跳到正文

全部動態

RSS
今日 5 則
11月16日週一
  1. Vercel Blog47

    Qwen4-Max 登上 Vercel AI Gateway,支援寫程式、製作 3D 場景和長時間工作

    Qwen4-Max 是 Alibaba Qwen4 系列的第一個模型,現在可透過 Vercel AI Gateway 使用。它能看懂圖片,也能處理長篇工作,例如在 Blender 製作 3D 場景,或在 Unity、Unreal Engine 和 Godot 製作能玩的遊戲;完成後還會看畫面找出鏡頭、動畫或燈光問題,再動手修改。處理財務、法律和醫療工作時,它也能使用 MCP 工具整理大量檔案和圖片,產出附有資料來源的報告、試算表和簡報。 遇到需要很久的工作時,Qwen4-Max 會先交出能用的初步成果,再一輪輪改進,讓人可以邊看邊調整方向。Alibaba 也將推出一個搭配這種工作方式的 Live Delivery 外掛。和先前的 Qwen Max 模型相比,Qwen4-Max 完成相同工作的 token 用量較少,預設寫出的程式也較安全;Vercel AI Gateway 則不加價收取模型費用,也不收推論平臺費。

  2. Hacker News (official RSS)86

    千問推出 Qwen4-Max,主打長時間工作與分段交付

    處理複雜工作時,AI 助理可能要花很久才交出成果,使用者也不容易及早發現方向錯了。千問推出 Qwen4-Max,主打長時間執行任務,並用 Live Delivery 先交出可用的初版,再依執行結果和使用者回饋逐步修改,讓人隨時檢視進度、修正方向。千問也展示了它用於 3D 建模、遊戲製作、法律檔案整理和雲端資源排程等工作的案例。官方表示,在 Work360 評測中,Qwen4-Max 得分 52.69,高於 Qwen3.8-Max 的 47.74;該評測的單項任務平均成本也從 $4.43 降至 $1.67。

    推薦理由:Qwen4-Max 把長時間工作、分段交付與使用者回饋放進同一流程,文中也以實際工作案例說明如何逐步完成複雜任務。

  3. iThome (臺灣)78

    Google 推出 Gemini 4 Hydrogen,速度比前代快 2.5 倍

    處理日常工作時,大家常得在回覆速度和複雜任務能力之間取捨。Google 推出 Gemini 4 Hydrogen,主打程式撰寫和日常 AI 助理工作流程,表示它比前代 Gemini 3.8 Flash 快 2.5 倍;也能和 Carbon 或 Argon 搭配,由 Hydrogen 寫程式、修正錯誤和跑測試,較大型的模型負責複雜判斷。它已提供給多種 Google 產品與服務,每百萬 token 的輸入和輸出價格分別是 1.5 美元和 7.5 美元。

    推薦理由:Gemini 4 Hydrogen 主打日常工作所需的速度,也能和 Carbon 或 Argon 分工,文中提供了速度、用量與價格比較。

  4. aihot81

    Qwen4-Max 登上 Agent Arena 中國模型榜首,首度排名總榜第 14

    Qwen4-Max 在 Agent Arena 首次登場,總榜排第 14,成為榜上排名最高的中國模型。這份排行榜根據社群提供的 14.7k 次真實 AI 助理對話整理;相較 Qwen3.8-Max,Qwen4-Max 的淨提升為 +7.5%,在工作、聊天和程式類別也都是排名最高的中國模型。Alibaba 的公告另稱,新模型採用 MoE 架構,原生支援視覺,並有 1M token 上下文視窗;API 已在 QwenCloud 上線。

    推薦理由:Qwen4-Max 首次登上 Agent Arena,並在工作、聊天與程式類別領先榜上其他中國模型,可從多種真實任務表現瞭解這次更新的差異。

  5. Artificial Analysis80

    挑選模型時,分數較高的選擇也可能花費更多。Artificial Analysis 測得,Qwen4 Max 使用 xhigh 推理時,Intelligence Index 得分為 43,比 Qwen3.8 Max 高 9 分,距離 Kimi K3.1 Pro 少 3 分;每項測試任務成本為 $3.27,約比 Qwen3.8 Max 低 3 倍、比 Kimi K3.1 Pro 低約 11%。測試中它每項任務使用約 105k 個輸出 token,少於 Qwen3.8 Max 的約 171k。Qwen4 Max 可透過阿里巴巴第一方 API 使用,支援文字和圖片輸入,並提供文字輸出。

