跳到正文

#程式開發

RSS
今日 0 則
11月22日週日
  1. PyTorch Core Releases36

    PyTorch Dynamo 修正測試互相影響與設定還原問題

    PyTorch Dynamo 的測試放在同一個程式裡跑時,會互相影響,原本有 63 個測試失敗。這次修改了測試共用的程式,讓設定能還原、只有能重新載入的函式才會寫進重現問題用的程式碼,也避免載入測試檔時就先執行整套測試設定。修改後只剩 1 個失敗,而且那個測試單獨執行也會失敗,與這次問題無關。這表示測試彼此幹擾的情況大多獲得修正。

  2. PyTorch Core Releases48

    PyTorch Dynamo 支援 bytearray 的 strip、lstrip 和 rstrip

    PyTorch Dynamo 原本無法處理 bytearray 的 strip、lstrip 和 rstrip,使用這些功能時可能會卡住。這次更新讓它能處理這三種去除字元的方法:可以不給引數、給 None,或給 bytes 型別的資料,而且結果會是新的 bytearray,不會改掉原本的內容。用 str 或整數當引數時,會出現和 CPython 一樣的錯誤;遇到無法直接處理的引數時,則會改走一般的 graph break。測試確認這些方法能在 torch.compile 中使用,也修正了 4 個不再需要跳過的測試標記。

  3. Together AI Official Blog84

    Qwen4 Max 在 Together AI 上線,單次請求修補 Tornado 錯誤

    要找出大型程式專案裡的錯誤,常得先挑出相關檔案;Together AI 把整個 Tornado 專案和錯誤描述一次交給 Qwen4 Max,沒有使用工具或先搜尋檔案。模型在 72 秒內提出修補程式,找出兩個關鍵檔案,修補後通過維護者為該錯誤寫的兩項測試,也通過整套 1,673 項測試;這次請求費用為 69 美分。文章也說明瞭服務價格、串流使用方式與提示詞快取。這是單一案例,展示模型處理大型程式專案的方式與成本。

    推薦理由:這次測試把整個 Tornado 專案和錯誤描述放進單次請求,呈現 Qwen4 Max 修補程式、通過測試所需的時間與費用。

  4. Together AI64

    修正程式碼時,要先從大量檔案中找出問題所在。Together AI 表示,他們把一份錯誤回報和 Tornado 專案的 344 個檔案一次交給 Qwen4 Max,模型找出相關程式碼並寫好修補內容。接著執行了 Tornado 的 1,673 項測試,沒有失敗;這次請求花了 $0.69。貼文也提到,Qwen4 Max 在 Together AI 上的優惠到 11 月 22 日為止。

    推薦理由:Together AI 用修正 Tornado 程式碼的案例呈現 Qwen4 Max 的實際用途,並列出測試結果與單次請求費用。

  5. PyTorch Core Releases35

    PyTorch Dynamo 支援 bytearray 去除字串前後的指定內容

    用 torch.compile 編譯程式時,PyTorch Dynamo 原本無法處理 bytearray 的 strip()、lstrip() 和 rstrip()。這次更新補上支援:不給引數或給 None 時,會去除空白;也能傳入 bytes 型別的內容來指定要移除哪些字元,而且結果會是新的 bytearray,不會改動原本資料。若傳入字串或整數等不合規的內容,會比照 Python 顯示錯誤;遇到無法確認的引數,則會改走原本的處理方式。更新也讓部分原本被跳過的 Python 測試可以通過。

11月21日週六
  1. Cline Coding Agent Releases35

    Cline Coding Agent 發布 v4.1.27,調整模型設定並修正工具呼叫問題

    Cline Coding Agent 更新了模型設定和操作方式:使用者儲存 API key 或伺服器網址後,模型清單會重新整理;如果更新失敗,選模型時會顯示錯誤。讀取檔案時,送給模型的內容不再先被截成 8k 字元,最多可讀取 2000 行或約 48k 字元。這次也修正了部分模型在推理設定或切換模型後無法呼叫工具的問題,並更新模型清單,加入 94 家模型供應商。更新還把 undici 升級至 7.30.1,修正兩個可能讓程式當掉的問題。

