[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-best-kimi-models-2026-k2-5-vs-k2-thinking-zh":3,"article-related-best-kimi-models-2026-k2-5-vs-k2-thinking-zh":33,"series-model-release-ef42a437-8b06-4ff5-a135-ece7662c01f4":87},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":25,"views":29,"created_at":30,"published_at":31,"topic_cluster_id":32},"ef42a437-8b06-4ff5-a135-ece7662c01f4","best-kimi-models-2026-k2-5-vs-k2-thinking-zh","2026 最佳 Kimi 模型：K2.5 對 K2 Thinking","\u003Cp data-speakable=\"summary\">\u003Ca href=\"\u002Fnews\u002F5-reasons-to-use-kimi-k2-5-on-cloudflare-zh\">Kimi\u003C\u002Fa> K2.5 是 \u003Ca href=\"\u002Ftag\u002Fmoonshot-ai\">Moonshot AI\u003C\u002Fa> 2026 的主力模型，主打 256K context 與低 API 價格。\u003C\u002Fp>\u003Cp>說真的，這家現在不能小看。\u003Ca href=\"https:\u002F\u002Fwww.moonshot.ai\" target=\"_blank\" rel=\"noopener\">Moonshot AI\u003C\u002Fa> 的 \u003Ca href=\"https:\u002F\u002Fplatform.moonshot.ai\" target=\"_blank\" rel=\"noopener\">Kimi\u003C\u002Fa> 系列，在 2026 年變得很有存在感。主角是 \u003Ca href=\"https:\u002F\u002Fplatform.moonshot.ai\" target=\"_blank\" rel=\"noopener\">Kimi K2.5\u003C\u002Fa>，它在 2026 年 1 月 27 日推出。規格很硬：1 兆總參數、每次請求 320 億活躍參數、256K 原生 context。\u003C\u002Fp>\u003Cp>你可能會想問，這到底有什麼用。講白了，就是它不再只是「便宜長 context 模型」而已。它現在能碰 coding、reasoning、\u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> workflow，而且價格還壓得很低。對台灣團隊來說，這種組合很現實。能不能省錢，常常比模型名氣更重要。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>模型\u003C\u002Fth>\u003Cth>發布時間\u003C\u002Fth>\u003Cth>Context\u003C\u002Fth>\u003Cth>輸入價格\u003C\u002Fth>\u003Cth>重點功能\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Kimi K2.5\u003C\u002Ftd>\u003Ctd>2026-01-27\u003C\u002Ftd>\u003Ctd>256K\u003C\u002Ftd>\u003Ctd>$0.60 \u002F 1M tokens\u003C\u002Ftd>\u003Ctd>Agent Swarm Mode、multimodal vision\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Kimi K2 Thinking\u003C\u002Ftd>\u003Ctd>2026\u003C\u002Ftd>\u003Ctd>256K\u003C\u002Ftd>\u003Ctd>來源未列\u003C\u002Ftd>\u003Ctd>深度推理、Humanity’s Last Exam 44.9%\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Kimi K2 Instruct\u003C\u002Ftd>\u003Ctd>2026\u003C\u002Ftd>\u003Ctd>256K\u003C\u002Ftd>\u003Ctd>較低成本基礎版\u003C\u002Ftd>\u003Ctd>一般指令跟隨\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>Moonshot AI 為什麼值得看\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fwww.moonshot.ai\" target=\"_blank\" rel=\"noopener\">Moonshot AI\u003C\u002Fa> 是北京團隊。它一開始就把\u003Ca href=\"\u002Fnews\u002F5-diem-chinh-ve-thoi-tiet-ngay-mai-56-zh\">重點\u003C\u002Fa>放在長 context 和 agent 行為。\u003Ca href=\"\u002Fnews\u002Fkimi-k25-agent-code-setup-zh\">Kimi\u003C\u002Fa> 在 2023 年先出現，但真正讓外界改觀的，是 K2 家族。這時候它才像一個正面對打大廠的模型供應商。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780770790333-x3lk.png\" alt=\"2026 最佳 Kimi 模型：K2.5 對 K2 Thinking\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>現在這個產品線很清楚。\u003Ca href=\"https:\u002F\u002Fplatform.moonshot.ai\" target=\"_blank\" rel=\"noopener\">Kimi K2.5\u003C\u002Fa> 是家族裡最強的通用模型。