跳到正文

#資料/訓練

RSS
今日 2 則
今天11月23日週一
  1. Dev.to Top Tech69

    別只問技術選擇的理由,逐步追問系統實際怎麼運作

    團隊常把熟悉工具或聽過技術口號,當成真的懂系統怎麼運作。作者結合認知研究和 PostgreSQL 的交易案例,說明逐步解釋能找出這種理解落差:兩筆同時提款都讀到 $100,各自提走 $80,帳戶最後可能只顯示 $20。文中建議在設計檢查時少問「為什麼選這個」,改請對方說明遇到故障時每一步會發生什麼事;也可用單一更新語句、先鎖定資料列,或採用更嚴格的交易隔離方式處理提款問題。把追問得到的答案寫程序式、測試或設計檔案,能讓後續接手的人也看得到。

  2. Dev.to Top Tech58

    用 Python 從 SEC Form D 找出近期募資的新創公司

    想找剛募到資金的公司,可以從美國 SEC 公開的 Form D 申報資料下手。作者先示範用 Python 從 EDGAR 查詢申報,再讀取 XML 整理公司名稱、募資金額、產業和高階主管等資訊;也介紹自己製作的 Apify 付費工具,可略過投資基金與修正申報,依條件篩選並定期送出新資料。Form D 的金額由公司自行申報,之後可能更新;申報日期也不等於募資開始日期,而且資料不會列出投資人姓名。

11月22日週日
  1. Dev.to Top Tech64

    ATLAS 如何不用傳統資料庫,打造可查證的視覺知識圖譜

    讀歷史、政治或經濟資料時,常會找不到人物和觀念之間的關係,也不容易看出一項說法是事實、轉述的主張,還是有爭議的解讀。作者打造 ATLAS,把內容整理成知識圖譜,並用帶有 SHA-256 雜湊的靜態資料包提供網頁讀取,省去每次查詢都要連到資料庫的做法。每項主張都附有引用來源;圖譜也能用來閱讀長文、按問題探索、檢視關係網路和瀏覽歷史地圖。作者也說明,單頁目前會載入比所需更多的資料,接下來打算進一步拆分。

  2. Dev.to Top Tech59

    作者追查一位創業者的 AI 助理,發現它的資料累積了 12 年

    把多年累積的筆記交給 AI 助理,真的能讓它像共同創辦人一樣幫忙嗎?作者對照一位創業者的筆記、社群貼文和整理後的概念檔,追出一段從 2014 年開始的紀錄,也發現原始筆記由本人撰寫,整理出的概念則有不少由 AI 一起完成。研究資料認為,這些內容可以拿來訓練模型,但研究只比對了 5 種方法中的 3 種,還沒有達成共識。使用紀錄也顯示,推動他去做事的功能多半以其他名稱運作;紀錄只算實際呼叫,沒算一直存在的角色設定。

  3. Dev.to Top Tech50

    SAC 重現套件怎樣做,才算真的重現論文結果

    看到套件寫著「重現論文」,不代表它真的照著論文做,也不一定能得到差不多的結果。這篇文章整理出一份檢查清單:要寫清楚模擬環境版本、訓練用了多少步和哪些硬體,也要交代失敗後重跑的情況;表格裡的數字則應該從實際紀錄自動產生。比如 HalfCheetah-v1 和 HalfCheetah-v4 是不同的模擬環境,沒說清版本,就很難公平比較。作者也提醒,套件要說明自己重現了哪些部分、沒做到哪些部分,並清楚標示結果來自一次示範還是多次測試,讓讀者知道這份結果有多可靠。

  4. Dev.to Top Tech61

    Rightmove Scraper 教你分辨曼徹斯特新上架與降價房屋

    Rightmove 的「最新」排序,容易讓人把降價或重新上架的房屋當成剛上市的新物件。作者用自己做的 Rightmove Scraper 檢查曼徹斯特的房屋列表,發現 47 筆一般房屋中有 21 筆是降價物件,真正上架不到一天的只有 23 筆。作者也示範用上架原因、首次出現日期和市場天數篩選資料,分開整理新房屋與降價房屋;若要找真正的新上架物件,不能只看網站顯示的「昨天新增」,還要核對它最早出現的日期。