  2. PyTorch Core Releases44

    PyTorch Dynamo 支援 bytearray 的 8 種 is 判斷方法

    用 PyTorch Dynamo 編譯的程式原本無法正確處理 bytearray 的 8 種文字判斷方法,例如檢查內容是不是字母、數字,或是不是小寫。這次更新讓這些方法能在編譯後正常使用;測試也確認,空的 bytearray 只有用 isascii() 檢查時會得到 True,而且在程式裡修改內容後,判斷結果會跟著更新。這讓使用 bytearray 的程式更容易順利交給 PyTorch Dynamo 編譯。

  3. Cline Coding Agent Releases57

    Cline CLI v3.0.75 調整單次執行方式並修正多項問題

    沒有人在鍵盤前確認工具操作時,單次執行若仍等待核準,就可能卡住。Cline CLI v3.0.75 讓單次執行預設改用 yolo mode,也修正 --timeout 和 Ctrl+C 無法中斷第一輪工作的問題;需要 team 工具時則要加上 --act。這次更新也讓讀取檔案內容不再被截短,並修正多項模型相容問題;另外,undici 升級至 7.30.1,修補兩個可能造成程式崩潰的問題。

  4. Cline Coding Agent Releases42

    Cline Desktop v0.0.50 更新:修正 AI 助理推理、摘要與模型設定問題

    Cline Desktop v0.0.50 修正了幾個會讓 AI 助理卡住或無法工作的問題:手動輸入 /compact 遇到卡住時可以停止;模型切換或整理對話後,Reflection Beam 不再因缺少資料而每回合都失敗。讀取的檔案內容也不會再被截短,現在最多可送出 2000 行或約 48k 個字元。 這次更新也調整了模型選擇方式:沒有儲存模型時,Cline 會先使用第一個免費模型;各模型可用的推理強度也會依照支援情況設定。模型清單新增 94 個服務商,並調整多個模型的預設選擇;使用者已儲存的模型選擇則會保留。

  5. Cline Coding Agent Releases61

    Cline SDK v0.2.1 更新模型相容、工具與雲端工作階段功能

    不同模型和服務對工具結果、推理設定與工作階段的要求不一,容易讓請求失敗或工作中斷。Cline SDK v0.2.1 調整了這些處理方式:完整讀取的檔案內容可以保留到 50k 上限,其他工具結果仍受 8k 上限限制;SDK 也會依模型支援的推理選項調整設定,並補上缺少的推理欄位,修正部分模型拒絕請求的情況。更新也加入停止整理工作階段、讀取雲端歷史紀錄和管理工具等功能,並更新模型清單與預設模型。

    推薦理由:這次更新涵蓋工具結果上限、推理設定與雲端工作階段等環節,可從中瞭解 SDK 如何處理不同模型的相容問題。

  6. PyTorch Core Releases41

    PyTorch 修正不同裝置處理特殊資料格式時的錯誤

    PyTorch 的 float4 等特殊資料格式沒有一般的數值轉換方式,彼此混算時原本只有 CPU 會拒絕;其他裝置可能算錯,CUDA 還可能因此報錯,讓後續操作也受影響。這次修改讓 TensorIterator 在所有裝置上遇到這類轉換時,都用相同方式回報「尚未實作」,例如拿 float4 張量和整數或浮點數比較,或把結果加到 float4 輸出中。這讓不同裝置的錯誤處理一致,也避免 CUDA 因不支援的轉換而出問題。

  7. PyTorch Core Releases48

    PyTorch Dynamo 加快檢查張量是否共用記憶體

    PyTorch Dynamo 編譯程式時,會檢查多個張量有沒有用到重疊的記憶體;原本就算 3,103 個張量彼此沒有重疊,也可能要做超過 481 萬次比較。這次修改讓系統先按記憶體位置排序,再逐一檢查相鄰區段;遇到不適用的情況,仍會使用原本的檢查方式。在一個使用 3,103 個區塊的測試中,檢查時間從 86.75 毫秒降到 4.90 毫秒,讓編譯後的更新工作更快。