\u003Ca href=\"https:\u002F\u002Fplatform.moonshot.ai\" target=\"_blank\" rel=\"noopener\">Kimi K2 Thinking\u003C\u002Fa> 偏向多步推理和工具使用。\u003Ca href=\"https:\u002F\u002Fplatform.moonshot.ai\" target=\"_blank\" rel=\"noopener\">Kimi K2 Instruct\u003C\u002Fa> 則是比較省資源的指令版。\u003C\u002Fp>\u003Cp>三個模型共用同一套骨架。它是 384-expert 的 Mixture-of-Experts 架構。訓練資料量是 15.5 兆 tokens。官方也提到，他們把 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMuon_(optimizer)\" target=\"_blank\" rel=\"noopener\">Muon optimizer\u003C\u002Fa> 的穩定性問題處理掉了。這聽起來很學術，但其實很重要。訓練不穩，模型再大也沒用。\u003C\u002Fp>\u003Cp>我覺得 Moonshot 的路線很直白。它不是拼品牌光環。它是在拼三件事：長 context、分數、成本。這種打法很適合做 API 生意，也很適合做企業工具。\u003C\u002Fp>\u003Cblockquote>\"Kimi K2.5 is Moonshot's most capable model overall.\"\u003C\u002Fblockquote>\u003Cul>\u003Cli>\u003Cstrong>Kimi K2.5\u003C\u002Fstrong>：家族最強通用模型。\u003C\u002Fli>\u003Cli>\u003Cstrong>Kimi K2 Thinking\u003C\u002Fstrong>：偏重推理與工具調用。\u003C\u002Fli>\u003Cli>\u003Cstrong>Kimi K2 Instruct\u003C\u002Fstrong>：適合一般指令任務。\u003C\u002Fli>\u003Cli>\u003Cstrong>共同特徵\u003C\u002Fstrong>：256K context、MoE 架構、長文本處理。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>256K context 才是重點\u003C\u002Fh2>\u003Cp>Kimi 最有感的地方，就是 256K native context。這不是數字好看而已。它代表你可以把很長的文件、程式碼庫、研究紀錄，一次丟進去。你不用一直切段，也不用自己手動拼上下文。\u003C\u002Fp>\u003Cp>這個規格比 \u003Ca href=\"https:\u002F\u002Fopenai.com\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa> 的 GPT-5.4 128K 更大，也比 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\" target=\"_blank\" rel=\"noopener\">Anthropic\u003C\u002Fa> 的 \u003Ca href=\"\u002Ftag\u002Fclaude\">Claude\u003C\u002Fa> Opus 4.6 200K 更大。\u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Ftechnologies\u002Fgemini\u002F\" target=\"_blank\" rel=\"noopener\">Google Gemini\u003C\u002Fa> 3.1 Pro 的 1M+ token window 還是更誇張，但那是另一個級距。實務上，Kimi 的優勢是夠大，而且夠便宜。\u003C\u002Fp>\u003Cp>這裡有幾個很實際的數字。Multi-Head Latent Attention 可以把記憶體頻寬壓低 40% 到 50%。context caching 最多可把重複 prompt 成本砍到 75%。256K tokens 大概能裝下 200 頁文件，或一個中型 codebase。\u003C\u002Fp>\u003Cp>所以它很適合法律審閱、程式分析、研究整理、長文工作流。老實說，很多模型都能吃長文件。問題是，吃得下不代表用得起。Kimi 的重點就是把這件事變便宜。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>256K tokens\u003C\u002Fstrong>：可處理約 200 頁文件。\u003C\u002Fli>\u003Cli>\u003Cstrong>40% 到 50%\u003C\u002Fstrong>：記憶體頻寬節省幅度。\u003C\u002Fli>\u003Cli>\u003Cstrong>75%\u003C\u002Fstrong>：重複 prompt 的成本節省上限。\u003C\u002Fli>\u003Cli>\u003Cstrong>適用場景\u003C\u002Fstrong>：法務、程式碼審查、研究彙整。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Benchmark 讓它不只是便宜\u003C\u002Fh2>\u003Cp>如果只看價格，Kimi 很容易被誤會成低成本替代品。可是真的去看 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>，它就沒那麼單純。\u003Ca href=\"https:\u002F\u002Fwww.swebench.com\" target=\"_blank\" rel=\"noopener\">SWE-bench Verified\u003C\u002Fa> 上，K2.5 拿到 76.8%。這個成績已經進到 GPT-5.4 和 Claude Opus 4.6 那個討論圈。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780770787486-nb6g.png\" alt=\"2026 最佳 Kimi 模型：K2.5 對 K2 Thinking\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>K2 Thinking 則是另一種定位。