[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-best-paper-lists-turn-conference-noise-into-taste-zh":3,"article-related-best-paper-lists-turn-conference-noise-into-taste-zh":30,"series-tools-02bf30a9-fa24-4adc-952b-a5d1cb4bd080":73},{"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":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"02bf30a9-fa24-4adc-952b-a5d1cb4bd080","best-paper-lists-turn-conference-noise-into-taste-zh","Best-paper 清單把噪音變成品味","\u003Cp data-speakable=\"summary\">把頂會 best paper 清單整理成可重複使用的研究品味追蹤器，直接拿去做讀書與選題工作流。\u003C\u002Fp>\u003Cp>我以前也很愛把各種 best paper 清單丟進書籤，想說總有一天會看。結果通常是，存完就忘，忘完再焦慮，焦慮到 deadline 前才翻出來裝忙。這種用法很像在收集噪音，不像在建立判斷力。我後來盯上這個 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFeijiangHan\u002FTop-Conference-Best-Papers\">Top-Conference-Best-Papers\u003C\u002Fa> repo，才發現問題不是我不夠勤勞，是我一開始就把 best paper 當成新聞標題在看。\u003C\u002Fp>\u003Cp>這個 repo 的厲害之處不是花俏，而是它很乾脆：把 ICLR、NeurIPS、ICML、ACL、EMNLP、NAACL、AAAI、CVPR、ECCV 的獎項 winners 整理起來，還刻意偏向 \u003Ca href=\"\u002Fnews\u002Fpostgres-data-movement-next-database-battle-zh\">post\u003C\u002Fa>-2022 的新東西。這讓我第一次有機會把「哪些題目被獎勵」當成一個可觀察的資料集，而不是一串看過就算的連結。\u003C\u002Fp>\u003Cp>我最不爽的地方也在這裡。很多人讀 best paper，只會得到一種很虛的感覺：喔，這些論文很強。廢話，當然強。但到底強在哪？是題目選得準，方法乾淨，還是寫法讓 reviewer 一眼懂？如果不拆開看，最後只會把別人的品味當成自己的品味，然後以為自己進步了。\u003C\u002Fp>\u003Ch2>我不再把 award list 當新聞看\u003C\u002Fh2>\u003Cblockquote>A curated list of Best Paper award winners from top ML\u002FNLP venues.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：這個 repo 不是要做完整文獻庫，它是在做訊號濾鏡。這件事看起來很小，但其實很對。我要的不是所有 accepted paper，我要的是那些被委員會、program chair、reviewer 共識一起推上去的東西。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782392612502-p51d.png\" alt=\"Best-paper 清單把噪音變成品味\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我以前也犯過一個蠢：把 best paper 當成虛榮指標。後來才懂，重點不是獎牌本身，而是它把一個社群在某一年認為「值得被看見」的東西壓縮給你。這種壓縮很適合拿來訓練判斷力，尤其你如果在帶學生、選題目、或是在做自己的閱讀清單。\u003C\u002Fp>\u003Cp>這個 repo 第一個值得學的地方，是它有篩選。它不是把整個學術宇宙都端上來，而是聚焦在 post-2022 的時段。這很重要，因為「好論文」這件事會隨時代變。2020 年的 ACL 強作，跟 2025 年的 ACL 強作，背後的問題壓力根本不是同一個世界。\u003C\u002Fp>\u003Cp>我自己的做法是先問：這份清單到底想讓我看到什麼？在這裡，它想讓我看到的是 recency、prestige、award-level validation 的交集。這足夠拿來排閱讀順序，但不夠拿來寫 literature review。沒關係，本來就不該一魚兩吃。\u003C\u002Fp>\u003Cul>\u003Cli>把 repo 當訊號采樣器，不要當 citation database。\u003C\u002Fli>\u003Cli>先看年份，再看 venue，最後才看題目。\u003C\u002Fli>\u003Cli>別盯單篇論文，先看重複出現的問題型態。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>post-2022 這條線才是重點\u003C\u002Fh2>\u003Cblockquote>Compared to similar repos\u002Flists, this repo focuses on the post-2022 “post-GPT era” and puts extra emphasis on NLP venues.