多模型研究指出,AI 模型在程式設計問題上的答案最常出現分歧
一項研究將相同的 24 個問題交給 GPT、Claude、Gemini、Grok 和 Llama 回答,發現模型在程式設計問題上的分歧遠多於事實問題。
一項研究將相同的 24 個問題交給 GPT、Claude、Gemini、Grok 和 Llama 回答,發現模型在程式設計問題上的分歧遠多於事實問題。
Philipp Schmid 與 Artificial Analysis 推出 MKA(Multimodal Knowledge Agent),用來評估 AI 代理處理視覺複雜檔案與知識工作的表現。
Latent Space 實測 Naive-N0.5-Flash 的推論速度與程式開發能力,並與 DeepSeek V4.1 Flash 1017、GLM 5.3 Flash 比較;模型峰值約每秒 2,100 個 token,但複雜題目會耗用更多推理 token。
血糖會隨時間變化,研究者想知道能不能用自己的資料預測接下來的血糖。他用自己的資料和公開資料測試 15 種模型,其中自己做的 T1DMAI 是小型 Transformer,會預測未來 2 小時的血糖;再用少量真實資料微調後,在自己的資料測試中,60 分鐘預測的分數接近表現最好的 XGBoost。可是換到公開資料時,結果就不一樣,也有模型很難抓到低血糖。這些測試目前只適合研究和教學,模型沒有經過臨床驗證,不能拿來決定用藥或治療。
推薦理由:Perplexity 提供 WANDR 分數與單次任務成本,並和 Claude Fable 5.2 比較,呈現 Gemini 4 Carbon 的效能與成本資訊。
OpenRouter以 8 張自製掃描頁測試 15 個視覺模型、Mistral OCR 與 Tesseract;Claude Opus 5.5 的關鍵值辨識最準,Mistral OCR 的價效比最高。
推薦理由:測試以自製掃描頁核對關鍵值並比較準確率與成本,也整理推理設定和雙模型交叉校驗的做法,方便評估 OCR 流程。
AMD 的 EPYC「Venice」是首批採用 Zen 6 架構的處理器;Tom’s Hardware 測試 EPYC 9996 與 9686F,並比較其架構及伺服器工作負載表現。
推薦理由:文章以雙路伺服器實測比較 Venice 與前代及 Vera,並拆解架構、記憶體與工作負載差異,呈現不同 EPYC 型號的效能取向。
Phoronix 測試 AMD EPYC 9686F,比較其在 Linux 伺服器工作負載中的表現,並列出與前代及 Intel 旗艦處理器的規格差異。
推薦理由:文章以同一套 Ubuntu 26.10 與 Linux 7.3 環境比較 EPYC 9686F 和前代及 Intel 旗艦處理器,並交代缺少 Vera 與 ARM 對照資料。
Phoronix 實測 AMD EPYC 9996 雙路配置,評估其在多種 Linux 工作負載下的效能與每瓦效能。 - 測試配置:每顆處理器有 256 核心、512 執行緒;雙路合計 512 核心、1024 執行緒。
推薦理由:文章以 Phoronix 的實測比較 EPYC 9996 雙路配置與前代 EPYC、Intel Xeon 旗艦處理器,呈現 512 核心平臺在多種 Linux 工作負載下的效能與每瓦效能。
Cursor 宣佈 Gemini 4 Carbon 已可在 Cursor 中使用,並稱該模型在高 effort 設定下以 60.4% 的得分位居 CursorBench 4.0 榜首。 配圖示示成本為 $9.22。
推薦理由:Cursor 公告提供 Gemini 4 Carbon 的可用狀態與 CursorBench 4.0 成績,呈現模型在高 effort 設定下的基準表現。
Chips and Cheese 實測 AMD Zen 6 與 Zen 6c,比較兩者相較 Zen 5 的微架構變化、核心差異與單執行緒效能。
推薦理由:文章以微架構測試和 SPEC CPU 2026 估算比較 Zen 6 與 Zen 6c,呈現兩種核心在時脈、快取容量與記憶體延遲承受能力上的取捨。
AMD 發布 EPYC 9006「Venice」伺服器處理器系列,採用 Zen 6 架構,旗艦款 EPYC 9996 將接受 AgentSTH V7 與部分 AgentSTH V8 基準測試。
推薦理由:本文以基準測試檢視 EPYC 9006 的核心數、記憶體頻寬與 PCIe 規格變化,並提供新平臺及 Zen 6 架構的初步效能比較。
推薦理由:這組基準同時呈現搜尋品質、任務成本與速度,並交代測試設定,方便比較不同搜尋工具在代理任務中的表現。
OpenRouter以八頁自行製作的掃描檔案比較 15 個視覺模型、Mistral OCR 與 Tesseract,Claude Opus 5.5 辨識關鍵值最準,Mistral OCR 的費用較低。
推薦理由:文章以可逐字核對的八頁掃描檔案比較多種 OCR 路線,呈現辨識準確度、費用與錯讀風險的取捨。