  5. Dev.to Top Tech57

    用 n8n 每天追蹤公司新職缺,並依條件寄送提醒

    求職網站常有重複職缺,也可能漏掉公司剛刊出的工作。作者示範用 n8n 每天查詢指定公司的招募頁,從 Greenhouse、Lever、Ashby 等平臺整理新職缺,再依職稱、地點和遠端條件篩選,並新增到 Google 試算表,也能改用 Slack 或電子郵件接收提醒。流程會記住前次查過的職缺,之後只送出新刊登的專案。作者也說明,範例使用他製作的付費 Apify 工具;若公司使用其他招募系統,可能會查不到。

  6. Dev.to Top Tech61

    小模型如何用文法產生有效 JSON,以及它修不了哪種錯誤

    小模型直接寫 JSON 時,可能漏掉括號或填入表單沒有的欄位,讓程式無法使用。作者用一個名為 pankhllm 的專案示範「限制解碼」:模型每次選字前,先擋掉會讓 JSON 格式不合規的選項,因此輸出格式有效率從 91.6% 提升到 100%。但格式正確不代表內容正確;只檢查格式時,答對率從 47.3% 小幅升到 50.5%。再加上核對問題中是否提到選項的規則後,答對率升到 71.3%。文章提醒,使用模型產生 JSON 時,也要檢查格式正確但內容答錯的情況。

  7. Dev.to Top Tech70

    合成使用者有用嗎?研究說明 AI 模擬買家的優缺點與用法

    AI 模擬買家能不能代替真實顧客,取決於你要問什麼問題。文中整理多項研究:在個人護理產品的概念排序中,AI 的結果約達真人小組彼此一致程度的 90%;但重做真實訪談時,回答可能太正面、太籠統,也不太能說出哪些需求最重要。這些研究比較的是人們怎麼回答問卷,不是他們最後會不會購買。作者建議先讓 AI 比較幾個已寫好的選項,提供具體的買家背景,並請它用自己的話說理由;再調換選項順序、重跑一次,看看結果是否改變。模擬結果適合拿來準備問題,最後仍要用真實顧客的回覆或購買行為確認。

  8. Dev.to Top Tech53

    初學者指南:大型語言模型怎麼訓練,小團隊如何省下成本

    從頭訓練大型語言模型很花錢,但多數小團隊不必自己做這一步。這篇指南先說明模型如何從大量文字學習,再整理幾種省成本的做法:用 LoRA 或 QLoRA 微調已有的開放權重模型,或用 RAG 在回答時查資料,完全跳過訓練。文章也比較 DeepSeek、Kimi、Qwen 等開放權重模型,以及 OpenAI、Anthropic、Google 的封閉模型,並說明 Kiro 是負責串接模型的開發工具,不是模型製造商。

  9. Dev.to Top Tech58

    退貨分類案例:小模型測試 97% 準確,卻照搬了大型模型的錯誤

    小模型看起來測試很準,卻可能只是學會大型模型犯的錯。文中的公司用大型模型替 50,000 筆舊退貨分類,再拿這些分類訓練小模型,測試結果有 97% 準確。上線後,模型卻把運送途中摔壞的商品判成商品故障,讓不同物件的求償數量大幅改變。原因是訓練和測試都沿用大型模型的分類,測到的只是小模型有多像老師。作者建議先請處理求償的人手動標記幾百筆退貨,保留這批資料作為可靠的測試答案,並先用它檢查大型模型,再比較小模型;也要先問清楚每種分類會影響哪些決定。

  10. Dev.to Top Tech52

    AI Scientist 自動產生研究點子、撰寫程式並完成論文草稿

    做研究需要想題目、寫程式、跑實驗,最後還得整理成論文。AI Scientist 是研究者提出的架構,讓大型語言模型自動完成這些步驟,從產生研究點子、撰寫和執行程式,到整理實驗結果並寫出論文草稿。這套方法想讓 AI 自己進行開放式研究;文章也提醒,研究成果是否新穎、正確且能重現,以及能否通過同儕審查,仍是判斷它是否可靠的關鍵。

  11. Dev.to Top Tech74

    Apache SeaTunnel 的 MySQL CDC 平行度設為 8,為什麼讀取工作都落在同一張表?