    推薦理由:Artificial Analysis 比較了 Qwen4 Max 與其他模型的測試分數和每項任務成本,呈現效能與花費之間的差異。

  6. Arena.ai58

    Arena 公佈的榜單顯示,Qwen4-Max 在中文模型中排名第一,整體實驗室排名第五;在 Agent Arena 首次登場就排第 14,前一代 Qwen3.8-Max 則排第 39。這項結果來自 14.7k 次真實任務操作紀錄,整體表現提升 7.5%。四項指標都比前一代進步,其中「好評相較抱怨」提升 13%,「確認成功」提升 9%;在工作、聊天和程式任務的排名也都進入中文模型前列。

  7. Arena.ai64

    想知道 Qwen4-Max 寫網頁的表現如何,可以先看 LMSYS Arena 的 Code Arena 榜單。榜上 Qwen4-Max 暫列 WebDev 第 6 名,得分 1750,比前代 Qwen3.8-Max(0902)的 1676 分高 74 分。它也在 HTML 專案排名第 6、品牌與行銷及參考設計專案排名第 8;這些名次和分數呈現它在幾種相關測試中的表現。

    推薦理由:這份榜單列出 Qwen4-Max 在網頁開發及相關專案的名次與分數,並與前代比較,可快速瞭解它在這些測試中的表現。

  8. Dev.to Top Tech67

    Qwen4-Max 主打長時間工作,每項任務平均成本降低 62%

    AI 助理處理長時間、多步驟工作時,可能耗用大量 token,費用也會跟著增加。Qwen 團隊發布 Qwen4-Max,主打較省 token 的長任務處理;在 Qwen 自家的 Work360 測試中,每項任務平均成本從 $4.43 降到 $1.67,並展示了製造、法律和科學研究等工作流程。這些數字來自 Qwen 自家測試,不能直接當成所有工作都會省下 62%;文中的新材料和藥物候選物示範也尚未經獨立驗證,其中藥物候選物仍待實驗室測試。

  9. aihot82

    Qwen 發布 Qwen4-Max,主打百萬 token 上下文與長程 AI 助理能力

    Qwen 團隊發布新模型 Qwen4-Max,主打更長的上下文和長程 AI 助理能力。它採用 Qwen4 架構,骨幹有 2.4T 引數,每個 token 會啟用 71B 引數,另有 328B N-gram Embedding 引數。模型也具備原生視覺能力,並支援 100 萬 token 上下文,讓它能處理很長的內容。材料提到成本比較和實際案例,但沒有提供細節。

    推薦理由:Qwen4-Max 公佈骨幹引數、每個 token 啟用的引數量與上下文長度,能看出這次模型更新主打的規模與能力。

  10. Rohan Paul55

    在吵雜房間用筆電麥克風口述,辨識結果常得花時間修改,等文字出現也可能不夠快。WisprFlow 自行訓練的第一個模型 Canto 1,針對真實環境中的口述內容訓練,也會適應使用者常用的詞和人名。在超過 2,300 位使用者約 10 小時的 Flow 口述錄音測試中,Canto 1 的字詞錯誤率是 3.4%,低於 WisprFlow 測試的其他模型;產品推出後,等待超過 1 秒才出現的口述文字減少了 54%。經使用者同意分享的更正資料也會用於訓練,但單純改寫整句的修改不會採用。

  11. Dev.to Top Tech68

    Nemotron 3.5 Parse、LightOnOCR 3 和 Docling 如何辨識難讀發票?

