跳到正文

#評測/基準

RSS
今日 12 則
11月21日週六
  1. Dev.to Top Tech68

    Codex 搭配 GLM-5.3-Flash:終端測試排名第 4,真實專案測試排名第 10

    同一組 Codex 和 GLM-5.3-Flash,為什麼在兩個排行榜上差了好幾名?作者把兩邊的測試放在一起比較,發現一邊只測終端操作,Codex 排第 4;另一邊也測真實程式專案,Codex 在修功能、找錯誤的 DeepSWE 測試中落後許多,總排名第 10。兩邊使用的 Codex 版本和設定也不同,但作者無法確認這是否造成差距。這提醒使用排行榜時要先看它測的是哪種工作;測試結果不一定能代表自己的程式專案。

  2. MIT Technology Review · AI69

    METR 更新 AI 能力曲線圖,加入需要判斷力的任務

    AI 模型在寫程式等容易自動檢查答案的工作上進步很快,但這能不能延伸到研究方向選擇等需要判斷力的工作,仍不清楚。METR 更新了用來比較模型與人類任務表現的曲線圖,加入設計 AI 評測和評分哲學論證等較開放的任務。最先進的模型在軟體工程上已勝過幾乎所有人類,卻還沒有設計出 METR 員工認為能用於研究的評測。這些新任務的數量不多、評分也不容易,因此目前還難以據此推算模型未來能否自動進行 AI 研究與開發。

  3. Dev.to Top Tech58

    Prisma 全平臺實測:作者分享部署 Sellary 的卡點、延遲與費用

    把現有網站搬到新的資料庫和主機,可能遇到設定衝突,也不能拿正式資料冒險。作者在獨立測試環境中,把 Sellary 接上 Prisma Postgres 和 Prisma Compute,並用測試金鑰跑完註冊、建立商品和讀取商品頁的流程。過程中,他記下 Prisma ORM 6 和 Compute 部署工具的衝突,以及建置時缺少設定值造成的問題和處理方式。商品頁延遲約 742ms、資料庫寫入約 749ms,兩者都只測量一次。作者也比較了 Prisma 的方案費用與原本每月 $0 的架構,決定讓正式服務留在原處,繼續用 Prisma 測試環境評估。

  4. Artificial Analysis46

    Artificial Analysis 用 Stirrup 測試 Parallel Search 的 fast 和 advanced 兩種模式,讓 GPT-5.6 Luna 用它搜尋網頁,完成 1,700 項搜尋任務。advanced 在 Artificial Analysis Search Index 得 83 分,與 Keenable Search(pro)並列第一;fast 得 82 分,排名第 4。兩種模式在 DeepSearchQA 都拿下 89 分 F1,名列前兩名。fast 平均每項任務約 $0.014,advanced 約 $0.030;這表示搜尋工具也能靠近高分同類服務,同時維持較低費用。

  5. Arena.ai44

    LMSYS Arena 更新了 Arena Alignment Index,調整偵測 AI 助理出錯的方式,希望涵蓋更多情況、判斷更可靠。這份指數會看 AI 助理在真實使用情境中,是否擅自做事、謊稱工作已完成,或把使用者沒說過、沒做過的事算到使用者頭上。新版排名中,OpenAI 包辦前七名;Claude Fable 5.2 首次上榜排第 8,Kimi K3.1 Pro 是進步幅度最大的開放模型,也排在第 9。這提醒我們,模型排名不只看能不能回答問題,也要看它會不會越權或誤報工作狀態。

  6. Dev.to Top Tech45

    Sandscale 和 E2B 的 Firecracker 沙盒平臺有哪些不同?