    把 MySQL CDC 平行度設為 8,不代表會同時讀取 8 張不同的表;如果一張大表被切成多個資料範圍,8 個讀取器也可能都在處理它。作者說明 SeaTunnel 如何分配快照工作,以及如何把讀取期間的 binlog 變更和快照資料對起來,避免刪除或更新被舊資料蓋回去。排查時,可先看各個資料範圍的完成時間和資料是否偏斜,再分別檢查資料庫讀取、binlog 追趕和寫入速度。測試也要確認更新或刪除發生在快照讀取期間,並按主鍵檢查結果;只看總筆數可能看不出資料錯誤。

  12. Dev.to Top Tech40

    P²-MOPD 如何加快 MoE 模型在資料變化後恢復表現

    資料情況一變,MoE 模型可能得花不少時間重新學習,才能找回原本的表現。P²-MOPD 把舊模型專家的引數當成參考,同時調整學生模型的引數和各專家的影響比例,讓學生模型能靈活學習。測試中的 1.7 B 引數模型,平均恢復表現達 94.7%,MOPD 則是 80.9%;P²-MOPD 用一半的訓練步數,就超過 MOPD 最後的平均恢復表現。不過,每一步訓練的計算量和 MOPD 相同,因此實際能省多少時間,還要看訓練安排。

  13. Dev.to Top Tech48

    AI 產品的模型能力每年便宜 13 倍,真正的競爭優勢要靠什麼?

    如果 AI 產品只是在畫面上包一層,再接上大型模型 API,別人也能很快做出差不多的東西;模型變便宜、變強時,這種產品的優勢也可能跟著消失。作者建議檢查每個功能:如果它只靠模型進步就會變好,那是大家都能享有的好處,不算自己的長期優勢。 真正能累積的,是用得越久越有價值的東西,例如測試 AI 答得好不好的題目、使用者採納建議後的結果資料,以及能在企業流程中執行工作並留下清楚紀錄的能力。舉例來說,有了自己的測試題目,團隊就能更快確認便宜的新模型是否夠用;沒有測試,換模型可能只是猜。文章提醒,與其只租用越來越便宜的模型,不如建立會隨使用持續進步的產品。

  14. elvis42

    研究工作常散落在論文、實驗紀錄和聯絡資料裡,AI 助理如果能在需要時找到合適資訊,就能提醒你以前做過的實驗,或建議你重新聯絡某個人。作者把這套做法稱為「知識工廠」,用多個 LLM Wiki 整理研究論文和實驗結果,並以 Markdown 檔案和圖譜呈現。他建議先和 AI 助理一起使用、慢慢調整知識庫,不必一開始就訂下複雜規則;整理好的知識也能支援評測、內容製作等工作。

  15. Dev.to Top Tech42

    小樣本癌症存活分析怎麼做?研究檢視相關資料能否讓模型在 n=50 時進步

    醫院的病人資料常常太少,很難看出癌症病人存活時間的規律;大型登記資料雖然多,卻得和醫院收治的病人夠相似,才可能派上用場。這項研究用兩組大腸直腸癌第一期病人資料測試:一組來自 SEER,另一組來自中國西部醫院。研究人員先用大型資料學習,再用醫院資料調整模型;其中一種方法會把學到的樹移過去再調整。結果顯示,四種模型在醫院資料完整時表現都有進步;把目標資料縮到只有 50 人時,研究也觀察到更明顯的改善。不過,這只證明在這組相近的病人資料中有幫助,不能保證換成別的癌症或差很多的資料也有效。