  8. PyTorch Core Releases53

    PyTorch 為 NIXL 傳輸加入對端通知功能

    使用 NIXL 傳送資料時,程式需要知道傳輸何時完成,才能接著處理。這次 PyTorch 更新加入對端通知功能:讀取或寫入資料時可以附上通知,接收端會在傳輸完成後收到;也能查詢或等待通知。通知內容上限是 4 KiB,零位元組傳輸不能附帶通知。由於 NIXL 1.5.2 的 UCX 傳輸要等發起端檢查傳輸才會送出通知,而且 NIXL 無法主動提醒有新通知,這項更新會在背景輪詢傳輸和通知。

  9. Hugging Face Blog83

    Hugging Face 與 Thinking Machines Lab 推出 Inkling 2 Mini,主打本機使用

    本機執行大型模型時,模型大小、回答速度和能力常得互相取捨。Hugging Face 與 Thinking Machines Lab 推出 Inkling 2 Mini,這款模型能讀文字和圖片,支援 1M-token 上下文視窗;它讓 12 層模型重複運作三次,用較少的實體層數完成更多運算。文章展示了它在本機寫程式、重畫《星夜》和製作分帳網站的成果,也說明如何透過 transformers、llama.cpp 和 MLX 執行。作者表示,它在 48 項基準中的 32 項領先文中列出的其他模型;這些結果來自 Hugging Face 的測試。

    推薦理由:文章以架構說明和實作展示呈現 Inkling 2 Mini 的本機使用方式,也比較它在多項基準上的表現,能看出模型設計與實際應用之間的連結。

  10. Runway65

    Runway 表示,從 10 月初開始,幾乎每個合併到 Runway App Studio 的程式碼變更,都是 AI 助理撰寫的。Runway 的工程文章說明,他們建了一套系統來檢查這些變更、在瀏覽器中測試,並讓工程師處理風險較高的決定。這提供了一個例子,說明團隊如何把 AI 助理寫的程式碼納入開發流程。

    推薦理由:Runway 說明 AI 助理已撰寫幾乎所有合併的程式碼變更,並分享系統如何檢查、測試及把高風險決策交給工程師。

  11. a16z49

    新的手機作業系統很難跟 iOS、Android 競爭,因為人們不想換到沒有常用 App 的手機。DHH 說,Microsoft 曾花數十億美元想讓 Windows 成為手機系統,卻因為缺少 Instagram 等 App 而失敗。他也提到,Omarchy 社群有人花大約兩週重做 Adobe Lightroom,讓他不必為了使用這款軟體而留著 Mac。DHH 認為,AI 讓人更容易快速寫出 App,可能打破手機平臺靠「大家常用的 App 都在這裡」留住使用者的局面。

  12. Unsloth AI Releases66

    Unsloth 更新加入 Inkling 2 Mini,並加快圖片生成與 MCP 對話

    圖片生成慢、MCP 對話每次都重讀整段內容,會增加等待時間和 token 用量。Unsloth 這次更新推出 Inkling 2 Mini,標示為 26B(5.4 active)、支援 1M context;圖片生成也有加速,例如 MiniMax-H3-Image 在 8GB GPU 上生成新提示詞的圖片,從 82.7 秒降到 36.7 秒。使用 MCP 工具的聊天在測試中少處理 83% 到 87% 的提示詞 token,Apple Silicon Mac 也能替影片整段換風格。更新還加入掃描 PDF 的 OCR 辨識,並改善多項訓練與圖片、影片處理速度。