    Sandscale 和 E2B 都用隔離性高的 Firecracker 虛擬機器來執行 AI 助理寫的程式,挑選時更大的差別在計費和管理功能。E2B 按沙盒運作時使用的 CPU 和記憶體逐秒收費,暫停後就停止計費;Sandscale 則只計算沙盒醒著工作的時間,等待模型或人回覆時不收費。例如,文中假設一個工作只忙 10 分鐘、等了 50 分鐘,Sandscale 不會把那 50 分鐘算進費用。 Sandscale 每個方案都有機密資料保管、提示詞檢查、人工核准和修改紀錄;E2B 公開的資料則列出 SOC 2 Type II 報告、可申請的 HIPAA 合作夥伴協議,以及較多地區、雲端和沙盒功能。兩邊各有適合的情況:常常等待、又想要內建管理工具,可考慮 Sandscale;需要合規證明或大量同時運作的沙盒,E2B 公開的支援較完整。

  7. Dev.to Top Tech48

    Sandscale 和 Daytona 怎麼隔離 AI 助理的工作環境、又怎麼計算閒置費用?

    AI 助理做事時常得等模型或人回覆;如果工作環境一直開著,等待時間也可能要付費。Sandscale 和 Daytona 都提供能透過 SDK 或 API 使用、用完就能丟掉的電腦環境,但兩家的隔離方式和計費不同:Sandscale 每個環境都是有自己核心的 Firecracker microVM,等待或暫停時不計費;Daytona 預設使用 Linux 容器,環境啟動時會依保留的 CPU、記憶體和硬碟空間計費。 假設 AI 助理用 2 個 vCPU 工作 10 分鐘,接著等 50 分鐘:Sandscale 只算實際清醒運作的時間;Daytona 若一直開著,文章估算每次要 $0.1656,若 10 分鐘後手動停止,則是 $0.0276,兩者都未計硬碟費。怎麼選要看環境需求和等待時間;例如需要 GPU、Windows 或 macOS 時,Daytona 有提供這些環境,Sandscale 則沒有。

  8. SemiAnalysis41

    Ayar Labs 公佈 SuperNova ELSFP 雷射的量產測試資料:團隊測了超過 100 個雷射模組,並在 50 C、加入 -20 dB 反射的條件下測試,模擬光纖接頭與光纖連到光子晶片時可能出現的不完美。結果顯示,平均 RIN 為 -158 dB/Hz,平均線寬為 0.16 MHz,與 400ZR 相干雷射的規格相近,讓 DWDM 運作有更大餘裕。更重要的是,每個雷射都有餘裕地符合規格,代表量產時表現穩定,比單一產品跑出特別高的數字更有意義。

  9. elvis48

    醫院工作常要查保險、申請事前授權、處理理賠和索取病歷,還得在不同系統間小心操作。Hospital-bench 用模擬醫療系統測試 AI 助理,系統裡有 13 個應用程式和 131 種工具;20 個模型共完成 48 項任務。GPT-6.2 Astra 平均得分最高,為 62.4%;Claude Opus 5.5 完整通過的任務最多,共 17 項。安全也是大問題:有模型洩漏受限病歷、錯改已付款的理賠,或做了超出許可權的事。GPT-6.2 Astra 和 Gemini 4 Neon 沒有任務因造成傷害而被判零分,但有些模型最多有 10 項。結果顯示,AI 助理要可靠又安全地完成跨系統工作,仍有很大挑戰。

  10. Dev.to Top Tech76

    PHP 8.6 新功能與升級提醒:Laravel 效能沒有明顯提升

    升級 PHP 後,程式可能多了新功能,卻不一定跑得更快,還可能遇到相容性問題。作者整理 PHP 8.6 的部分新功能、棄用專案與行為變更,也對照微基準和 Laravel、Symfony、WordPress 的測試結果:微基準有些專案變快,但 Laravel 的每秒請求數幾乎沒變,Symfony 則略有增加。文章也提醒,工作階段 Cookie 預設值改變,可能影響讀取 Cookie 或跨網站送出表單的程式;升級前應先跑測試,並檢查相關設定和相依套件。

