跳到正文

#評測/基準

RSS
今日 17 則
11月15日週日
  1. Lobste.rs (Engineering Discussion)44

    25 款我最喜歡的現代 NES 遊戲

    老 NES 還有新遊戲推出,而且不少作品能上網下載,也有實體卡帶可玩。作者挑出 25 款喜歡的遊戲,依英文名稱排序,沒有排名;玩法從救火合作、躲開礦坑敵人,到對抗怪物都有。像《Blazing Rangers》就要兩名玩家合作拉著水管滅火、救出孩子。這些新遊戲讓老主機繼續有新冒險,也讓喜歡復古遊戲的人能在原本的 NES 上玩到新作品。

  2. Dev.to Top Tech45

    Bloom-Counter 壓力測試:光線和遮擋會讓花朵總數看似正確,花苞與盛開花朵卻分錯

    溫室裡的光線會變,葉子也常遮住花朵;如果只看總數,盛開的花可能被算成花苞,花苞也可能被漏掉,數字看起來還是對的。Bloom-Counter 用照片和顏色來分辨花苞與盛開的花,但這次測試發現,光線變暗時,盛開的花會被分到花苞那一類;葉子遮住花朵時,碎片又可能被誤認成花苞。測試中,葉子遮住花朵約 0.8 倍半徑時,花朵總數比實際多了 81%。 先調整照片亮度和顏色,能改善部分光線變化造成的錯誤,但遇到過曝或低光雜訊時,反而可能漏算或多算。這提醒我們,數花不能只核對總數,還要分別檢查花苞和盛開花朵有沒有算對;照片裡被葉子完全擋住的花,也不是調整顏色就能找回來。

  3. Dev.to Top Tech69

    Ubicloud GitHub Actions 執行器的 4 到 7 倍優惠,實際差在哪裡?

    Ubicloud 宣稱 GitHub Actions 執行器可省下 4 到 7 倍費用,但「7 倍」也算進工作跑得快兩倍的說法,不能直接當成帳單折扣。作者比對雙方公開費率,發現 Linux x64 標準型在 2 和 4 vCPU 時便宜 4.8 倍,高階型是 3 倍;arm64 則從 4 倍降到 2.5 倍。Ubicloud 沒有 Windows 或 macOS 執行器,所以需要這些系統的工作仍得留在 GitHub。公開專案使用 GitHub 標準執行器免費且不限分鐘,改用 Ubicloud也不會省下執行費。文章提醒,若想確認工作是否真的跑得更快,可以讓同一項工作在兩邊各跑一段時間,再比較紀錄。

  4. Dev.to Top Tech82

    實測 Jev 判斷模型:決策看起來更好,遊戲結果卻沒改善

    把模型接到原本運作正常的系統上,光看它的決定合不合理,還看不出整體有沒有變好。作者在殭屍遊戲中測試 Jev 判斷模型,讓它每 15 秒從威脅清單挑出下一個攻擊目標,再把結果和手寫規則及不使用指揮模型的版本比較。Jev 很少選到被建築擋住、火砲打不到的目標,但在 48 組配對任務中,任務結果沒有可測量的改善,分數反而下降約 27%。作者也記錄了整合過程中的問題,提醒評估 AI 功能時要拿掉它做基準比較,並用足夠多的任務確認結果。

    推薦理由:配對任務比較顯示,Jev 的選擇較少瞄準看不見的目標,任務結果卻沒有可測量的改善。

  5. Dev.to Top Tech78

    實測 50,000 筆訂單:SQLite 的 JSON 欄位何時方便、何時拖慢查詢

    把訂單明細放進 JSON 欄位,讀取整張訂單很方便,但查詢所有訂單、找出含特定商品的訂單,或修改其中一項時,可能要多做很多工作。作者用相同的 50,000 筆訂單,比較一般資料表、JSON 文字欄位和 JSONB;找出含某個商品的訂單,JSON 欄位花了 119.9 毫秒,一般資料表加索引只要 0.11 毫秒。實測也發現,數字若以文字存進 JSON,篩選和排序可能悄悄算錯。作者建議,整份讀取的資料可考慮放在 JSON;常要搜尋、排序或加總的欄位則放進資料表並建立索引。