    推薦理由:這次更新同時改善圖片生成、影片改風格與 MCP 對話,並列出速度和用量變化,可看出 Unsloth 正在擴大桌面工具的使用範圍。

11月20日週五
  1. Hugging Face Blog84

    Hugging Face 示範為 Qwen3.8-27B 訓練 AI 助理工具專用介面卡

    通用模型搭配不同 AI 助理工具時,可能會多花時間和 token,解程式問題的表現也不夠好。Hugging Face 團隊把強化學習直接放進 pi、Hermes Agent 和 OpenCode 這三種工具中,分別為 Qwen3.8-27B 訓練介面卡,也把三者合併成一個版本。測試顯示,各自的專用版本在對應工具和程式開發基準上都優於原模型,完成任務時也少用工具;合併版本則能在三種工具中使用。這套流程與訓練資料也公開,讓其他人能照著調整自己的模型和任務。

    推薦理由:這套流程把強化學習放進實際使用的 AI 助理工具中,並比較專用與合併介面卡的成效,可供重現與評估程式開發任務。

  2. PyTorch Core Releases77

    PyTorch 修正 Inductor 長串資料寫入造成的效能問題

    PyTorch Inductor 把一長串資料寫入操作合併執行時,每個工作區塊都會讀取大量用不到的資料,拖慢了補零工作。這次修正調整了圖形最佳化方式,遇到較長的寫入鏈時,改成直接把資料寫進指定位置,避免重複讀取。在 GB300 的本機測試中,每輪工作約省下 25 毫秒;GB200 測試也觀察到每輪至少省下 44 毫秒。

    推薦理由:這項 PyTorch Inductor 修正說明,長鏈融合可能讓每個執行區塊重複讀取不需要的資料,並以實測呈現改用原地寫入後的效能差異。

  3. AWS Machine Learning Blog43

    Kimi Code CLI v2.7.0 可用 AWS 認證連線 Amazon Bedrock

    以前用 Kimi Code CLI 連線 Amazon Bedrock,要另外準備一組 API 金鑰,得多花心力管理。Moonshot AI 在 v2.7.0 加入原生 bedrock provider,讓 CLI 改用現有的 AWS 認證,也能選擇指定的帳號設定檔或透過 SSO 登入。以 Kimi K3.1 Pro Highspeed 為例,設定好模型後,就能在寫程式時串流接收回覆,並使用圖片輸入和工具呼叫功能。這讓連線設定更省事,但仍要妥善保護 AWS 認證,並只開放需要的許可權。

  4. Cognition76

    挑選程式碼變更要不要合併,得同時看模型判斷得準不準、花費多不多。Cognition 用自家的 FrontierCode 2.0 評估 Gemini 4 Neon,這項基準測試關心模型能否判斷一項程式碼變更是否該合併。Gemini 4 Neon 得分 46.2%,每項任務約 $4.38;Cognition 表示,它的分數和 Opus 5.5 相差不到 1 分,成本約為三分之一。Gemini 4 Neon 也已可在 Devin Desktop 和 Devin CLI 使用。

    推薦理由:FrontierCode 2.0 用是否該合併程式碼變更來評估模型,並列出 Gemini 4 Neon 的分數與每項任務成本,方便比較其表現與花費。

  5. Guillermo Rauch48

    Guillermo Rauch 用數字比喻 AI 對工程師工作的影響:能專心把事情做好的工程師,現在可能像「1000 倍工程師」;只忙著爭論細節、忽略真正目標的人,則像「負 10 倍工程師」;一般知識工作者也可能因此變成「2 倍工程師」。他說,從自家新創公司與企業客戶使用 token 的情況來看,工程師和軟體工廠會用掉愈來愈多 token。他認為,Anthropic 的成功也顯示,寫程式是 AI 最重要的應用之一。