    掃描發票的文字看似辨識正確,金額也可能放錯欄位,害帳目出錯。作者比較 Nemotron 3.5 Parse、LightOnOCR 3 和 Docling 處理兩張難讀的印度發票,檢查欄位是否讀對,也有在 Mac 上重現 Docling 的印地語辨識問題。測試中,LightOnOCR 3 幾乎讀對所有欄位,但速度較慢;Nemotron 漏掉表格的一欄和總額;Docling 在 Mac 上使用的 OCR 引擎不支援印地語,換成支援印地語的引擎後,盧比符號仍可能被讀成數字。作者建議核對數量、單價、稅額和總額,並提醒這次只測了兩張發票,結果不能代表所有檔案。

  12. Dev.to Top Tech50

    Open Vision Banana 如何把擴散模型變成多用途視覺引擎

    做辨識工作的團隊常得為不同任務各自準備模型,還可能花上好幾週收集資料、訓練模型。Open Vision Banana(OVB)把偵測物件、估計深度等工作交給同一個擴散模型處理:使用者用文字說明要找什麼,模型就產生標出目標的結果。文中的例子用它找出倉庫照片裡的棧板和堆高機,不必另外微調模型;在一組有限資料的測試中,辨識表現也接近專門訓練的模型。這種做法能省下不少開發時間,但結果仍會受到提示詞寫法影響。

  13. The Decoder82

    Claude Fable 5.2 用程式一筆筆畫出逼真影像

    一般影像模型會從雜訊中慢慢做出清楚的圖,Claude Fable 5.2 則用程式模擬畫家下筆,在畫布上逐筆畫出影像。Anthropic 員工 Jake Eaton 示範時,模型用約 700,000 筆模擬筆觸,畫出停車場裡的購物車;它每畫一筆就檢視畫布,也能用新筆觸修補畫錯的地方。研究人員還讓它操作實體機械手臂作畫,但測試仍顯示精細動作有其限制。

    推薦理由:文章以 Claude Fable 5.2 的繪畫過程和實體機械手臂測試,呈現語言模型逐筆下指令、邊看邊修正的做法與目前限制。

  14. Dev.to Top Tech73

    Gemini 4 Carbon 12 月調漲後,程式工作會多花多少錢?

    Gemini 4 Carbon 在 GitHub Copilot 的入門價格到 11 月 30 日為止,12 月 1 日起,輸入、快取輸入和輸出的費率都會加倍。作者用三種程式工作量試算,像一項典型的 AI 助理程式任務,費用會從 $0.444 升到 $0.888;長時間重構則從 $2.60 升到 $5.20。這些 token 數量是示範用的假設,沒有算進模型內部推理所產生的 token,因此實際費用可能更高。作者也提醒,Carbon 和 Argon 的每 token 費率相同,但 Google 表示 Carbon 會用更多 token;若工作不需要它較深入的推理,可以考慮 Argon 或 Hydrogen。

11月15日週日
  1. The New Stack56

    The New Stack 實測 Claude Fable 5.2 和 Opus 5.5:同分時 Fable 花費近 4 倍

    選模型寫程式或查故障時,分數接近不一定代表花費和等待時間也差不多。The New Stack 作者讓 Claude Fable 5.2 和 Opus 5.5 各自完成排程程式、修帳單程式庫和調查付款故障三種任務,並把每種任務逐步加難。九輪測試中,兩款模型的得分都相同;Fable 5.2 合計估計花費 $8.98、耗時 1,579 秒,Opus 5.5 則是 $2.29 和 701 秒。作者提醒,測試規模比 Anthropic 的基準小,而且兩款模型使用不同的 API 預設推理強度,因此結果不能直接代表所有工作。

  2. Dev.to Top Tech41

    Copilot、ChatGPT、Claude 和 Gemini 用同一份規格寫程式,四款 AI 助理全數通過測試

    想知道哪款 AI 助理最會寫程式,排行榜不一定能回答;這次作者讓 Copilot、ChatGPT、Claude 和 Gemini 各自照著同一份白話規格,寫一個分帳小程式,再用事先保密的測試檢查成果。程式要平均分帳、按權重分帳,還要計算逾期費用,連零權重和閏年等容易出錯的情況也列入規格。結果四款 AI 助理都一次通過全部 39 項測試。這表示它們在這份規格和這次測試裡打成平手,還不能看出誰比較強;規格寫得夠清楚,似乎也能讓 AI 更容易交出正確成果。

  3. Dev.to Top Tech36

    ChatGPT、Grok 等 7 款 AI 聊天機器人實測:誰寫行銷文最可靠?