    推薦理由:作者用相同訂單資料比較三種 SQLite 儲存方式,量出查詢與修改的代價,也整理出哪些欄位適合放進資料表。

  6. Dev.to Top Tech48

    Langfuse 容量評估:ClickHouse、Redis 佇列與每百萬筆追蹤資料的成本

    用 AI 助理時,一次請求可能會留下好幾筆紀錄,像是模型呼叫、資料搜尋和工具操作;只用請求數估算,就可能低估需要的裝置和費用。這篇評估把 Langfuse 的資料流程拆開來看:Redis 先排隊,Worker 再把資料送進 ClickHouse,原始事件則放在物件儲存空間。作者也提醒,排隊可以暫時接住突然增加的工作,但資料累積太多會讓結果晚點才看得到。 作者原本打算在本機測試,卻因為缺少 Python 容器映像檔而沒能完成,因此沒有測出每秒能處理多少筆資料或實際儲存成本。文中提供的記憶體配置只是起始估算,例如 ClickHouse 是 8 GiB,不能當成效能保證。評估 Langfuse 時,應分清楚「送出後被接受」和「之後真的查得到」,再觀察佇列是否能消化工作、儀錶板查詢是否變慢。

  7. Dev.to Top Tech39

    Road2Sushi 如何用機率預測足球賽事,並檢查預測準不準

    足球比賽常被一張紅牌、一次受傷或一個失誤改變結果,只說「哪隊會贏」很容易讓人以為答案一定如此。Road2Sushi 把賽事預測寫成機率,例如主隊勝率 48%、和局 27%、客隊勝率 25%,也會用機率換算理論賠率,並和有提供的市場資訊放在一起比較。平臺還公開賽前預測和比賽結果,讓人能回頭檢查模型表現;不過,模型和市場看法不同,不代表模型一定比較準。這個專案也提醒我們,預測要看長期結果和機率是否可靠,不能只挑幾次猜對的來看,也不能把機率當成保證。

  8. Dev.to Top Tech50

    同一個 AI 模型重答十次,也看不出它的答案只有自己這麼說

    AI 回答聽起來有道理時,很多人會再問一次,確認答案有沒有變。但這項研究把相同的 24 個問題交給 GPT、Claude、Gemini、Grok 和 Llama,發現 52 個重要差異中,有 26 個是隻有一個模型提出的說法。研究者也挑兩題,讓同一個模型用完全相同的問法各答三次,結果它每次都維持同一個判斷,只有措辭不同。 例如,模型對「餐廳只做現場候位是否可行」看法不同,只有一個模型補充:座位大約不到 20 個、走快速供餐路線,或主打隨興用餐時,這種做法仍可能適合。研究者檢查 14 個只有一個模型提出的說法,發現其中 8 個很有價值,但也有 3 個是錯的或編造的。重問同一個模型只能檢查答案是否一致;想知道它是不是孤單的少數,得另外問不同模型,並記下它們意見分歧的地方。

  9. Dev.to Top Tech45

    AER-1 為什麼會出現「雜湊驗證通過,收據仍然不合格」?