    推薦理由:文章把 PHP 8.6 的功能與相容性變更放在一起檢視,並比較微基準和框架測試,呈現升級時的實際取捨。

  11. Dev.to Top Tech35

    用 Python 正規表示式統計 StagingBench 診斷文字中的測量專案

    StagingBench 的診斷文字有些會寫出縮放值、旋轉角度,或原始畫面還看得見多少。這段 Python 程式會讀取 scores.csv,分別檢查每段文字有沒有提到這三種專案;沒有提到就不計數,也不會猜一個預設值。拿提供的資料來跑,含有縮放值的文字有 15 段、含有旋轉角度的有 5 段、提到原始畫面可見比例的有 19 段。這些數字只是在數文字,不代表照片品質,也不能用來判斷哪個工具比較好;如果文字格式改了,原本的規則也可能漏掉測量專案。

11月20日週五
  1. Dev.to Top Tech70

    Dettato 用 20M 引數把音樂轉成 MIDI,表現勝過大型開源模型

    把一段音樂錄音轉成 MIDI,要找出每個音符何時開始、何時結束,還要分辨同時響起的不同樂器。獨立開發者做出開源模型 Dettato,用 20M 引數在多項測試中勝過引數量大 65 倍的 MuScriptor;不過在 RWC Classical 測試中,Mirelo A2M v1.1 Pro 的分數較高。作者說,訓練資料沒有使用受著作權保護的錄音。Dettato 輸出的是跟著演奏時間排列的 MIDI 音符,不是可閱讀的樂譜;若要分開樂器或處理少見的打擊樂音色,也要留意它的限制。

  2. Dev.to Top Tech50

    看虛擬傢俱擺設的整體通過率前,先確認每個房間有多少結果看得懂

    把所有房間的結果合成一個通過率,可能會遮住哪些結果其實還不確定。StagingBench 的測試中,每間房都有 12 筆結果,但能確認通過、失敗或仍不清楚的筆數不一樣。像 Room 09 的 12 筆全是未知,不能把它們當成全部失敗;Room 04 則有 3 筆通過、1 筆失敗、8 筆未知。計算通過率時,要說清楚分母是全部結果,還是隻算能確定的結果。這份測試只有 10 張真實房間照片,而且每種工具和房間只記錄一次,因此只能看出這次測試有多少結果能明確判讀,不能代表虛擬傢俱擺設的一般成功率。

  3. Dev.to Top Tech63

    Datadog 和 OpenTelemetry 自架方案怎麼選?比較 ClickHouse 與 Grafana 的成本

    監控服務的費用可能隨主機和紀錄量增加,讓團隊開始考慮自架。作者用 15、80 和 350 臺主機的假設情境,估算 Datadog 與 OpenTelemetry、ClickHouse、Grafana 的每月成本;這些數字是規劃試算,不是實測基準或廠商報價。比較結果會受可搜尋天數、紀錄事件數、雲端資源和維運人力影響;把 Datadog 的索引保留期改成 30 天後,試算比例也跟著改變。文章還提醒,自架要自行處理備份、故障復原、查詢效能和系統維護,應用自己的流量與資源價格重新估算。

  4. Dev.to Top Tech35

    Darwin 在 Hugging Face 的 17 項排名都進前三,拿下 12 個第一

    Hugging Face 的排名會隨著新結果加入而改變,所以光看第一名有幾個,還要留意領先多少。作者在 11 月 20 日重新查詢公開資料,發現 VIDRAFT 的模型參加了 17 項排名,每項都在前三名,其中 12 項排名第一;11 月 17 日時,則是參加 15 項、拿下 12 個第一。 計算時,遇到同分第一會讓並列的模型都算第一。例如 AIME 2026 有兩個模型同得 100 分,因此兩邊都列為第一。各項排名的領先幅度也不同:MDPBench 只領先 0.05 分,LEXam 則領先 16.53 分。這些名次和分數可能隨新結果變動,因此比較排名時,也要看清楚資料日期和同分的演算法。