它在 Humanity’s Last Exam 拿到 44.9%。來源也提到，它在 BrowseComp 上創下新紀錄，而且能穩定處理 200 到 300 次連續 tool calls。這種表現很適合慢慢推理，不適合亂槍打鳥。\u003C\u002Fp>\u003Cp>這裡最值得看的，是價格和分數一起比。很多模型分數不錯，但 API 成本高到嚇人。Kimi K2.5 的打法就是把這條線拉平。你不需要用最貴的模型，才拿得到接近前段班的結果。\u003C\u002Fp>\u003Cp>講白了，這會直接影響產品能不能上線。做 RAG、做 code assistant、做內部知識搜尋，token 成本一高，整個方案就開始難賣。Kimi 在這裡很難忽略。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Kimi K2.5\u003C\u002Fstrong>：SWE-bench Verified 76.8%。\u003C\u002Fli>\u003Cli>\u003Cstrong>GPT-5.4\u003C\u002Fstrong>：SWE-bench Verified 74.9%。\u003C\u002Fli>\u003Cli>\u003Cstrong>Claude Opus 4.6\u003C\u002Fstrong>：SWE-bench Verified 74.0% 以上。\u003C\u002Fli>\u003Cli>\u003Cstrong>Gemini 3.1 Pro\u003C\u002Fstrong>：SWE-bench Verified 63.8%。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Agent Swarm Mode 很像真的在用團隊\u003C\u002Fh2>\u003Cp>Kimi K2.5 最有意思的產品點，是 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmoonshot-ai\" target=\"_blank\" rel=\"noopener\">Agent Swarm Mode\u003C\u002Fa>。它可以一次協調最多 100 個子 agent。來源說，這讓執行時間比順序處理快 4.5 倍。這不是小修小補，這是工作方式改掉了。\u003C\u002Fp>\u003Cp>你可以把它想成小組作業。不是一個人從頭做到底，而是有人查資料，有人整理，有人寫摘要。最後再把結果合起來。這種模式對研究、程式碼審查、文件流水線都很合用。\u003C\u002Fp>\u003Cp>K2 Thinking 則剛好相反。它更適合深度推理。它重視耐心，也重視反覆工具調用。如果 K2.5 是快手協調者，K2 Thinking 就是慢工細活的分析師。\u003C\u002Fp>\u003Cp>來源還提到，K2.5 在 agentic benchmarks 上，比 K2 Thinking 高 59.3%。這個差距很大。代表 Moonshot 其實有把產品線切開。不是硬把一個模型塞進所有場景。\u003C\u002Fp>\u003Cblockquote>\"Kimi K2.5 is Moonshot's most capable model overall.\"\u003C\u002Fblockquote>\u003Cul>\u003Cli>\u003Cstrong>100 個子 agent\u003C\u002Fstrong>：Swarm 協作上限。\u003C\u002Fli>\u003Cli>\u003Cstrong>4.5 倍\u003C\u002Fstrong>：順序處理的速度差距。\u003C\u002Fli>\u003Cli>\u003Cstrong>59.3%\u003C\u002Fstrong>：K2.5 對 K2 Thinking 的 agentic 優勢。\u003C\u002Fli>\u003Cli>\u003Cstrong>適合任務\u003C\u002Fstrong>：研究、程式分析、批次文件處理。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>價格和存取方式很現實\u003C\u002Fh2>\u003Cp>Kimi K2.5 的輸入價格是每 100 萬 tokens 0.60 美元，輸出價格是 2.50 美元。這個價位很有殺傷力。只要你有長 context 工作流，成本差距會很快放大。\u003C\u002Fp>\u003Cp>目前常見的存取方式有四個：\u003Ca href=\"https:\u002F\u002Fplatform.moonshot.ai\" target=\"_blank\" rel=\"noopener\">Moonshot API\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenrouter.ai\" target=\"_blank\" rel=\"noopener\">OpenRouter\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeveloper.nvidia.com\u002Fnim\" target=\"_blank\" rel=\"noopener\">NVIDIA NIM\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fmoonshotai\" target=\"_blank\" rel=\"noopener\">Hugging Face\u003C\u002Fa>。而且它是 Modified MIT license。這代表商業自架可以做，不是只能看不能碰。\u003C\u002Fp>\u003Cp>但別太快高潮。1T 參數的 MoE 模型，不是筆電能輕鬆跑的東西。就算能自架，也比較像一個基礎設施專案，不是隨手裝一下就好。\u003C\u002Fp>\u003Cp>所以適合的團隊很明確。你如果要做長文件分析、codebase review、研究彙整、agent workflow，Kimi 很香。你如果只是想在本機玩玩，這東西就太重了。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>輸入價格\u003C\u002Fstrong>：$0.60 \u002F 1M tokens。