  16. Dev.to Top Tech54

    DealPrice 如何估算營運資料的授權價格區間

    企業想把去識別化的營運資料授權給 AI 買家時,常不知道該開多少價。ImpactQuadrant 的 CFO Shyam Desigan 建立 DealPrice,參考公開報價,依資料型別和證據多寡估算常見價格區間,資料較少的型別會參考相近類別的價格。工具也會把資料量、品質、授權條件和買家管道放進交易模擬,估算可能的成交金額與賣方實收;例如,$100,000 的授權金額對應 $10,000 費用和 $3,000 經紀佣金。結果只是談判參考,不是正式估值或報價,最後金額以買賣雙方簽署的協議為準。

  17. Dev.to Top Tech60

    大型訓練檔案怎麼上傳?比較 presigned multipart、tus 與 Infrai

    金融科技新創上傳大型訓練檔案時,瀏覽器可能中途離開,讓檔案卡在未完成狀態,影響後續訓練。作者比較直接分段上傳、tus、託管式上傳工具與 Infrai:如果重視暫停和接續上傳,可考慮 tus 或託管工具;若重視私人存取和可替換的應用程式介面,則可用 presigned multipart,但團隊得自行管理上傳狀態、完成或取消作業。文章也提醒,multipart 暫存片段不會自動清除,應由應用程式定期檢查並處理逾期紀錄;若需要公開下載、物件版本控管或不可竄改儲存,這項儲存能力並不適合。

11月21日週六
  1. Dev.to Top Tech39

    Proof of Agent 的審查佇列怎麼才不會越排越長?8 次公開資料告訴你答案

    Proof of Agent(PoA)上的 AI 助理每 6 小時交一則短答,其他 AI 助理要評分;一則短答至少收到 4 個評分才會結算。最近待審查的短答變多,大家想知道要有多少人評分才追得上。8 次公開紀錄顯示,每次結算平均約有 3,100 則新短答,照每位評分者平均結算 3.61 則來算,每次約需 860 位評分者。最近 3 次的評分者人數介於 723 到 882 位,顯示還差幾十到一百多人左右。 不過,評分者人數相同,不一定能結算一樣多:如果評分剛好落在只差 1 個評分就能結算的短答上,效果會比較快。要讓佇列不要繼續變長,可以增加評分者,也可以把評分分配給快達門檻的短答;接下來可觀察每次結算後,待處理短答的增減和每位評分者結算的數量。

  2. Dev.to Top Tech61

    Aki 閱讀 Apache Iceberg v4 規格,分析資料表管理方式的變化

    資料表常要靠額外整理,處理頻繁寫入的小檔案和刪除資料帶來的負擔。Aki 閱讀 Apache Iceberg v4 規格後,分析三項主要變化:清單改由根清單管理、資料檔與刪除向量的參照放在同一筆紀錄,以及新資料表不能再寫入新的等值刪除。這不代表刪除向量會直接移進資料檔,也不會讓實體刪除和壓縮整理消失;使用 CDC 的寫入工具也得調整做法。v4 整體尚未正式定案,部分規格仍在討論與實作中。

  3. Dev.to Top Tech39

    類人機器人要反應更快,得先在訓練時準備好動作資料

    人用頭戴裝置操控類人機器人時,常會覺得機器慢半拍,因為系統得先把人的動作換算成機器人做得到的動作。研究者提出一種做法,直接把人的動作轉成機器人的關節指令,並用整理好的常見全身動作,補上看不清楚或缺少的部分。他們在模擬環境和 Unitree G1 上測試,表示反應速度和穩定度都比比較物件好。 但少了即時換算,不代表工作消失了;模型得靠訓練資料,事先學會不同人的身形、動作速度和感測器狀況。要是資料裡沒有某種蹲姿,機器人可能會挑一個看起來最接近的動作來做。這提醒我們,機器人能不能靈活又安全,關鍵也在於動作資料收得夠不夠廣、整理得夠不夠好。

