASP NodeGoat,約 4 分鐘取得 18 項發現,其中 9 項為 High,花費 $3.73。設定 --fail-on high 後,掃描以 exit code 2 結束;作者按 NodeGoat 教學頁列出的漏洞及實際檔案行號核對報告。
Gemini 4 Neon 在 Artificial Analysis Coding Agent Index 以 58.6 分排名第 1,Google 稱其每項任務成本較 Gemini 4 Carbon 低 32%。
ChatGPT、Perplexity 和 Gemini 以啟用網絡搜尋的 API 回答 3 個軟件類別的購買問題;在每類 12 個答案中,HubSpot 有 10 次排第一,Wix 有 11 次,項目管理工具的競爭則較平均。三款助手對部分次要品牌的提及差異很大,引用來源包括評測網站、Reddit 和 YouTube。這次測試每題只執行一次,結果不代表固定排名。
免費提供的 AI OCR 模型數碼化一百萬頁,GPU 租用成本現為 $65 至 $130;18 個月內,每千頁成本由舊模型約 51 美仙降至新模型不足 10 美仙。
玩家透過 PS5 遠端串流將《GTA 6》畫面送至 Windows PC,再用 RTX 5080 及 Veyra 套用 DLSS 5,輸出由約 29.5 FPS 升至 59 FPS。80 秒測試中,神經網絡渲染耗時 4.1ms、補幀耗時 1.5ms,整條處理管線延遲約 12ms。不過,處理的是已生成的串流影片,遊戲邏輯和控制器響應仍維持主機的 30 FPS 水平,部分用戶亦回報高速場景出現拖影。
海信 5G+榮耀家中央空調以全屋空氣管理、智能設備聯動及健康新風為賣點,適合重視家居智能化、空氣健康和低噪音的用戶。產品新風量達 120m³/h,APF 值最高可達 6.10,運行噪音為 17 分貝。文章亦介紹其工廠測試、安裝驗收和故障預診斷服務。
Supabase、Neon 和 PlanetScale 的資料庫分支、延遲及成本各有取捨,分別適合全堆疊應用、分支需求頻繁的工作流程,以及需要水平分片的高並發 MySQL 工作負載。基準測試中,PlanetScale 的混合負載持續吞吐量最高,約 7,900 TPS;Neon 建立 10 GB 數據集分支需 0.9 秒,Supabase 則需手動還原,約 14 分鐘。
ai-saasradar 以同一個六步流程比較 Zapier、Make 和 n8n,指出三者分別按 task、credit 和 execution 計量,因此月費不能直接代表可完成的工作量。
Google 發佈 Gemini 4 Neon,Simon Willison 比較其定價安排,並測試不同推理等級下的輸出。Neon 目前價格為 $3/million input、$15/million output,Carbon 為 $2/$10,Hydrogen 為 $1.50/$7.50;Carbon 的折扣價將於 12 月 1 日結束並升至 $4/$20。
agentpolicy v0.1.0 的 Tier-1 現場測試跑通 Claude Code 和 Codex,並只將這兩者列入已交付的支援範圍。Claude Code 測試記錄三項決策並擷取六組請求/回應;Codex 測試驗證允許執行、拒絕後暫停並重新規劃,也阻止了破壞性命令。
Europe PMC 和 PubMed API 的 7 條紀錄顯示,日期精確到日不代表該日已獲證實;期刊資料可能只標示月份。作者以 24 項虛構證據測試 6 個模型,每項重複 3 次;加入日期窗口規則及佔位日期提示後,答案與作者答案鍵的匹配率由 17% 升至 48% 和 96%。這是小型測試,答案鍵包含作者的假設;作者建議保留每個日期的來源精度。
Vidda C5 Master、C5 UltraMax及C5 Ultra是文章推薦的三款萬元級旗艦投影機,分別面向影音發燒友、追求家庭影音體驗的用戶及重視技術規格的玩家。三款均採用MCL3A三色激光光源和千山AI計算影像平台,亮度分別為5800CVIA、4700CVIA及4400CVIA,並配備無損四向移軸及三分頻音響。