    驗收據時,雜湊對得上,只能證明內容沒有被事後改動,不能證明收據上的編號真的屬於你要查的那一筆。AER-1 規定,驗證程式還要另外核對編號:可以比對你提供的預期編號,也可以查詢編號對應的紀錄,再確認紀錄的雜湊和手上的收據一致。作者用兩張收據交換編號做測試,結果內容雜湊雖然通過,編號卻對不上,所以整張收據仍然不合格。這提醒我們,驗證結果要分開說明內容和編號是否通過,不能只看到雜湊正確就把收據當成可信。

  10. Dev.to Top Tech71

    Gemini 4 和 Gemma 4 怎麼選?作者用同一組題目比較分數、速度與花費

    比較模型時,只看答對幾題或每個 token 的價格,可能看不出每次使用實際要花多少。作者讓 7 個 Gemini 4、Gemini 3.5、Gemini 3.8 和 Gemma 4 模型,用相同題目與設定測數學題和工具呼叫,並比較答對情況、速度和費用。測試中,Gemini 4 Argon 的數學題分數最高,工具呼叫則和免費的 Gemma 4 31B 並列;Gemini 4 Hydrogen 回答較快,但因為每題都會進行思考,這次總花費反而高於 Argon。這些結果能幫忙看出不同模型在速度、表現與費用上的取捨,但測試只涵蓋短數學題和單次工具呼叫。

  11. Dev.to Top Tech75

    Gemma 4 和 Gemini 模型該在哪裡跑?實測比較本機、API 與租用加速器

    模型可以在自己的電腦、雲端 API 或租來的加速器上執行,但速度、費用和管理方式差很多。作者用同一套數學題和工具呼叫題,測試 Gemma 4 與 Gemini 模型在多種裝置和服務上的表現。測試中,Gemini 4 Argon 的數學題分數最高;Gemma 4 31B 在 Gemini API 和 RTX 3050 上答對的數量相同。租來的裝置在使用量高時,每百萬輸出 token 的費用較低;只有少量請求時,費用可能較高。這些比較可用來依流量、速度、價格與是否需要本機執行,挑選合適的方式。

  12. Thurrott42

    Google Pixel 11 Pro XL 評測:小幅升級,價格更高

    Google Pixel 11 Pro XL 和前一代差不多大,外型與優缺點也大致相同;相機拍照體驗不錯,PixelSnap/Qi2.2 配件連線和 Comfort View 也受到肯定。不過手機又漲了 $100,效能普通、電池不耐用,也沒有明顯的硬體升級,甚至有些地方退步。機身又大又重、表面容易滑,作者認為價格變高後,這些缺點更難忽略。

  13. Dev.to Top Tech51

    實測 DeepSeek-V3 和 DeepSeek-Coder-V2 在本機 GPU 上的記憶體需求與速度

    把大型模型放在自己的電腦上跑,常會遇到顯示卡記憶體不夠,或速度慢得難以使用的問題。作者實測 DeepSeek-V3 和 DeepSeek-Coder-V2,說明即使模型每次只啟用部分引數,所有引數仍要放在顯示卡或系統記憶體裡。以 DeepSeek-Coder-V2 為例,兩張 RTX 3090 搭配系統記憶體時,速度約為每秒 3.2 到 4.1 個 token;Mac Studio Ultra 的測試則約為每秒 14.8 到 18.2 個 token。文章也指出,把資料搬到系統記憶體會拖慢運算,可用這些實測結果估算本機部署需要的硬體。

  14. Dev.to Top Tech53

    截圖轉程式碼工具實測:哪些版面做得好,哪些地方容易出錯

    截圖轉成程式碼看起來省事,但畫面一複雜,產生的元件就可能出問題。作者實際使用多種工具後發現,版面整齊的頁面通常能做出可修改的初稿;有些工具還能直接讀取網頁樣式,少靠猜測顏色。把 HTML 轉成 JSX 或把 CSS 轉成 Tailwind 也較可靠。不過,單張截圖看不出不同螢幕寬度該怎麼變,也沒有滑鼠移入、載入中等互動狀態。作者建議先用工具做出基本架構,再自行補上響應式規則、設計樣式並檢查程式碼。