  5. Dev.to Top Tech79

    Hy4 flash 自架指南:220B 引數模型的顯示卡記憶體與授權怎麼看

    220B 引數的 Hy4 flash 看起來很大,但每個 token 實際啟用的引數約為 12B;自架時,權重檔和長上下文的記憶體需求才是主要考量。作者拆解模型結構與檔案大小,估算在 1M-token 上下文下,若 KV cache 儲存壓縮後的資料,每條序列約需 6.9 GB;這是作者的推算,實際用量會依快取方式和精度而變。官方 FP8 配方使用 8 張 GPU,授權也有條件:以 API 等方式提供遠端服務,達到指定營收或月活門檻時,需要另取得書面授權。

    推薦理由:文章把 Hy4 flash 的權重、KV cache 與授權條件拆開估算,也標出哪些是作者推算、哪些是騰訊提供的數字,能幫讀者先判斷自架成本與服務限制。

  6. Dev.to Top Tech47

    五款 Chrome 朗讀擴充功能比較:哪款適合免費聽技術文章?

    想聽技術檔案或工程部落格,卻不想付訂閱費,常會遇到語音很生硬,或文章聽到一半就被每日額度打斷。這篇比較五款 Chrome 朗讀擴充功能:ChromePilot 的 Audiofy 可自備金鑰,使用 gemini-2.5-live 免費方案播放自然語音,還能即時朗讀、略過網頁雜訊並標出正在唸的字;Speechify 有 400 多種語音,但自然語音要付費;NaturalReader 的免費 AI 語音每天約可用 5 到 20 分鐘。若想免費聽長文章,可考慮 ChromePilot;需要手機同步、MP3 匯出或掃描 PDF 文字辨識,則可依需求選其他工具。

  7. Dev.to Top Tech62

    Claude Code 費用怎麼算?比較 Pro、Max、Ultra 和 API

    想用 Claude Code 寫程式,常會看到月費和按用量計費的不同價格,容易搞不清楚哪種適合自己。這份指南整理 Pro、Max、Ultra、Team 訂閱方案和 API 的差別:訂閱每月付固定費用,但有 5 小時和每週用量上限;API 按傳送與收到的 token 收費,可設定花費上限。文中用 Sonnet 5.5 示範,一小時的範例費用是 $1.10,也整理了清除舊對話、日常工作使用 Sonnet 等省用量方法。價格和方案會變動,作者提醒購買前檢視 Anthropic 的定價頁面。

  8. Dev.to Top Tech64

    實測 cosign v3 簽署映像檔遭 policy-controller 公鑰政策拒絕

    用 cosign 簽署的映像檔可能無法通過 policy-controller 的公鑰政策檢查。作者在測試環境中,以 policy-controller v0.15.1 和 cosign v3.1.3 實測:使用 cosign 預設格式簽署時,映像檔遭拒,系統回報「no signatures found」;在政策中加入常見修正設定 signatureFormat: bundle 後,仍遭拒,錯誤訊息指出這種格式要求使用無金鑰的授權方式。相同映像檔改用 cosign 舊格式簽署,則通過了原本的公鑰政策。

  9. Dev.to Top Tech39

    Aider 和 JetBrains AI 比較:免費開源的終端機 AI 助理,對上方案常變動的 IDE 外掛

    Aider 和 JetBrains AI 都能幫忙寫程式,但一個在終端機裡工作,另一個整合在 JetBrains 的 IDE 裡。Aider 免費開源,使用者自備 Claude、GPT、Gemini 或本機模型的 API 金鑰;JetBrains AI 則有免費方案,也有每月 $10 的 AI Pro 和每月 $30 的 AI Ultimate。JetBrains AI 在 6 週內調整了 2 次方案,連團隊購買方式也改了;Aider 的費用則一直是免費,預算主要看自己的 API 用量。兩者適合的工作方式不同,團隊採購 JetBrains AI 前,得先留意方案內容可能變動。