  6. AWS Machine Learning Blog50

    Cisco 如何用 AWS AI League 帶 1,200 名工程師練習打造 AI 助理

    工程師看完簡報和示範,往往還是不知道怎麼自己動手做 AI。Cisco 和 AWS 用 AWS AI League 把學習變成闖關比賽:工程師參加實作課程、打造 AI 助理或調整模型,送出作品後能立刻看到分數,表現最好的選手再到臺上決賽。2026 年,Cisco 有 1,200 名工程師參加比賽,Nishanth Aluhonnu 在各階段都拿下第一名,贏得 AWS re:Invent 2026 的全程入場資格。 決賽時,選手不能修改程式、工具或提示詞,只能在每一回合前給 AI 助理一句簡短指示。Nishanth 第一回合落敗,第二回合改挑一項高分挑戰,勝過收集一堆低分硬幣的做法。這場比賽也讓工程師練習怎麼讓 AI 助理做決定、控制輸出內容,並在實作中學會新技能。

11月19日週四
  1. PyTorch Core Releases48

    PyTorch ROCm TopK 調整 FlyDSL,讓不同列長共用同一個核心程式

    FlyDSL 原本會為每種列長各自編譯一份 TopK 程式,列越長,程式也越大,編譯時間和快取空間都跟著增加。這次改成執行時才傳入列長,讓不同列長共用程式,也減少重複展開迴圈所佔用的暫存器。以 MI350X 測試,66 種組合平均快約 1.09 倍;其中 fp16、K=1024、N=262144 的最佳結果快 1.60 倍。這讓程式編譯得更快、快取需求更少,大多數測試速度也有提升。

  2. Vercel Blog68

    Vercel 推出 Board,讓不同工具上的 AI 助理一起追蹤任務

    多個 AI 助理一起做專案時,任務、討論和進度容易散落在不同地方。Vercel 推出實驗性工具 Board,讓人和不同工具上的 AI 助理共用任務看板:AI 助理可以認領工作、回報進度、留下結果,也能把討論串和 Slack、GitHub 等工具雙向同步。團隊還能設定工作許可權、安排後續提醒,或讓新回覆自動喚醒 AI 助理。Vercel 表示,內部的 v0 軟體工廠目前用 Board 處理超過 50% 的 PR。

    推薦理由:多個 AI 助理分頭處理同一專案時,工作容易散落在不同工具;Vercel Board 把任務、討論與進度集中起來,並同步 Slack 或 GitHub。

  3. Pydantic AI Releases73

    Pydantic AI 發布 v2.71.0,新增 AI 助理工具管理功能

    AI 助理執行較長的工作時,可能會遇到工具太多、不知道能用多少資源,或還沒檢查完成就結束的問題。Pydantic AI v2.71.0 新增多種管理功能,例如設定規則允許、詢問或拒絕工具呼叫與 Shell 指令,也能回報剩餘預算,並在修改內容還沒驗證時要求 AI 助理先執行檢查。這次更新也加入 ToolBridge,讓工具清單維持固定,再透過搜尋和呼叫使用工具,方便管理大型或經常變動的工具集合。

    推薦理由:這次更新補上工具許可權、執行預算與完成檢查等能力,呈現 AI 助理在長時間執行任務時可用的管理方式。

  4. PyTorch Core Releases55

    PyTorch 修正 cuDNN 可變長度注意力反向計算的梯度錯誤

    使用融合 QKV 資料時,cuDNN 的可變長度注意力在反向計算中可能算錯梯度,影響第一份檔案之後的資料。PyTorch 這次加入條件式複製:只有 Q 和梯度資料的排列不同時,才先把 Q 複製成相同排列,再交給 cuDNN 計算。文中的測試涵蓋 16 種數值案例,修正後都通過;在檔案長度差異大的測試中,保留精簡工作區並配合複製,可減少記憶體使用,部分情況也更快。不過檔案長度相同時,複製可能讓運算變慢;這是針對 cuDNN 行為的暫時處理方式,沒有修改 cuDNN 核心程式。

  5. PyTorch Core Releases43

    PyTorch Inductor 修正含 reduction 的組合核心設定,讓結果與單獨執行一致

    PyTorch Inductor 把多個小型運算合在一起跑時,可能讓不同運算共用同一組執行設定;如果其中有加總運算,設定不同就可能改變加總順序,讓結果和單獨執行時出現些微差異。這次修改會按各運算調好的設定拆分組合,並讓含加總運算的組合跳過執行時再次調整設定。測試中,原本 32 個輸出有 22 個和單獨執行不同;修正後,結果能逐位元相同。實際測試的 7 組圖表,執行時間變化平均為 +0.09%,落在每次測量的自然波動範圍內。