\u003C\u002Fblockquote>\u003Cp>這句話的意思很直白：它想回答的是「大型語言\u003Ca href=\"\u002Fnews\u002Fminimax-m3-open-weight-frontier-models-matter-zh\">模型\u003C\u002Fa>把基準線改掉之後，社群到底在獎勵什麼」。我很喜歡這種切法，因為它不會假裝 2018 跟 2025 是同一個世界。不是。\u003Ca href=\"\u002Ftag\u002Fchatgpt\">ChatGPT\u003C\u002Fa> 出來之後，很多 paper category 的意義都變了。\u003C\u002Fp>\u003Cp>我自己對照過舊的 top paper 清單，感覺差很多。舊清單常常偏 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>、architecture tweak、理論漂亮話；新清單還是有這些，但我越看越常碰到 alignment、editing、\u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa> efficiency、simulator learning、dataset contamination 這些題目。這不是雜訊，這是領域重心換了。\u003C\u002Fp>\u003Cp>所以這個 cutoff 很有用，因為它逼你誠實。你如果真的想知道現在什麼會被獎勵，就不要把十年前的東西和現在混在一起，然後假裝趨勢很平滑。那只是自我安慰。recency 在這裡不是缺點，是篩選條件。\u003C\u002Fp>\u003Cp>我會這樣做：自己切 era bucket。先分 pre-LLM、post-ChatGPT、current year，再看每個 bucket 裡的 winners 在解什麼問題。你會發現變的不只是方法，連問題本身都在漂移。\u003C\u002Fp>\u003Cul>\u003Cli>先切時代，再切 venue。\u003C\u002Fli>\u003Cli>留意題目漂移：alignment、long-context、contamination、data efficiency。\u003C\u002Fli>\u003Cli>不要拿舊標準硬套新標準。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>venue 不是標籤，是社群口味\u003C\u002Fh2>\u003Cp>repo 把 ICLR、NeurIPS、ICML、ACL、EMNLP、NAACL、CVPR、ICCV、ECCV、AAAI 都放進來，還把年份範圍列得很清楚。這很有用，因為它讓我能比較不同社群到底獎勵什麼，而不是假裝所有 conference 都在追同一種「好」。根本不是。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782392606771-jnq7.png\" alt=\"Best-paper 清單把噪音變成品味\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我自己的粗暴分類是這樣：ICLR、NeurIPS 常常比較 method-forward，也比較 systems-aware；ACL、EMNLP、NAACL 會讓你看到 NLP 在理解、生成、評估、安全之間怎麼拉扯；CVPR、ECCV 比較像 vision 社群在看什麼東西不只是 leaderboard；AAAI 則很像一個廣角鏡，適合看整體 AI 風向。\u003C\u002Fp>\u003Cp>這對我最實際的用途是選投稿 venue。當我講不清楚自己的 paper 為什麼符合某個 venue 的獎勵模式，我就會提高警覺。不是說不能投，而是表示我還沒把故事講對。這份清單等於把 venue identity 用 award 的方式攤開來看，比官網上的介紹誠實多了。\u003C\u002Fp>\u003Cp>我會建議你這樣用：挑一個 venue、一個年份，把 best paper 跟 honorable mention 全部讀完。然後問三個問題：它獎勵的是什麼問題、需要什麼證據、寫法怎樣才會一眼看懂。這比亂讀一百篇 abstract 有效太多。\u003C\u002Fp>\u003Cul>\u003Cli>用 venue slice 看社群偏好。\u003C\u002Fli>\u003Cli>把 honorable mention 一起看，抓邊界。\u003C\u002Fli>\u003Cli>不要以為一個 venue 的 taste 可以直接搬去另一個 venue。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>標題其實在教你怎麼 framing\u003C\u002Fh2>\u003Cblockquote>* Safety Alignment Should be Made More Than Just a Few Tokens Deep (ICLR 2025)\u003C\u002Fblockquote>\u003Cp>這句標題很兇，因為它不是在賣弄詞藻，是在直接講 failure mode。翻譯一下就是：安全對齊不能只做表面工夫。它把問題、漏洞、主張一次講完，reviewer 還沒進方法段就知道你要打哪裡。這不是巧合，這是強 paper 很常見的寫法。\u003C\u002Fp>\u003Cp>我以前很常被那種「想法不差，但標題像棉花」的 paper 搞到很煩。看完不知道它到底在主張什麼，只知道作者很努力。這個 repo 的好處，就是你可以拿 award paper 當 framing 樣本，直接看它怎麼把貢獻壓縮進一句話裡。