  10. Tom’s Hardware AI & Computing72

    律師用 12 張二手 Nvidia V100 執行 DeepSeek V4.1 Flash

    想在自己的伺服器跑大型模型,常得在模型完整度、硬體價格和等待時間之間取捨。一名律師花了 $9,450,把 12 張二手 Nvidia V100 裝進伺服器,讓 DeepSeek V4.1 Flash 的 15,360 個專家都能以 4-bit NVFP4 格式放在卡上。作者實測,程式碼輸出速度最高達每秒 184 個 token,讀取 128K 檔案約需 28 秒;長檔案開始回答的時間也比升級前快近一倍。不過 V100 沒有 FP4 核心,仍須由軟體把資料轉成較高精度格式,而且這些數字沒有說明實際回答品質。

  11. 雷科技58

    雷科技實測豆包工作等 AI 助理,整理資料、做簡報和網頁各花多少錢

    用 AI 助理整理資料、做簡報和製作網頁,結果差不多,花費卻可能差很多。雷科技用相同模型和相同任務比較豆包工作與另外兩款軟體,記錄每項工作的費用。文中三項任務合計約花 1.57 元、3.41 元和 8.52 元;其中豆包工作使用 DeepSeek V4.1 Flash 時,多項任務顯示免費,改用 Kimi 3.1 Pro 製作網頁則消耗 207.39 積分。作者提醒,積分計價方式和會員額度各不相同,不能只看積分數字比較;費用也會隨模型和任務改變。

  12. Tom’s Hardware AI & Computing58

    MSI EdgeMesa N AI+ 評測:本機 AI 表現強,擴充和遊戲有取捨

    想在 Windows 電腦上跑本機 AI,又不想改用 Linux,MSI EdgeMesa N AI+ 提供了搭載 NVIDIA Blackwell GPU 和 128GB 統一記憶體的小型桌機。評測發現,它跑大型語言模型的速度不錯,工作時也很安靜;但售價是 $7,499,機身只有 3 個後置 USB-C 埠,也少了 DGX Spark 可用來串接多臺電腦的 ConnectX 網絡卡。遊戲表現則不一定如規格看起來亮眼,部分遊戲需要調整 DLSS 設定,操作延遲仍偏高。這臺電腦適合需要 Windows 和大量記憶體的創作者或開發者,購買前也得衡量價格與擴充需求。

  13. Dev.to Top Tech49

    5 款 AI 工具在 2026 年調整價格:有的取消免費方案,有的降價 87%

    AI 工具常先讓人免費使用,之後再調整免費額度或收費方式。文中的 5 款工具各有變化:Chatbase 和 Ideogram 不再列出免費方案,LlamaIndex 拿掉每月 $50 的方案,改成超過每月 10,000 點免費額度後按量收費;Exa 把監控費用從每 1,000 次請求 $15 降到 $2,QuillBot 的免費改寫上限則仍是每次 125 個單字。這些工具多按點數、請求或訊息計費,同一項工作也可能用掉不同點數。先用實際工作量估算最忙時的花費,再選方案,才不容易因額度用完而多付錢。

  14. Dev.to Top Tech48

    Codex 在 T3 Code 裡為什麼跑比較久?一次實測拆解等待時間和程式問題

    同一個 Codex 模型做同一件事,透過 T3 Code 花了 10 分 26 秒,用原生 CLI 則花了 6 分 07 秒。看起來 T3 Code 比較慢,但其中 6 分 6 秒其實是在等人批准清理暫存檔;扣掉等待後,實際工作時間是 4 分 20 秒。T3 Code 少花時間檢查環境,原生 CLI 則多做了不少檢查,還碰上瀏覽器測試卡關。三個版本也都被檢查出問題:兩個有跨分頁資料被蓋掉的錯誤,另外兩個有鍵盤焦點跳走的問題。這次只有各跑一次,時間差可能受網路或排隊影響,還不能當成定論。