  4. Dev.to Top Tech48

    Harness-S 如何藉助不同執行方式訓練出能回到原本環境工作的 AI 助理

    AI 助理在某種執行環境裡做不好任務時,換一種執行方式有時能幫它找到解法,但這些解法未必能帶回原本的環境。Harness-S 會讓同一個 AI 助理在 AppWorld、SWE-Gym 和 DBBench 裡,嘗試幾種不同的執行方式來完成原本失敗的任務,再把學到的做法帶回原本的 H0 環境。就像練習時換不同方法解題,考試時仍要回到原本的規則。 研究在 Qwen3.5-4B 和 Qwen3.5-9B 上測試,結果顯示,回到 H0 評估時,Harness-S 的表現勝過只訓練 AI 助理本身;但提供的內容沒有列出實際分數。這項做法的重點,是讓 AI 助理學會能帶回原本環境使用的技巧,而不是隻讓某種執行方式變得更好。

  5. Dev.to Top Tech72

    Python 教學:用內容比對更新 Lever 職缺資料,避免 AI 助理引用舊需求

    職缺頁面的 ID 沒變,不代表內容沒有更新;只追蹤新職缺,也會讓 AI 助理繼續引用過期的工作要求。作者示範定期重新取得 Lever 職缺快照,再挑出職稱、說明和薪資等資料來比對內容;只有內容改變時才替換資料和舊段落,若內容相同,就只更新觀察時間。新版若少了薪資,也要一併移除舊薪資,避免答案留下沒有根據的說法。職缺從快照中消失,可能是篩選條件或筆數上限造成,不能直接當成已關閉;這套方法能追蹤觀察到的變化,但無法得知僱主實際修改的時間。

  6. Dev.to Top Tech62

    MegaBit Trajectories 公開 66 段 Python AI 助理實際工作紀錄

    訓練 AI 助理的資料如果只留下正確答案,模型就看不到工作中常遇到的錯誤和重試。作者公開 MegaBit Trajectories,收錄 66 段 Python 程式專案的完整工作紀錄,包括工具指令、錯誤訊息、測試失敗和後續修正;每段紀錄最後的測試都通過,也附有檢查工具,讓使用者確認下載的資料是否完整。作者也列出和其他公開資料集比較後的限制:這份資料的專案數較少,最長的錯誤重試過程也較短,目前尚未公佈訓練成果。

  7. Tom’s Hardware AI & Computing50

    Tufa Labs 的 tufazip 用自我學習的 Transformer 無失真壓縮 Wikipedia 文字

    壓縮檔通常得靠專門設計的壓縮方法;Tufa Labs 的 tufazip 改用會邊讀邊學的 Transformer,預測文字接下來會出現什麼,再把預測結果和文字一起還原。它把 Wikipedia 的 1GB 文字無損壓到 105.39MB,解壓後不會少資料;這也是大型文字壓縮測試中,只靠神經網路預測的專案裡最小的結果。不過,壓縮和解壓各要用 2 張 Nvidia B200 GPU 跑大約 7 天。這是研究用途的成果,顯示 AI 模型也能拿來壓縮文字,但要省下空間,可能得付出很高的運算時間。

  8. Dev.to Top Tech52

    StagingBench 教你用 Python 比對照片尺寸和基準測試資料

    基準測試的照片資料和測量結果,可能記錄了不同版本的圖片尺寸,讓人難以確認評測用的是哪張圖。StagingBench 團隊提供一段只用 Python 標準函式庫的程式,讀取照片授權資料和測量檔,再依房間編號比對尺寸。套用在文中資料後,10 張照片的尺寸都能對上;其中 5 張比原圖小,另外 5 張尺寸沒變。這項檢查能找出尺寸紀錄不一致的地方,但無法確認圖片內容相同,也不能判定哪份紀錄才是最新的。