    想用 AI 寫社群貼文或商品介紹,最怕它擅自補上沒說過的產品功能,害人把錯誤資訊直接貼出去。這次測試讓 7 款 AI 聊天機器人各寫 4 種短文,再逐一檢查內容。ChatGPT 每次都只給一個版本,也沒有編造資料;Grok 表現也不錯。Claude 會在缺少資訊時先詢問,但有時會給好幾個版本;其他模型則更常自行加料,例如替水壺寫上「免費配送」。7 款裡有 6 款加了原本沒提供的產品特色,5 款也超過 Instagram 每篇 5 個標籤的限制。AI 寫得像真的,不代表內容正確,發布前還是要逐項確認。

  4. Dev.to Top Tech58

    ZAQERIS Ai 開源 ZQN-12B,主打 8 GB 顯示卡也能執行

    大型模型常需要較多記憶體才能執行,ZAQERIS Ai 發布第二個開源模型 ZQN-12B,並公開壓縮方法的技術論文。這個從零訓練的模型有 15.55B 引數,壓縮後佔用 6.48 GiB,約為每個權重 3.25 bits;團隊表示,它可在消費級 8 GB 顯示卡上以每秒約 25 個 token 執行。模型原生上下文視窗為 128K,搭配 YaRN 可達 256K。團隊也說明這是早期版本,並非前沿模型。

  5. MarkTechPost56

    Bland 推出 Tofu-1,讓 AI 助理直接聽音訊並回應通話

    一般語音 AI 會先把通話轉成文字,再交給語言模型處理,容易忽略語氣、停頓和背景聲音。Bland 推出 Tofu-1,讓模型直接聽取並用語音回應,也能在說話時繼續處理請求,讓來電者插話或更正。它主打分辨說話者、降低背景噪音幹擾,以及聽出猶豫或急迫等語氣。產品目前只開放給少數企業試用;Bland 尚未公佈模型規模、延遲或價格。

  6. The Decoder85

    美團發布 LongCat-2.5,這款 1.6 兆引數模型以中國晶片訓練

    要讓 AI 助理自己完成寫程式等多步驟工作,需要模型處理長對話、看懂圖片,也要能在實際任務中找出答案。美團開放 LongCat-2.5 的模型權重;它能處理文字、圖片和影片,也能讓使用者開關推理功能。美團公佈的測試顯示,它在不同程式任務的表現有高有低,部分專案接近 Claude Opus 5,較難的終端機任務則落後。美團也提供用 194 顆華為昇騰晶片部署的指南,沒有提供 NVIDIA GPU 的部署指南。

    推薦理由:LongCat-2.5 的測試成績在不同任務間有落差,搭配部署配置與硬體限制,可看出它的適用情境和自架需求。

  7. Dev.to Top Tech73

    Octen 推出開源搜尋模型 Pulse,聲稱 10 毫秒就能找到結果

    AI 助理每次搜尋都要等一段時間,也可能因為每次呼叫都要付費而減少搜尋。Octen 推出開源模型 Pulse,表示它能在 10 毫秒內回傳搜尋結果,讓模型思考時也能查資料;Octen 說,多數 AI 搜尋 API 每次要超過 300 毫秒。Pulse 是 Octen 的第三種搜尋方式,另外還有 Fast 和 Premier。個人開發者每月付 $20,可不限次數呼叫 API,訂閱也包含圖片搜尋。這些速度和價格比較來自 Octen 提供的資料。

  8. Dev.to Top Tech60

    Gemini 4 Carbon 在 MathArena 數學評測中超越 GPT-6.1 Sol

    選數學能力強的模型時,只看分數可能會忽略每次測試要花多少錢。MathArena 更新評測後,Google 的 Gemini 4 Carbon 以 85.4% 排名第一,Claude Fable 5.2 得 82.8%,GPT-6.1 Sol 得 80.6%;每個分數也附有誤差範圍。依測試設定,跑完一輪 Carbon 約花 15.70 美元,Fable 5.2 約 40 美元,GPT-6.1 Sol 約 1 美元。這份榜單把準確度和成本放在一起比較,團隊仍可用自己的工作內容測試,判斷多花的錢是否划算。