  15. 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。

  16. Dev.to Top Tech63

    雲端 Android 手機啟動速度實測:Limrun、Mobilebox 和 Phone Harness

    AI 助理需要操作雲端 Android 手機時,啟動要等多久、每分鐘要花多少錢,都會影響工作效率。Mobilebox 團隊用同一支程式和同一個 APK,測了三種服務各 10 次:Limrun 最快,從要求啟動到看到畫面中位數是 0.98 秒;Mobilebox 是 19.4 秒,Phone Harness 是 23 秒。Mobilebox 每分鐘 $0.01,10 分鐘共 $0.10,是這次比較中費用最低的服務;它也能暫停手機再接著用,已安裝的 APK 在 10 次測試中都還留著。作者提醒,短工作會受到啟動時間影響,長工作則更需要比較每分鐘費用和暫停後能保留什麼;測試結果也會因地點和日期不同而改變。

  17. Dev.to Top Tech60

    2026 雲端手機比較:哪種最適合 AI 助理操作手機?

    讓 AI 助理操作手機時,雲端手機的啟動速度、費用和裝置種類都會影響工作流程。Mobilebox 團隊比較多種服務,也用同一個 App 測試其中三種:Limrun 從啟動到第一張截圖最快,花 0.98 秒;Mobilebox 跑 10 分鐘最便宜,花 $0.10,並測得暫停後能在 11.5 秒內恢復畫面,已安裝的 App 在 10 次測試中都還在。文章也整理哪些服務提供真實 iPhone、電話號碼或簡訊,讓讀者能按工作需求挑選。作者也有經營 Mobilebox,文中說明比較資料來源與測試範圍。

  18. Dev.to Top Tech51

    詐欺偵測基準比較 AI 決策 API 與 XGBoost,XGBoost 找出較多詐欺

    詐欺分析人員一次只能檢查有限案件,模型排在前面的案件裡有多少詐欺,就會影響抓漏情況。作者做了一套可離線執行的公開基準,比較 XGBoost、規則清單、AI 決策 API 和一般大型語言模型,並檢視前 100 筆案件找出多少詐欺。在 10,000 筆合成交易中,XGBoost 找出 84 筆,決策 API 找出 16 到 51 筆;在含 52 筆詐欺的匿名信用卡資料中,XGBoost 在前 1% 找出 82.7%,最佳 AI 方法為 46.2%。不過,XGBoost 使用已標記資料訓練,AI 方法則沒有範例,這項比較只呈現了其中一種使用方式。

  19. 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。

  20. 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。

  21. Dev.to Top Tech55

    作者回頭檢查 Claude 的選股規則在 10 檔熱門股票上的表現

    用 AI 挑股票後,標籤看起來有沒有用,得回頭拿實際股價檢查。作者把 Claude 原本的選股提示詞改寫成固定規則,套用在 10 檔熱門股票,並比較一個月、兩個月和三個月左右的表現。兩個月時,「新機會」組平均報酬略高於其他組,但差距不大,作者認為這次資料不足以看出標籤有沒有用。停損規則在部分股票下跌時提早出場,卻也讓 Meta 在反彈前被賣出。作者提醒,持有時間會大幅影響結果;若要檢查自己的選股方法,應事先固定觀察名單,並儲存當時的判斷。

  22. Dev.to Top Tech56

    StoreSignal 調查 56,871 家熱門 Shopify 商店使用的 App 與佈景主題

    想知道熱門 Shopify 商店常用哪些工具,光看店面不一定找得到所有答案。StoreSignal 檢查了 56,871 家商店的首頁,整理出可辨認的 App 和佈景主題;平均每家首頁能看到 6 個工具,Google & YouTube App 和 Meta Pixel 最常出現。不同國家的使用情況也不一樣,例如印度商店較常出現 Judge.me,英國商店則較常用 Trustpilot。這些數字只代表首頁看得到的工具,商店在商品頁、結帳頁或伺服器上使用的 App 可能沒有被算進去;資料也只涵蓋熱門商店,不能代表所有 Shopify 店家。