  9. Dev.to Top Tech62

    如何分辨 AI 模型價格是真實價格還是預設值

    價格表看起來資料完整,欄位裡的數字卻可能只是系統填上的預設值。作者檢查一份列有 116 個模型的公開資料,發現其中 26 個都標成 1.54,且有些供應商的所有產品都是這個價格;另有 48 筆把「flat」填進計價單位欄。作者建議按供應商和類別比較不同價格的數量,也要確認計價單位是否合理。依這份資料,3D 類別的 9 筆都可用;Chat/LLM 類別有 12 筆可用,其餘類別目前不適合拿來比較不同供應商。

  10. Dev.to Top Tech36

    36 種語言裡,大家最常搜尋哪種食物的熱量?香蕉和雞蛋並列第一

    想查食物熱量時,大家最常搜尋香蕉還是雞蛋?作者用 Google Ads Keyword Planner 查了 36 種語言的搜尋紀錄,發現兩者各自在 15 種語言中都是最熱門的熱量搜尋。各地也有不同習慣:韓文和馬來文搜尋裡,米飯最受關注;俄語使用者查蘋果熱量的次數,是查香蕉的 3 倍多。作者也公開了 100 種食物、36 種語言的資料,讓大家可以拿來做圖表或練習處理不同語言的文字。

  11. Dev.to Top Tech69

    如何檢查 PostgreSQL 欄位變動,避免回測跨月份比較失準

    資料表的欄位會隨時間增加或停止寫入,但舊查詢不會提醒你分析範圍已經變了。作者檢查一張有 48,737 筆資料的 PostgreSQL 資料表,發現 130 個欄位中有 8 個從未寫入、44 個是在第一筆資料之後才出現,還有 11 個已停止更新。這些變化可能讓月報看起來像某項條件帶來改善,其實只是早期資料沒有這個欄位或規則。作者示範按月份檢查欄位填寫比例,並在資料不足時讓程式停止繪圖,避免把不同時期、不同條件的資料直接拿來比較。

  12. Dev.to Top Tech53

    用 Python 建立在地化搜尋結果追蹤流程

    只靠人工檢視搜尋結果,很難長期追蹤不同城市、語言和搜尋引擎中的大量關鍵字。這篇教學示範如何用 Python 定期收集搜尋結果,把原始回應和整理後的資料分開儲存,再記錄地點、語言、裝置與時間,方便比較變化。小型工具可以先用 SQLite 儲存資料;比較排名時要對照相同地點和裝置,也別把每次名次變動都當成警報。這套流程能減少重複查資料的工作,讓團隊更容易找出真正重要的變化。

  13. Rohan Paul58

    藥物化學研究需要根據實驗結果決定下一步該做什麼,但模型答對化學題目,不代表也能做出對的研究判斷。OpenAI 發布 MedChemBench,題目取自 117 篇論文和專利,涵蓋 761 種有評分的分子結構,並隱藏研究者後來公佈的結果。每題會提供生物標靶、已製作的化合物和部分實驗結果,停在需要做決定的地方。表現最好的 GPT-6.2 Astra 整體得分約 84%,讀懂化學內容幾乎沒問題,但真正重要的決策只有約一半答對。

  14. Dev.to Top Tech65

    INT4 Absmax 量化教學:一個離群值讓 4,095 個數字歸零

    用 INT4 壓縮數字時,一個特別大的數值可能讓其他數值幾乎全變成零。作者在 4,096 個數字中放入一個 60,再用同一把尺縮放整組資料,結果其他 4,095 個數字全被四捨五入成零。作者接著示範三種處理方式:把資料分組、讓離群值改走高精度計算,或把數值差異分攤到模型權重。分組能限制離群值造成的影響,但裝有離群值的那組仍會受損;選擇量化模型時,也應留意每組有多少數值共用一把尺。