GPU 執行模型時,工作被拆成許多小步驟,步驟之間的等待會讓部分晶片閒著。LMSYS 團隊為 Muse Spark Open 寫了一種叫 megakernel 的大型 GPU 程式,把每一層的多項工作合在一起,讓不同部分能趁空檔先處理下一件事。在 Blackwell GPU 上,單次請求的解碼速度從每秒 517 個 token 提升到 1,109 個 token;團隊也把草稿模型的執行步驟從 175 次減到 8 次。這種做法目前只支援搭配猜測解碼的單一請求,團隊接下來打算擴充到多個請求。
推薦理由:文章拆解 megakernel 如何合併 GPU 工作、減少等待,並以 Muse Spark Open 的實測展示效能變化,能看出低延遲推論的工程取捨。
Perplexity Comet 免費開放後,具備跨平臺支援與 Chrome 擴充功能相容性,成為作者認為最值得研究與閱讀工作者考慮換用的 AI 瀏覽器。
Anthropic Fable 5.2 在 Remote Labor Index(RLI)以 41.3% 的完成率排名第一,測試衡量 AI 助理完成真實自由工作、並達到付費客戶接受品質的比例。
推薦理由:Remote Labor Index 以付費客戶可接受的品質衡量完整接案成果,榜單呈現各模型在真實工作任務上的差距。
Anthropic 的 Fable 5.2 在 RLI 評測中以專業品質完成 41.3% 的真實自由接案工作,約為前一年度領先系統完成率 2.5% 的 16 倍以上。
推薦理由:RLI以完整專業委託衡量AI 助理的工作成果,並由人類專家檢查交付檔案,提供不同於單項能力測驗的比較視角。
Apple M5 Ultra Mac Studio 在部分本機 AI 測試中比單臺 DGX Spark 更快、耗能更低;大型模型的表現則取決於推論引擎、服務配方與系統記憶體容量。
Valve 在 Steam 商店加入 Steam Deck 遊戲平均 FPS 資料,讓玩家購買前能參考相同硬體上的遊戲表現。 - 資料呈現:除平均 FPS 外,也提供直方圖顯示原始資料分佈;目前只納入使用者選擇分享、且 Steam Deck 設為預設影格率限制的資料。
Capgo 是文章推薦給個人開發者的行動 App 部署平臺,可在雲端建置並簽署 iOS、Android App、上傳至商店,也支援線上更新,月費 $14 起。
Nemotron 3.5 Transcribe 可透過提示詞選擇逐字稿、清理後文字或附逐字時間戳的說話者標記;InferenceKey 在單張 32 GB RTX PRO 4500 Blackwell 上實測其輸出、辨識率與部署限制。
Node.js 26 的實測顯示,Map.getOrInsertComputed() 在快取查詢中比手寫 get 與 set 更慢,也會去重並行工作,但失敗的 Promise 會留在快取中。
Claude Fable 5.2 的標準 API 價格比 Fable 5.1 低 20%,但不同快取使用方式與工作負載會改變各模型的成本差距。 - 標準定價:每 1M 輸入 token 為 $8、輸出 token 為 $40;快取讀取為 $0.20。
推薦理由:文章以標示的 token 工作負載試算多款模型成本,並對照 Anthropic 提供的基準分數,呈現價格差距如何隨快取使用與任務型別改變。
**文章比較 7 款可免費發布頁面的 AI 建置工具,指出 Dorik AI 與 Manus 提供程式碼存取,較適合可能發展成正式專案的登陸頁面;Base44 則能生成全端功能。
Dev.to Top Tech 的 Carol Luo 比較七款 AI 音樂生成器,依工作流程整理各工具的輸出、編輯能力、匯出與授權條件。 - 比較範圍:這是工作流程比較,並非受控音訊基準測試;作者依據產品檔案、定價與授權頁面整理,未在工具中生成曲目,也未以相同提示詞比較。
Django 6.1 的 FETCH_PEERS 在作者自有 API 的測試中,降低了移除 select_related 後增加的部分資料庫查詢,但未能在任何受影響路由上追平原本手動調校的查詢量。
Claude Fable 5.2 在部分基準與長時間AI 助理工作上有所提升,但作者認為它的實際價值取決於 effort 設定與任務型別。
Hydrogen-1.0 在 Deep Principle 自行評估的 FrontierScience-Research 與科學運算測試中高於 GPT-6-Astra;GPT-6-Astra 則在 NMR 結構解析領先。
作者在兩臺 Synology NAS 間比較 10GbE 網路基準與檔案複製,發現接近線速的 TCP 測試結果並未反映實際複製速度。 - 測試結果:iperf2 四條 TCP 串流達 9.42 Gbps;完整檔案複製中,cp 約 479–494 MB/s,單一 rsync 約 181 MB/s。
OnePassApps 測試 app.onepassapps.com 對 21 種 Accept-Encoding 標頭值的回應,發現伺服器只在部分情況使用壓縮,且會接受萬用字元 * 卻不依此啟用壓縮。