11月14日週六
  1. Tom’s Hardware AI & Computing64

    Tom’s Hardware 實測《Gears of War: E-Day》如何用 SSD 減少記憶體佔用

    記憶體較少的電腦玩大型遊戲時,可能遇到效能不穩或畫面載入變慢。《Gears of War: E-Day》會把部分場景資料從 SSD 即時讀進來,測試顯示,遊戲裝在 NVMe SSD 上約可少用 2GB 記憶體;在只有 16GB 記憶體的電腦上,NVMe SSD 也讓高畫質設定時的低點影格表現較順。改用 SATA SSD 時,材質、燈光和陰影會比較慢才出現。這項測試比較了不同 SSD 和電腦配置,說明儲存速度如何影響遊戲畫面載入與流暢度。

  2. Dev.to Top Tech49

    Llama 3.1 的 Bengali token 數是英文的 6.3 倍:差別出在分詞器設計

    同一段話交給不同模型的分詞器,切出來的 token 數可能差很多;token 越多,使用 API 時就越花錢,也會佔掉更多上下文空間。作者把一段英文翻成多種語言後測試,發現 Llama 3.1 切 Bengali 時用了 278 個 token,英文只要 44 個,約多 6.3 倍;Gemma 3 則是 51 個對 44 個,差距小得多。這表示 token 數的差別和分詞器收錄哪些文字有關,並非語言本身就一定比較「貴」。不過,這只是作者的小規模文字測試,不是耗電量測量;作者也提醒,研究團隊測到的耗電差距還包括模型回答時產生更多 token 等因素。

  3. Dev.to Top Tech54

    Swizzle Runtime 如何在 4 GB 筆電顯示卡達到 209.70 tok/s

    在 4 GB 筆電顯示卡上執行大型語言模型,傳統工具可能佔用不少記憶體,也讓啟動和回應變慢。作者推出開源工具 Swizzle Runtime v0.1.0,使用 Rust 編寫,並在同一臺電腦上和 llama.cpp 比較。測試中,Qwen3-0.6B 在顯示卡上的生成速度是 209.70 tok/s,首次回應時間是 43.37 ms;CPU 上的編輯測試則快了 37.7%。這些結果只適用於文中列出的測試裝置和設定。

  4. The New Stack72

    Claude Fable 5.2 和 GPT-6 Astra 程式實測:單價較低,帳單卻更高

    模型的 API 單價比較低,實際做完一件工作時,帳單也會比較便宜嗎?作者用同一組程式任務比較 Claude Fable 5.2 和 GPT-6 Astra,包含修復錯誤、檢查程式碼和從頭撰寫功能。兩者修復錯誤和寫程式都拿滿分;程式碼審查則是 Fable 5.2 多找出 3 個缺陷。三項任務合計,Fable 5.2 估計花費 $13.39、耗時 2,157 秒,Astra 花費 $3.99、耗時 832 秒。這次實測顯示,較低的 token 單價不一定代表每項工作的總成本較低;作者也提醒,每個任務只跑過一次,分數差距可能隨測試改變。

  5. Dev.to Top Tech69

    Copilot 程式碼審查為何不會阻擋合併?作者檢查了 55 個 PR

    Copilot 程式碼審查會列出問題或建議,但 GitHub 是否擋下合併,看的是真正的審查狀態。作者檢查了 microsoft/vscode 中 55 個已合併 PR,發現每筆 Copilot 審查的狀態都是 COMMENTED,沒有 APPROVED 或 CHANGES_REQUESTED;即使畫面寫著「Changes recommended」,也不會因此阻止合併。作者也發現,同一個 commit 上的兩次審查可能列出不同問題,審查時看到的版本也可能不是最後合併的版本。因此,若要評估審查品質,應記錄審查狀態、檢查過的 commit 和 PR 當時的版本,不能只把畫面標題當成審查結果。