  15. Dev.to Top Tech56

    CVPosh 測試 20 種履歷排版,找出文字擷取容易漏掉的內容

    履歷看起來排版正常,不代表電腦讀取時能找到所有資料,或按正確順序理解內容。CVPosh 用同一份虛構履歷做出 20 種 PDF 和 DOCX 版型,再檢查 37 項內容能否被文字擷取工具讀到。測試中,聯絡資料放在頁首、頁尾、圖片或只有「Email me」這類連結文字時,可能會消失;雙欄版則可能把學歷、技能和工作經歷讀亂。檢查分數有時仍是 100 分,所以高分不保證擷取結果正確。這次只測文字擷取工具,沒有測試任何僱主使用的履歷系統;結果也只來自一份虛構履歷。

  16. Dev.to Top Tech72

    六種語音隔離工具實測:Krisp 如何減少語音助理聽錯旁人說話

    語音助理在吵雜環境中,常把旁人的說話也當成使用者的指令,造成辨識錯誤或打斷對話。作者用同一批錄音和同一套語音辨識工具比較六種方案,發現降噪主要處理風扇、車聲等噪音,語音分離則會拆出多個聲音,還得另外挑出要聽的那個人;語音隔離才會直接保留主要說話者。作者測試的 Krisp Voice Isolation 把背景人聲誤認字數從 548 個降到 63 個;DeepFilterNet 也減少了部分背景人聲,卻多刪掉主要說話者的字。文中也整理各工具的價格、延遲和適用情境,提醒開發者用自己的錄音確認效果。

  17. 少數派 (sspai)55

    《GTA 6》遊玩評測:犯罪有代價,城市也會回應玩家

    開放世界遊戲常用地圖圖示和重複任務填滿時間,《GTA 6》則試著讓探索和主角的生活連在一起。評測作者描述,兩位主角得靠各種營生維持生計;偷車也要留意警報、追蹤器和警方,不能想開走就開走。街上居民會對玩家的行為作出反應,有時還會打電話報警。作者也提到,遊戲在 PS5 Pro 上以 30 幀運作,並認為細密的城市互動和角色故事讓漫遊更有意思。這篇評測主要分享作者對遊戲玩法、人物和畫面的體驗。

  18. Dev.to Top Tech49

    PDF object streams 如何讓純文字檔縮小 4.15%,省下的空間藏在字型資料裡

    純文字 PDF 看起來應該很好壓縮,實際上卻不容易;這次測試的一份 10 頁 PDF,原本有 137,782 bytes。研究者用 qpdf 12.4.0 把多個原本沒壓縮的 PDF 物件打包成資料流,讓壓縮工具也能處理裡面的文字資料,檔案因此縮小 4.15%,變成 132,065 bytes。省下的空間主要來自字型設定資料;圖片本身已經壓縮,幾乎沒變小。 這種方法對圖片很多的 PDF 幫助很少,測試中的幾份圖片型 PDF 只縮小 0.02% 到 0.74%。所以,PDF 能省多少空間,得看裡面裝的是什麼:如果大多是圖片,通常沒多少可壓;如果有大量尚未壓縮的字型資料,才可能省得比較多。

  19. Dev.to Top Tech76

    Kilo 用金字塔建造測試比較 GPT-6.2 Astra 和 Sol

    挑 AI 模型寫程式時,價格和做出來的成果都會影響選擇。Kilo 用同一段提示詞,讓 GPT-6.2 Astra 和 GPT-6.2 Sol 各自做出工人建造金字塔、船隻沿河運送材料的互動 3D 場景。兩者都放好了 204 塊石頭並完成 8 層;Astra 的畫面較像電影場景,Sol 的畫面較簡單,但能清楚顯示每組工人在做什麼。這次每個模型只測了一次,作者提醒結果只能當初步參考,也提供在 Kilo Desktop 重跑比較的方法。