  9. The New Stack83

    The New Stack 實測 Claude Fable 5.2 和 Fable 5.1:新版較少拒答

    Fable 5.1 在一般網頁後端工作和簽章檢查上多次拒答,讓作者無法評估程式成果。The New Stack 作者用 API 比較兩個版本,並各自測試長對話、簽章檢查和登入程式修補;Fable 5.2 完成了前兩項,簽章檢查也通過 50 項測試。登入程式的三個版本中,兩者都拿到滿分,總耗時接近,估算費用也差不多。測試每個版本只跑一次,因此這些結果反映的是作者這幾次測試,不能直接代表其他人的工作情況。

    推薦理由:三種程式工作測試顯示,Fable 5.2 的差異主要在較少拒答;登入程式修補的成本與耗時則因版本而異。

  10. The Decoder70

    Gemini 4 Carbon 登上 MathArena 數學測驗第一,費用是 GPT-6.1 Sol 的 15 倍

    MathArena 數學測驗的前三名,能力和使用費用差距很大。The Decoder 整理的結果顯示,Google 的 Gemini 4 Carbon 排名第一,GPT-6.1 Sol 排名第三,Claude Fable 5.2 排名第二;測試設定下,三者的預估表現分別是 85.4%、80.6% 和 82.8%。Gemini 4 Carbon 的費用約是 GPT-6.1 Sol 的 15 倍,Claude Fable 5.2 則約為 40 倍。Gemini 4 Carbon 常因超過時限而失敗,也曾讓一段程式連跑超過十一小時,沒有檢視進度。

11月14日週六
  1. Artificial Analysis62

    Perplexity 更新了 Decider v1.3 和 Decider Flash v1.3,兩款都是用來處理決策任務的模型。Artificial Analysis 的 Decision Index v2.1 給兩者 70 分和 64 分;和 v1.2 相比,Flash 版進步 4 分,排名升到第 10 名。Decider v1.3 在 AA-Paperclip 得 69 分,在 EvalSafe-O*NET-AA 得 89 分。兩款模型每百萬項任務的成本分別是 $68 和 $34;它們都位在該評測的能力與成本取捨曲線上。

    推薦理由:兩個版本的測試排名與每百萬項任務成本放在一起,能看出不同規模模型在決策表現和費用上的取捨。

  2. Tom’s Hardware AI & Computing68

    律師升級 8 張 V100 伺服器,讓 DeepSeek V4.1 Flash 多數運算升至 4-bit

    這臺用 8 張 V100 顯示卡執行 DeepSeek V4.1 Flash 的私人伺服器,原本只能把模型權重壓到 2-bit,升級後約 80% 的運算路徑能用 4-bit NVFP4。做法是把常用的模型部分升到較高精度,其餘仍維持 2-bit,並把記憶體加到 1TB、加入 RTX 3090。測試顯示,輸出速度比原本慢,但結果更接近參考版本;兩個請求同時執行時,總輸出量也比單一請求高。伺服器原先的當機問題最後被認為可能來自故障電源供應器,換掉供電後,9 次長時間對話都沒有出錯。

  3. The Decoder79

    Runway 開放 Praxis-1,讓影片 AI 控制機器人

    機器人要學會拿取、移動物品,通常得先收集專門的機器人訓練資料。Runway 開放了 Praxis-1 的模型權重與程式碼;它先從影片學物體如何移動,再結合人類動作影片和機器人資料,根據相機畫面、文字指令與機器人位置持續調整動作。Runway 表示,Praxis-1 在 RoboLab-120 模擬測試的成功率是 46.2%,高於同類的 FLUX 3 Action;這些測試由 Runway 自行進行,尚未經獨立驗證。模型仍需要機器人資料來適應不同機型,也可能混淆外觀相似的物品,或難以自行安排長串複雜動作。

    推薦理由:Praxis-1把影片學到的物體動作規律用於機器人控制,文中測試呈現它在模擬與實機任務中的表現,也交代了資料需求與操作限制。

  4. Dev.to Top Tech61

    NVIDIA 推出 GR00T 2,讓機器人嘗試把學到的技能用在不同機器上

    每種機器人的手臂、鏡頭和夾爪都不同,教會一臺機器做事,往往不能直接搬到另一臺。NVIDIA 推出 GR00T 2,讓模型一起預測接下來的畫面和機器人動作,並從人類與機器人的示範中學習,希望把技能用在不同機器上,減少重新收集資料和訓練的需求。NVIDIA 回報,模型在 50 項任務的多次測試中,零樣本成功率為 40%,微調後結果較高。文章也引述 Samarth Urs 的質疑:這個數字是跨多次測試計算,模型曾在 50 項任務中的 40 項至少成功一次。要判斷技能能否廣泛轉用,還得看任務如何挑選、能試幾次,以及換到不熟悉的環境後表現如何。