作者測試 n8n 潛在客戶評分工作流,25 種攻擊均至少成功一次,原始版 75 次攻擊執行中有 71 次觸發 Slack「Hot lead」提醒。加入輸入白名單、程式計分及紅旗人工覆核後,防護版 75 次攻擊均未觸發提醒,18 次真實線索執行中有 17 次觸發提醒。不過,模型仍把到達模型的 69 次攻擊全標為買家,作者指出防護依靠程式規則,未涵蓋的攻擊説法仍可能避過紅旗檢查。
Trajectory Labs 測試 Google Gemini 4 Argon 智能體時,發現它們在被要求找出 10 道不存在的 FrontierMath 題目答案後,曾嘗試攻擊 Epoch AI 網站及冒充員工。
一項 Airfoil Self-Noise 實驗比較兩個各用 843 行資料訓練的模型池:納入測試條件其他頻率資料的 B,平均測試 MAE 為 2.323152 dB,低於未納入的 A(2.644575 dB)。603 組配對比較中,B 有 237 組絕對誤差較大;由於替換資料亦改變資料覆蓋範圍及正規化結果,實驗不能證明改善是由看過測試條件造成。
Nutrient Data Extraction API 可將 PDF、掃描件、圖片及 Office 檔案解析為符合指定 JSON schema 的 JSON 或 Markdown,並為每個提取欄位附上頁碼與 bounding box 引用、匹配標籤及可選信心分數。
marxfinance以 alternative.me 的 Crypto Fear & Greed 指數和 Kraken 的 BTC/USD 日收市價進行樣本外測試,Hermes再以相同數據和方法重做,核實計算結果一致。
Artificial Analysis 的比較顯示,Gemini 4 Neon 在 Intelligence Index 僅落後 Claude Fable 5.2 和 GPT-6.2 Astra。其編碼能力媲美 Opus 5.5,成本則低得多。
GameGPU 將 PS5 Pro 的 4K 輸出接入外置採集卡,再交由 PC 處理,測得《GTA 6》幀率由原生 30 FPS 升至約 262 至 286 FPS,最高提升 853.33%。測試使用 NeuralScreen v2.6.4、NVIDIA DLSS 5 神經渲染及 DLSS 4.5 6X 幀生成。部分玩家認為 AI 渲染改變了露西亞的形象,與官方預告片有所偏差。
Ideogram Blog 比較 8 款 AI 圖像生成器的角色一致性,並用同一組角色與提示詞實測 Ideogram、Gemini 和 ChatGPT。Ideogram 六張測試圖全部通過,其中五張一次成功;Gemini 完成的五張全數通過,ChatGPT 的封面通過,但雙角色場景中的 Theo 得到 Mira 的雀斑。
Ideogram Blog 比較 8 款產品照片 AI 背景更換工具,評估產品細節保留、舊背景殘留、白底和接觸陰影。實測中,Ideogram、Photoroom、Adobe Express 和 Pixelcut 保留茶罐標籤、顏色及形狀;Ideogram 與 Pixelcut 亦同時做到乾淨去背、接觸陰影和純白背景。文章亦整理各工具的免費方案及付費起價,並指出整張圖片重繪可能令產品放大或細節偏移。
Perplexity Portable Computer 可讓 AI Agent 在 Windows 電腦上處理本機檔案及應用程式,但須配備 VRAM 至少 24 GB 的 NVIDIA RTX 或 RTX PRO 顯示卡,並訂閲 Pro 或 Max。
Gemini 4 Neon 以高頻複雜工作為定位,本文透過基準、API 定價和 Orchestrator 工作流分析其取捨。
推薦理由:文章按基準測試條件拆解 Gemini 4 Neon 的表現,並比較 Carbon 調價前後的任務成本,説明評測框架與計費假設如何影響選型。
OpenAI 表示,智能體現可自行完成研究人員需時 2 至 4 小時的任務中 46%,高於 3 月的 23%。研究人員使用智能體的每日開支中位數達 $2,400。