    推薦理由:文章用同一個金字塔建造任務比較 Astra 與 Sol 的畫面和操作呈現,也提醒每個模型只跑過一次,結果適合當作初步參考。

  20. Dev.to Top Tech51

    Microsoft 365 和 Office 2024 怎麼選?一次買斷何時比訂閱划算

    Office 買斷版和 Microsoft 365 訂閱版,哪種花費比較少,得看使用多久、幾臺電腦和幾個人一起用。文章比較指出,Office Home 2024 售價 $149.99,約 18 個月後比每年 $99.99 的 Microsoft 365 Personal 省;Home & Business 2024 售價 $249.99,約 30 個月打平,但 Office 2024 的安全更新會在 2029 年 10 月 9 日停止。買斷版只供一臺電腦使用,也不會新增功能;若要多人共用、多臺裝置或 OneDrive 雲端空間,Microsoft 365 可能更合適。

  21. Dev.to Top Tech47

    Proof of Agent 的四人評分小組,平手時通過的答案有多少?

    Proof of Agent 讓 AI 助理互相替短答案打分;一筆答案至少收到 4 票才會定案,平手也算通過。作者檢視兩批公開紀錄,共 5,775 筆已定案答案,發現其中 1,249 筆是平手,1,248 筆都因此通過。這表示只要 4 人中有 2 人給支援票,答案就能過關;想用大量假身分影響結果的人,所需的支援票也比較少。 把規則改成平手不通過,不用多收評分票,但會讓其中 697 筆原本通過的答案改判失敗;每筆都多找一位評分者,則每批約多出 2,335 票。作者提出只替 2 比 2 的平手答案加一票,並把多出的票用在這些答案上,評分量可能幾乎不變。平手規則讓邊界答案比較容易過關,也可能讓假身分更容易左右結果。

  22. Dev.to Top Tech79

    Gemini 4 Neon 和 Claude Opus 5.5 寫程式比較:哪些結果有資料佐證?

    挑寫程式的 AI 模型時,單看哪個跑分高,可能看不出實際差別。這篇文章整理 Gemini 4 Neon 和 Claude Opus 5.5 的公開比較:Google 的資料顯示 Neon 在部分基準測試領先,Opus 5.5 則在另外兩項測試小幅領先;另一項編碼助理指標中,兩者分數接近。文章也列出估算的每項編碼任務費用,Neon 約 $6.86,Anthropic 的兩種設定約 $12.61 至 $15.47。作者提醒,最高思考設定會讓輸出 token 數增加一倍以上,建議先用自己的專案測試再決定是否更換。

    推薦理由:文章整理 Gemini 4 Neon 與 Claude Opus 5.5 的基準測試、任務成本和輸出差異,能幫助讀者看懂比較結果的適用範圍。

  23. Dev.to Top Tech81

    Gemini 4 Hydrogen 和 Claude Sonnet 5.5 怎麼選?比較測試表現與成本

    挑寫程式用的模型,不能只看每個 token 的價格,還得看工作型別和完成任務要花多少錢。文章比較 Gemini 4 Hydrogen、Claude Sonnet 5.5 和 GPT-6.1 Sol:Google 公佈的測試中,Hydrogen 在 9 項裡贏了 6 項,較適合呼叫工具和修 bug;Sonnet 5.5 則在終端機操作、電腦使用和科學命令列測試勝出。獨立評分中,Sonnet 5.5 略高於 Hydrogen;Hydrogen 產生的文字較多,因此每個 token 較便宜,不一定代表每項工作花費更低。文章也整理了價格與使用方式,並建議用自己的工作測試再決定。