  6. Dev.to Top Tech61

    Vercel UI SDK 評測:AI 助理能組出互動介面,但仍得檢查無障礙功能

    用 AI 助理組出下拉選單看起來不難,但漏掉鍵盤操作時,使用者可能會卡在選單裡。作者親自試用 Vercel 的 UI SDK,發現它提供彈出視窗、選取和鍵盤操作等互動行為,AI 助理可以把這些行為組成介面,也能用同一套定義支援多種前端框架。不過,行為可以自由組合,也可能被漏掉;作者第一次做選人清單時,焦點就困在彈出視窗裡,後來用測試工具檢查鍵盤、焦點和 ARIA 才抓到問題。文章也提醒,SDK 的效能比較只測了一個畫面,不能據此推論所有情況都會更快。

  7. Dev.to Top Tech71

    Kino AI 評測:讓 Claude Code 和 Codex 一起剪輯影片的桌面工具

    剪影片時,素材、修改意見和剪輯時間軸常散落在不同工具裡,AI 助理也很難只靠文字精準修改。Kino AI 把影片剪輯、素材管理和團隊回饋放在同一個桌面工具中,並把時間軸上的修改寫成程式碼,讓 Claude Code 或 Codex 能直接調整。團隊成員可以在時間軸留言,使用者也能把影片片段或單一畫面的連結交給 AI 助理,指出要改哪裡。免費方案包含剪輯器、匯入匯出和 MCP;Pro 每位編輯者每月 $25,提供更多 MCP 呼叫、分享連結和團隊剪輯功能。Kino AI 目前是桌面 App,使用者仍須確認影片素材有合適的使用權。

  8. 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。

  9. Dev.to Top Tech49

    Jing 的 STX/USDCx 換幣路由程式碼檢查:Zest 整合有兩個問題

    Jing 的換幣路由程式碼新增 Zest 交易池後,檢查發現兩個可能影響使用者的問題。第一種換法會直接採用呼叫者提供的價格和路線,沒有確認成交價格符合使用者設定的上限;如果路線用到舊價格,Zest 可能成交得更差,甚至用掉原本留給其他交易池的滑價空間。另一個問題是,分開換幣時若價格上限設為 0,程式可能因為除以 0 而直接失敗,沒有清楚的錯誤程式碼。這次是閱讀程式碼後的檢查,沒有實際模擬交易;檢查者建議補上價格檢查,並拒絕價格上限為 0 的請求。

  10. Dev.to Top Tech72

    nginx 1.31.5 如何在請求送到後端前擋下無效 webhook

    Webhook 收到不需要的資料時,若每一筆都送到後端檢查,後端也得花力氣處理垃圾請求。作者用 nginx 1.31.5 的 JSON 功能,先讀取請求中的事件型別,只把 payment.created 和 payment.failed 送往後端,其他請求則直接回覆 400。測試中,單一請求依序處理時,nginx 約每秒能擋下 24,265 筆無效請求,舊做法約為 1,874 筆;有效請求的處理速度則沒有明顯差異。作者也提醒,JSON 巢狀超過預設深度時,欄位可能會被當成不存在,且 Ubuntu 24.04 的 nginx 套件沒有這項模組,使用前要先確認版本是否支援。

  11. Dev.to Top Tech51

    Helmfile 和 Kapitan 怎麼管理不同環境的設定與部署順序

    同一套 Kubernetes 應用要在開發和正式環境使用不同設定,還得安全處理密碼並安排服務安裝順序,常讓維護工作變複雜。作者用 Helmfile 和 Kapitan 管理相同的 podinfo 與 Valkey 設定,並用檢查程式確認兩邊產生的檔案一致。比較結果顯示,Helmfile 能安排安裝順序、處理 Helm 發布紀錄,設定也較精簡;Kapitan 能一次產生多個環境的檔案,並用參照值保護輸出中的密碼。Kapitan 不會安排資源套用順序,這個例子裡 podinfo 能等 Valkey 啟動後再連線;若應用一開始就需要資料庫,就要由部署工具安排順序。