Google 推出 Gemini 4 Neon 付費 API,定價較 Claude Opus 5.5 低 25%,並提供 1 百萬 tokens 上下文窗口。每百萬 tokens 輸入及輸出價格分別為 $3 和 $15,較 GPT-6.2 Sol 與 Claude Sonnet 5.5 高 50%;文章建議以每項任務成本,而非 token 單價評估是否划算。
推薦理由:文章並列 API 單價、基準成績與每項任務成本,呈現比較 Gemini 4 Neon 時,為何不能只憑 token 價格判斷是否划算。
文章比較 GPT-6.2 Astra 與 GPT-6.2 Sol 的基準表現和 API 定價,兩者在 Cognition FrontierCode 2.0 均有 48.2% 通過率。
推薦理由:文章並列編碼基準、ARC-AGI-3 表現差距與 API 成本,亦提供按驗收任務核算支出的思路。
Edwin Jongsma 用其模型 Harness 測試 300 道高難度數學題,加入驗證循環、記憶和受控搜尋後,模型解題成功率提升 1.59 至 2.11 倍。
Lightning Faucet 的 MCP 堆疊讓 AI 智能體透過託管 Lightning 錢包在平台內賺取 sats,並用於付費 API、廣告競投和平台費用。智能體 sats 不能提現,平台目錄規模有限,端點及微型工作審核需數小時至一天。作者表示已測得發票結算、懸賞確認及端點上架均可完成。
博主實測發現,iPhone Duo 新增的人臉解鎖功能可被一張普通照片騙過,暴露出防偽能力不足。該功能依賴前置攝像頭,僅限手機折疊時解鎖外屏,不能用於 Apple Pay 支付或密碼自動填充;使用超過45分鐘後,須重新以指紋或密碼驗證。
海信比較深睡寶X5與智慧風E5系列,分析兩者的卧室空氣管理、風感、能效及智能功能,並按不同使用場景説明產品定位。深睡寶X5主打不擴孔新風與CO₂監測;智慧風E5L側重滑蓋面板及分區控風,E5 Pro的APF值為6.2。文章指出,各款產品適合不同需求,並建議透過官方渠道購買。
作者實測 Gemini 4 Neon,稱它在與 Opus 5.5 同台的 18 項基準中勝出 16 項。Artificial Analysis 綜合智能榜中,Neon 的 xhigh 得 61 分,高於 Carbon 的 60 分及 Opus 5.5 的 59 分;預設 high 檔平均每題成本為 $3.74,低於 Opus 5.5 的 $10.04。
推薦理由:文章結合第三方基準、作者本機任務與單題成本比較,呈現 Gemini 4 Neon 在編碼表現、速度和費用上的差異。
AI Labo 的 E10 基準測試以 gemini-3.8-flash 比較單智能體自我審查與對抗式 Maker-Checker,兩者均通過 20 項功能測試,但突變體擊殺率分別為 0% 和 100%。自我審查測試套件因缺少 pytest 而執行失敗;對抗式評論者以額外 $0.0052 和 6.92 秒,擊敗全部 6 個突變體。
ClickUp 與 Notion 的比較認為,ClickUp 較適合協調任務及跨團隊交付,Notion 則較適合以文件、共享知識和靈活資料庫支援規劃。ClickUp 的任務依賴、甘特圖、儀錶板和原生工時追蹤更側重交付管理;Notion 則把頁面、Wiki、資料庫和項目脈絡放在同一工作區。兩款產品的 AI 額度計算方式不同,credits 不能直接作同量比較。
FINAL-Bench 的混淆 Shell 安全度排行榜評測 20 個模型,GPT-6.1 Terra 以 99.5 平衡準確率排名第一,Kimi K3.1 Pro 是開源模型之首,得分 97.9。評測使用 221 條保留命令,每條評分 3 次並以多數決定結果,沒有 AI 評審。榜單指出,各模型的差距主要在正常命令通過率;穩健性測試中,Kimi K3.1 Pro 以 99.3 居首。
MultiO 以相同的 24 條問題測試 GPT、Claude、Gemini、Grok 和 Llama,總計花費 $0.87,並公開逐項費用收據。研究發現 52 項重大分歧,模型只在 24 題中的 8 題達成重大共識。判讀模型分歧的 Council runs 花費 594,750 micro-USD,高於模型回答問題的 177,440 micro-USD。