  6. PyTorch Core Releases44

    PyTorch Inductor 修正 reduction 融合後的數值差異

    PyTorch Inductor 把多個小程式合在一起執行時,可能會讓 reduction 的加總順序改變,結果就和單獨執行時差一點。這次修正會依照各程式調校好的執行設定,把設定不同的 reduction 分開;設定相同的仍可合在一起,含 reduction 的組合也不再於執行時重新調校。如此一來,在相同設定下,組合執行的結果能和單獨執行完全一致。測試的 7 個 Ads/IG 圖表中,執行時間變化落在平常測量誤差範圍內。

  7. Cursor74

    在 Cursor 裡使用 Gemini 模型時,效能和費用都是選擇時會考慮的因素。Cursor 宣佈 Gemini 4 Neon 已可使用;在 CursorBench 4.1 的預設 effort 設定下,它拿到 63.7%,高於 Gemini 4 Hydrogen 的 57.3%。價格是每百萬個輸入 tokens $3、每百萬個輸出 tokens $15,提供了比較測試分數與費用的依據。

    推薦理由:Gemini 4 Neon 在 CursorBench 4.1 的分數高於 Gemini 4 Hydrogen,並列出輸入與輸出價格,可用來比較效能和使用成本。

  8. Google DeepMind85

    Google DeepMind 推出 Gemini 4 Neon,主打快速處理程式與分析工作

    處理大型程式專案、企業資料和科學問題時,工作常需要多步驟操作,也會耗費不少時間與費用。Google DeepMind 推出 Gemini 4 Neon,主打在單次工作中處理複雜任務,並可讀取多種資料;上下文視窗為 1 million tokens。官方表示,它在多項程式、分析與科學評測中取得高排名,也能協助找出和修補程式漏洞。價格為每 1 million input tokens $3、每 1 million output tokens $15;產品正陸續開放給開發者、企業及符合資格的 Gemini 訂閱者。文中的評測結果與安全資料來自官方列出的測試。

    推薦理由:Gemini 4 Neon 同時面向程式開發、企業分析與資安工作,文中也比較了效能、費用和安全防護,呈現它的使用取捨。

  9. PyTorch Core Releases41

    PyTorch 新增 `aten::_grouped_mm.out`,讓 ExecuTorch 能順利儲存相關程式

    ExecuTorch 儲存匯出的程式前,會把每個運算改成能把結果寫進指定位置的形式;但 aten::_grouped_mm 原本沒有這種版本,因此遇到它就存不下來。這次 PyTorch 新增 aten::_grouped_mm.out,可以把分組矩陣運算的結果直接寫進 out。例如有些情況下,運算會先寫到暫存位置,再複製到 out;CPU、MPS 和 XPU 則會把結果分組寫進 out 的不同區段。這項修改補上原本缺少的功能,讓相關程式能配合 ExecuTorch 的儲存流程。

  10. Hugging Face Blog61

    RadixArk 發布 DaisyRose-27B,Terminal-Bench 4.1 成績提升

    訓練 AI 助理處理需要長時間、多步驟完成的工作,往往要準備大量任務,也得投入不少 GPU 資源。RadixArk 發布首款模型 DaisyRose-27B,以 Qwen3.8-27B 為基礎,使用 1,200 項整理過的任務進行強化學習訓練。和原始模型相比,它在文中列出的各項基準都拿到較高分;Terminal-Bench 4.1 的 pass@1 從 5.6% 提升到 12.0%。RadixArk 也表示,自家訓練後端比可比的開源訓練器少用 57% GPU 時間。

    推薦理由:DaisyRose-27B 與 Qwen3.8-27B 的多項基準成績可供對照,其中 Terminal-Bench 4.1 的 pass@1 從 5.6% 提升到 12.0%。