    推薦理由:文章並列 Google 公佈的測試與獨立評分,也提醒輸出較長會拉高每項工作的成本,方便依實際工作型別比較模型。

  24. Dev.to Top Tech54

    NovaAtom-Lite 與 AlphaFold 3 比較:抗體介面領先,蛋白質 DNA 則落後

    挑選蛋白質結構預測模型時,不同模型在不同分子組合上的表現可能差很多。這篇評測整理 FoldBench 的廠商自報數字:NovaAtom-Lite 在抗體與抗原介面得到 79.07%,AlphaFold 3 為 47.90%;在蛋白質與小分子介面也領先,但蛋白質與 DNA 介面由 AlphaFold 3 領先。這些結果尚無獨立團隊重做驗證,而且比較使用的樣本數並不完全相同。NovaAtom-Lite 目前沒有公開模型權重或程式碼,研究團隊可先把它當作另一個參考模型,並留意結果仍待外部驗證。

  25. Dev.to Top Tech62

    Square Squaremates 和 WhatsApp Business AI 比較:印度小店可先用 WhatsApp 回覆顧客

    小店常得在忙著做生意時回覆顧客問題,也要處理商品和排班。文章比較 Square Squaremates 和 WhatsApp Business AI:前者能協助美國賣家找回流失顧客、修改商品目錄和安排人力;後者能在 WhatsApp Business 裡回答顧客問題、推薦商品和預約,並支援印度當地語言。作者建議印度小店先從免費的 WhatsApp Business AI 開始,因為 Squaremates 目前只提供美國賣家使用。店家要先補齊商品和營業資訊,並親自檢查 AI 的回答;退款或付款爭議則可交由店主處理。Meta 提到 UPI 聊天付款即將推出,但目前還不能使用。

  26. Dev.to Top Tech46

    RocketMQ-Rust 效能測試:同步傳訊較快,多連線時表現不同

    RocketMQ-Rust 和 Apache RocketMQ 5.5.0 的速度,會隨著傳訊方式改變。測試中,等每則訊息回覆才送下一則時,RocketMQ-Rust 每秒約送出 4.0k 則,Apache RocketMQ 5.5.0 約 2.3k 則;若改成一條連線同時送 256 則,RocketMQ-Rust 的速度則略低一些。這表示測試結果得看程式怎麼送訊息,不能只用一個數字判斷誰比較快。 Proxy 的另一項測試也發現,調整 TCP 設定後,32 條連線、每條同時處理 4 則訊息時,最慢那一批請求的等待時間中位數從 43.6 毫秒降到 6.9 毫秒,但一般請求的等待時間沒有變。這些測試是在特定環境下進行,長時間穩定度、故障切換等情況尚未納入比較;要判斷是否適合自己的部署,還得用相同工作方式測試。

  27. Dev.to Top Tech56

    實測 Qwen2.5-1.5B-Instruct:先看摘要沒有比截短文字更準

    把每則問題的文字截短,可能讓小型模型少被不相干的內容帶偏;作者因此測試,先看每則問題的摘要再讀全文會不會更好。使用 Qwen2.5-1.5B-Instruct 比較三種方式後,截短文字答對 17 題,摘要優先答對 16 題,讀完整文字答對 9 題。摘要優先每題平均花 5,172 個 token,是截短文字的 2.6 倍。模型仍常盯著最醒目的 412 號問題,摘要沒有解決這個問題;作者認為,候選專案不多時,截短文字更省成本,表現也相近。測試中還有一題的標籤洩漏線索,因此無法判斷模型是否真的讀到了後面的關鍵內容。

  28. Dev.to Top Tech56

    ElevenLabs 和 Cartesia 每分鐘語音費用差多少?用同一單位比較方案

    語音工具用「點數」標價,乍看很難知道做一分鐘語音到底要花多少錢。作者把 ElevenLabs 和 Cartesia 的月費除以方案包含的語音分鐘數,讓價格能直接比較:ElevenLabs 付費方案每分鐘約 0.165 到 0.200 美元,Cartesia 約 0.028 到 0.038 美元。作者也提醒,便宜不代表適合所有工作:ElevenLabs 提供配音和有聲書製作功能,Cartesia 主打低延遲語音,適合需要快速回應的對話式 AI 助理。文中的價格來自作者於 2026 年 11 月 20 日查閱的方案資訊。