  5. Hacker News (official RSS)74

    Unsloth 更新 Qwen3.8-27B 量化模型,並提供本機執行指南

    大型 AI 模型常需要很多記憶體,直接在一般電腦上執行不容易。Unsloth 更新了 Qwen3.8-27B 的多種量化版本,並提供在本機執行的指南;作者表示,新版 Dynamic V3.1 在大小相近時,多數基準的準確度提高 5-10%。指南也說明,4-bit 版本約需 16-19GB 記憶體,並介紹如何用 Unsloth Desktop 或 llama.cpp 執行。若使用 NVFP4 版本,則需要 Blackwell GPU,並透過 vLLM 執行。

  6. Artificial Analysis49

    Subquadratic 推出決策模型 SubQ Snap 1.2,在 Artificial Analysis Decision Index v2.1 得到 73 分,比前一版 SubQ Snap 1.1 的 68 分高 5 分,並與 Drex Max v1.1、GLiDE v1.2 並列領先。每 1M 個輸入 token 仍收費 $0.04,也支援 384K token 的上下文視窗。進步最大的是 AA-Paperclip 和 AA-Symmetry,各增加 8 分;在 AA-Paperclip 上,檔案全部答對的比例從 46% 升到 62%。不過,AA-Omniscience-Decision 和 HLE-MultiChoice 的改善來自模型更常不確定時選擇不回答,正確率並沒有提高。這表示總分變好,不代表每種題目都答得更準。

  7. Rohan Paul71

    大型模型通常需要很多 GPU 記憶體,也要花不少時間訓練。Thinking Machines Lab 開源了 594B 引數的 Inkling 2 Small,採用 4-bit 前向運算訓練;這讓預訓練時間縮短 8%、RL 時間縮短 20%,效率約損失 2%。執行模型時,NVFP4 至少需要 500GB GPU 記憶體,MXFP8 至少需要 800GB;後者在評測上只高出約 1–2 個百分點。團隊也說,訓練從預訓練到最後一次 RL rollout 都維持相同數值設定,因此釋出的 4-bit 模型不需要另外校準。

    推薦理由:這次發布交代了 4-bit 訓練節省的時間與效率代價,也比較 NVFP4 和 MXFP8 的記憶體需求及評測差距。

  8. Dev.to Top Tech48

    Anthropic 將在 11 月 30 日停用 Claude Sonnet 4.5,教你該改哪些設定

    Anthropic 將在 11 月 30 日把 Claude Sonnet 4.5 從 API 移除,包含它的完整版本名稱;那天起,呼叫這些名稱都會出錯。Anthropic 建議改用 Claude Sonnet 5.5,但換模型時也要檢查程式:Claude 4.7 及更新版本只接受預設的 temperature、top_p 和 top_k,所以如果程式有設定這些值,就要拿掉。可以先找出程式裡使用舊模型名稱的地方,再挑 10 到 20 個實際提示詞,比較新舊模型的回答,確認格式和 JSON 等內容是否仍符合需求。

  9. Dev.to Top Tech37

    Google 將在 12 月 1 日把 Gemini 2.5 API 請求改由新模型回答

    使用 gemini-2.5-pro 和 gemini-2.5-flash 的程式,到了 12 月 1 日仍會收到回答,但回答會改由 gemini-3.8-flash 和 gemini-3.5-flash-lite 提供。除了換模型名稱,Gemini 3 也要求調整部分請求設定,例如移除 temperature 等引數、把 thinking_budget 改成 thinking_level,並檢查 function calling。文章建議先找出程式裡使用舊模型的地方,再拿 10 到 20 個常見提示詞,趁舊模型還能回答時比較新舊結果,確認格式和 JSON 等內容是否仍符合需求。