  12. Dev.to Top Tech74

    Gravity 作者如何把搜尋命中率從 0% 提升到 99%

    筆記搜尋常因記不起原本用的字而找不到內容,例如把「沙發」想成「couch」,或忘了 Wi-Fi 中間有連字號。Gravity 作者重新設計搜尋,先用兩組各 200 筆搜尋測試,再加入字詞變化、日期和數字辨識,以及依詞義找相近內容的功能。新版在主要測試中有 198 筆能把目標筆記排進前 10 名,舊版則是 0 筆;在 100,000 篇筆記中,最慢的搜尋也從 149 毫秒降到 14 毫秒。不過,遇到需要常識的說法或內容相近的筆記時,仍有 4 筆搜尋沒找到合適結果。

  13. Dev.to Top Tech67

    作者實測網站 CDN 壓縮,79 個頁面中有 20 頁 gzip 更小

    網站頁面交給 CDN 傳送後,開發者常不知道它實際用了哪種壓縮,也不一定能選到較省流量的版本。作者用四種壓縮要求測試網站的 79 個頁面,再把存下來的頁面重新壓縮比較,發現 CDN 使用 Brotli 品質 3;有 20 頁的 gzip 檔案反而更小。CDN 也沒有採用要求的 zstd,回傳未壓縮內容。這套檢查只要從網站外部送出請求並比較檔案大小,就能看出 CDN 的壓縮方式。

  14. Tom’s Hardware AI & Computing65

    學生用 92% LEGO 零件打造 Studprint 3D 列印機,花費 $173.35

    想自己做一臺 3D 列印機,通常得準備不少專用零件;Adam Turaj 則用 LEGO 零件打造了名為 Studprint 的開源列印機,整臺只有 13 個零件不是 LEGO。他盡量只用一般 LEGO 積木,不用 LEGO Technic,連列印平臺和螺桿也由 LEGO 零件組成。整臺材料花費 $173.35,其中 LEGO 零件約 $30。文章提到,他用這臺機器印出一艘 Benchy,花了 1.25 小時;這個例子呈現了 DIY 設計如何用常見積木組出能運作的列印機。

  15. Dev.to Top Tech52

    Navicat Premium 18 Linux 實測:搬移資料庫時哪些地方要手動檢查

    搬資料庫時,資料列看起來完整,不代表自動編號、預設值和時間欄位也都正確。作者在 Ubuntu 上用少量虛構資料測試 Navicat Premium 18,連線並搬移 Postgres、SQLite、Oracle 和 MySQL 資料庫,也試了資料同步、結構同步、資料遮罩和 AI 查詢。Postgres 搬到 SQLite 或 MySQL 後,有些自動編號和預設值消失;搬到 Oracle 時,帶有小數秒的時間資料曾讓客戶資料匯入失敗,改成整秒後才成功。作者也提醒,遮罩方式會影響資料還剩多少線索,執行同步前應檢查預覽的 SQL。這些測試資料很少,不能當成大型資料的效能評測。

  16. Dev.to Top Tech43

    Lightning Faucet 評測:免費 sats、L402 API 與 AI 助理的付費服務

    想拿免費比特幣小額單位 sats,或讓 AI 助理自己付費呼叫 API,可以試試 Lightning Faucet。它把免費轉盤、接任務賺 sats、遊戲和開發者工具放在同一個網站;註冊只要電子郵件,作者很快就拿到 5 sats。不過,免費轉盤送的是遊戲獎勵,提領前得先玩到指定次數,而且還要先存款。比較實際的賺法是完成微型工作或回報漏洞:工作獲核准後可拿 10–2,000 sats,確認有效的漏洞回報可拿 25–50,000 sats,這兩種收入不必先存款就能提領。 開發者工具則提供 29 個付費 L402 API,呼叫時會收到 Lightning 付款帳單;付款後就能重試 API。網站也有供 AI 助理使用的 MCP 伺服器。整體來看,免費獎勵不多,網站有些頁面載入較慢,但微型工作、漏洞回報和 L402 API 都能實際使用。