\u003C\u002Fli>\u003Cli>\u003Cstrong>輸出價格\u003C\u002Fstrong>：$2.50 \u002F 1M tokens。\u003C\u002Fli>\u003Cli>\u003Cstrong>授權\u003C\u002Fstrong>：Modified MIT，可商用自架。\u003C\u002Fli>\u003Cli>\u003Cstrong>主要缺點\u003C\u002Fstrong>：基礎設施需求高。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>放到 2026 供應商地圖裡看\u003C\u002Fh2>\u003Cp>把 Kimi 放進 2026 的模型市場，你會發現它的位置很清楚。它不是最貴的，也不是最有品牌光環的。可是它把長 context、reasoning、價格三件事湊在一起，這組合很難不讓人回頭看。\u003C\u002Fp>\u003Cp>對\u003Ca href=\"\u002Ftag\u002F台灣開發者\">台灣開發者\u003C\u002Fa>來說，這種模型最實際的價值，是讓你敢把工作流做大。你可以把更多文件丟進去。你可以讓 agent 多跑幾輪。你也可以不必每次都先算 token 成本再決定要不要用。\u003C\u002Fp>\u003Cp>我覺得接下來要看的，不是模型本身還能不能再高分，而是 Moonshot 能不能把企業支援、合規、文件、SDK 做完整。模型已經夠能打了。真正決定採用率的，往往是周邊工具有沒有跟上。\u003C\u002Fp>\u003Cp>如果你現在要選，我會很直接：長 context 和成本敏感的工作，先試 Kimi K2.5。需要更慢、更細的推理，就看 K2 Thinking。這種切法很務實，也比較不會踩雷。\u003C\u002Fp>\u003Ch2>結論：先拿你的工作流來測\u003C\u002Fh2>\u003Cp>如果你手上有 100 份文件，或一個中型 codebase，直接拿 Kimi K2.5 測一次。不要只看 benchmark。真的把資料丟進去，才知道 256K context 和低價格是不是你要的。\u003C\u002Fp>\u003Cp>我的判斷很簡單。2026 年的 Kimi，不是來陪跑的。它是來搶實際工作量的。下一步你該做的，不是觀望，而是挑一個真實任務，算一次 token 成本，再決定要不要把它放進 production。","Kimi K2.5 是 Moonshot AI 2026 主力模型，主打 256K context、1T 參數、Agent Swarm Mode 與低 API 價格。","www.remoteopenclaw.com","https:\u002F\u002Fwww.remoteopenclaw.com\u002Fblog\u002Fbest-kimi-models-2026",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780770790333-x3lk.png","model-release","zh","9d15f962-739d-44f8-a7f9-11bca64d38e0",[17,18,19,20,21,22,23,24],"Kimi","Moonshot AI","Kimi K2.5","Kimi K2 Thinking","256K context","MoE","Agent Swarm Mode","LLM API",[26,27,28],"Kimi K2.5 以 256K context、1T 參數與低 API 價格，成為 2026 年 Moonshot 的主力模型。","K2.5 在 SWE-bench Verified 76.8%，價格只有 $0.60 \u002F 1M input tokens，成本很有競爭力。","Agent Swarm Mode 可協調最多 100 個子 agent，適合研究、程式分析和長文件工作流。",0,"2026-06-06T18:32:39.410186+00:00","2026-06-06T18:32:39.404+00:00","0ccb5d2e-69f1-4354-a3e0-cb370221cd95",{"tags":34,"relatedLang":46,"relatedPosts":50},[35,38,40,42,44],{"name":36,"slug":37},"Kimi-K2.5","kimi-k25",{"name":18,"slug":39},"moonshot-ai",{"name":17,"slug":41},"kimi",{"name":20,"slug":43},"kimi-k2-thinking",{"name":21,"slug":45},"256k-context",{"id":15,"slug":47,"title":48,"language":49},"best-kimi-models-2026-k2-5-vs-k2-thinking-en","Best Kimi Models in 2026: K2.5 vs K2 Thinking","en",[51,57,63,69,75,81],{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"5507f140-5223-4f68-ade6-30d9e5457638","gemma-4-12b-specs-benchmarks-run-locally-zh","怎麼做 Gemma 4 12B 本地部署","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780777971165-4bit.png","2026-06-06T20:32:24.857611+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"fd2ad557-5c09-4758-964d-cda1c3c87a4c","kimi-k2-6-open-source-coding-agent-swarm-zh","Kimi K2.6 開源加上 Agent Swarm","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780761795960-0zg9.png","2026-06-06T16:02:21.702099+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"8102ddec-e015-4294-9940-bf65553ae70d","minimax-m3-triple-capability-open-model-zh","MiniMax