  15. hackernews10069

    研究讓 27B 語言模型靠推理修改自己的權重

    語言模型通常要再訓練一次,或在回答時多花運算,才能改善表現;這篇研究提出讓模型自己修改權重的方法。研究團隊讓一個開放權重的 27B 模型檢查答錯的題目、修改自己的權重,再用練習題確認修改是否有效,只保留有用的版本。研究指出,修改後的模型在沒看過的題目上準確率提高 6.6 個百分點,連續 8 次修改後表現也都上升;它還能修復一份受損的自身副本,讓副本在沒看過的影像題目上恢復到原本準確率的 80% 以上。這些結果來自研究中的測試,摘要也指出同一模型系列裡較小的模型無法做到這件事。

  16. Rohan Paul74

    網路上有很多資料,卻很少記錄資深專家是怎麼做出判斷的。Arcfront 宣佈推出服務,透過 300 多家企業合作夥伴取得醫師、工程師和銀行從業人員逐步做決策的紀錄,再整理成前沿 AI 模型的訓練資料。Arcfront 表示,已有 5 家前沿 AI 研究機構中的 4 家付費使用這些紀錄;公司也稱,募資不到 200 萬美元後,不到一年就達到年營收 10 億美元的年化速度。

    推薦理由:Arcfront把企業專家的決策紀錄整理成模型訓練資料,呈現了網路資料難以取得的專業判斷如何成為訓練來源。

  17. Dev.to Top Tech41

    Python 統計 JSON 時,別把「否」和「不知道」混在一起

    統計 JSON 資料時,明確記錄「結果是否定」和「目前不知道」很重要;把兩者都當成「否」,就會讓統計看起來整齊,意思卻錯了。Python 讀取 JSON 後,true、false 和 null 會變成 True、False 和 None;欄位不見時,也可以用 .get() 把它算成未知。例如某個房間的比例欄位是 False,代表有記錄顯示比例沒保留;欄位是 None,則代表沒有答案。統計功能時,也要逐一檢查預期欄位,才能把缺少的資料算進未知。這樣才不會把沒查到的資料誤說成否定結果。

  18. Dev.to Top Tech73

    GPT-5 用斯洛伐克語更耗 token,作者比較 204 種語言找原因

    同一句話用斯洛伐克語送進 GPT-5,可能比用英文花更多 token,讓費用增加,也更快用完上下文視窗。作者用相同的 1,012 句內容測試 204 種語言和 35 種 tokenizer,發現 GPT-5 切分斯洛伐克語所需的 token 是英文的 1.68 倍;作者認為,主要原因是訓練資料中的斯洛伐克語較少。文章也提醒,選模型時要把語言造成的 token 差異算進成本,並用實際 tokenizer 計算 RAG 文字分段;token 較省也不代表模型回答得比較好。

  19. Dev.to Top Tech61

    eMondrian 加入 JSON REST API,讓更多工具查詢語意模型

    過去,程式想從 eMondrian 查數字,通常得處理較難使用的 XMLA;這讓 Python、Node.js 和自動化工具不容易直接接上。Community 2026.11.20 起,eMondrian 也能透過 REST API 接收 MDX 或 DAX 查詢,並用 JSON 回傳表格資料。網站、筆記本或低程式碼工具因此能讀取模型裡的業務數字,例如銷售額,不必各自重寫計算方式。查詢仍會依使用者角色套用資料列許可權;API 只能讀取資料,不能修改模型或寫回資料。

  20. Dev.to Top Tech58

    AdamW 教學:為什麼把權重衰減和梯度分開,能修正 Adam 的問題

    用 Adam 加上 L2 正則化時,權重衰減會跟著每個引數的梯度變化,讓同樣大小的權重受到不同程度的縮減。AdamW 把縮減權重這一步移到 Adam 的自適應更新之外,讓權重依相同比例縮小,也能分開調整學習率和衰減強度。文章用公式和 PyTorch 範例說明兩者差異,並提醒切換到 AdamW 時要重新調整衰減值;學習率排程也會影響衰減效果。