M3：開源三合一模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780756383081-hr0b.png","2026-06-06T14:32:35.396612+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"409fc126-8ed2-42e3-bec3-9d114c4aca23","why-minimax-m3-matters-long-context-model-zh","為什麼 MiniMax M3 比又一個長上下文模型更重要","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780755468369-c0ia.png","2026-06-06T14:17:20.522361+00:00",{"id":76,"slug":77,"title":78,"cover_image":79,"image_url":79,"created_at":80,"category":13},"c92651ec-b626-49a2-bceb-230763733e3c","minimax-m3-engineer-workflow-agent-zh","MiniMax M3 讓工程師工作流更像代理","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780754606789-1jpm.png","2026-06-06T14:02:54.658299+00:00",{"id":82,"slug":83,"title":84,"cover_image":85,"image_url":85,"created_at":86,"category":13},"29e59d4e-6ccc-422b-afdb-18290e6fe168","best-open-source-llms-2026-zh","2026 最強開源 LLM 清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780731186899-0vr7.png","2026-06-06T07:32:37.635885+00:00",[88,93,98,103,108,113,118,123,128,133],{"id":89,"slug":90,"title":91,"created_at":92},"58b64033-7eb6-49b9-9aab-01cf8ae1b2f2","nvidia-rubin-six-chips-one-ai-supercomputer-zh","NVIDIA Rubin 把六顆晶片塞進 AI 機櫃","2026-03-26T07:18:45.861277+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"0dcc2c61-c2a6-480d-adb8-dd225fc68914","march-2026-ai-model-news-what-mattered-zh","2026 年 3 月 AI 模型新聞重點","2026-03-26T07:32:08.386348+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"214ab08b-5ce5-4b5c-8b72-47619d8675dd","why-small-models-are-winning-on-device-ai-zh","小模型為何吃下裝置端 AI","2026-03-26T07:36:30.488966+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"785624b2-0355-4b82-adc3-de5e45eecd88","midjourney-v8-faster-images-higher-costs-zh","Midjourney V8 變快了，也變貴了","2026-03-26T07:52:03.562971+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"cda76b92-d209-4134-86c1-a60f5bc7b128","xiaomi-mimo-trio-agents-robots-voice-zh","小米 MiMo 三模型瞄準代理、機器人與語音","2026-03-28T03:05:08.779489+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"9e1044b4-946d-47fe-9e2a-c2ee032e1164","xiaomi-mimo-v2-pro-1t-moe-agents-zh","小米 MiMo-V2-Pro 登場：1T MoE 模型","2026-03-28T03:06:19.002353+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"c4b6186f-bd84-4598-997e-c6e31d543c0d","cursor-composer-2-agentic-coding-model-zh","Cursor Composer 2 走向代理式寫碼","2026-03-28T03:13:06.422716+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"e112e76f-ec3b-408f-810e-e93ae21a888a","apple-siri-gemini-distilled-models-zh","Apple Siri 牽手 Gemini 的真相","2026-03-29T04:52:57.886544+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"c679b51f-194a-463b-87fc-7695256ff752","mimo-v2-pro-vs-omni-vs-flash-2026-zh","MiMo V2 Pro、Omni、Flash 怎麼選","2026-04-02T01:18:43.576128+00:00",{"id":134,"slug":135,"title":136,"created_at":137},"3b988fd7-6749-4f01-ba25-c0ad7486dc31","z-ai-glm-5v-turbo-design2code-claude-zh","GLM-5V-Turbo 在 Design2Code 贏了…","2026-04-02T04:03:36.31741+00:00"]