\u003C\u002Fp>\u003Cp>像 “Transformers are Inherently Succinct” 這種標題就很像 thesis，不像行銷。又像 “Model Tells You What to Discard: Adaptive \u003Ca href=\"\u002Ftag\u002Fkv-cache\">KV Cache\u003C\u002Fa> Compression for \u003Ca href=\"\u002Ftag\u002Fllms\">LLMs\u003C\u002Fa>”，它把動作、對象、技術點都講清楚。這種標題不是裝酷，是讓人快速判斷你有沒有真的在解問題。\u003C\u002Fp>\u003Cp>我會這樣實操：寫標題時，先檢查它有沒有同時講到 object、mechanism、claim。若沒有，就再改。再來，把標題拿去問一個很兇的 reviewer：這句話到底在保證什麼？如果你自己都答不順，標題大概也不行。\u003C\u002Fp>\u003Cp>另一個偷法是把 award paper 的標題拆成模板。不是照抄字面，而是抄結構。很多強標題其實都長得像「X 在 Y 條件下其實是 Z」或「X 不該只被當成 Y」。這種結構逼你精準，少一點廢話。\u003C\u002Fp>\u003Ch2>這份 repo 本質上是 taste dataset\u003C\u002Fh2>\u003Cblockquote>I built this repo to develop better research taste by studying what the community consistently recognizes as high-impact work.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：這不是「best paper 蒐集器」，而是品味校正器。我很喜歡這個說法，因為 taste 這詞常常被講得很玄，好像只能靠天生。但其實你要的是 judgment，而且 judgment 是可以練的。你只要看夠多被共同認可的好東西，就會開始看到模式。\u003C\u002Fp>\u003Cp>我也拿這種清單去帶過新手。大家最常問的問題是：「什麼叫好？」老實說，這題沒有標準答案，但 award winners 至少能給你一個社群在壓力下仍願意承認的下限。不是天花板，但很夠用了。\u003C\u002Fp>\u003Cp>我會把 taste 拆成三塊：\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Problem taste\u003C\u002Fstrong>：這題是不是現在真的值得做。\u003C\u002Fli>\u003Cli>\u003Cstrong>Method taste\u003C\u002Fstrong>：技術是不是乾淨，不是只會堆。\u003C\u002Fli>\u003Cli>\u003Cstrong>Presentation taste\u003C\u002Fstrong>：寫法能不能讓人一眼懂你在幹嘛。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操上，我不建議你只是 bookmark。你應該做一個小 rubric。每篇 winner 都評一遍 problem、method、evidence、writing。看完十篇，你就會開始看到 pattern。那時候 taste 才會從玄學\u003Ca href=\"\u002Fnews\u002Fcryptojobslist-remote-web3-jobs-guide-zh\">變成\u003C\u002Fa>可訓練的東西。\u003C\u002Fp>\u003Ch2>honorable mention 才是邊界線\u003C\u002Fh2>\u003Cblockquote>Outstanding Paper Honorable Mentions\u003C\u002Fblockquote>\u003Cp>這句話的價值常被低估。很多人只看 winner，但我反而更愛看 honorable mention。因為它們告訴你「差一點就被獎勵」的樣子。winners 告訴你門檻在哪，honorable mentions 告訴你門檻附近長什麼樣。\u003C\u002Fp>\u003Cp>我常覺得 near-miss 論文比冠軍更有教學價值。它們通常也很強，只是可能少了一點完整性、一點聚焦、一點證據密度，或是一點寫作上的俐落。這些東西正好可以拿來理解一個 venue 的風險容忍度。\u003C\u002Fp>\u003Cp>如果你正在寫一篇想要「夠大膽但不要太莽」的 paper，honorable mention 很值得讀。它們會讓你看到社群願意給予肯定、但還沒到壓倒性認可的作品。這種邊界感很實用，尤其對容易過度設計或過度保守的人來說。\u003C\u002Fp>\u003Cp>我的做法是另外開一個 reading queue 給 honorable mentions，不把它們當剩菜。它們其實是最接近邊界的樣本，最容易教你怎麼拿捏。\u003C\u002Fp>\u003Ch2>你可以直接抄的工作流\u003C\u002Fh2>\u003Cp>我如果今天要把這個 repo 真正用起來，不會只停在看。我會把它變成一個固定流程，讓每週、每月都能跑一次。這樣你不是在追 paper，你是在追 pattern。\u003C\u002Fp>\u003Cp>先選一個 venue，一次只看一個年份。從 best paper 開始，再看 honorable mentions。每篇只寫三句：它解了什麼問題、核心想法是什麼、為什麼社群會給它獎。這三句寫得出來，你就真的看懂了；寫不出來，代表你只是滑過去。\u003C\u002Fp>\u003Cp>再來，把每篇論文打分。不是為了裝專業，是為了讓你自己的 taste 有可比較的尺。你可以看 problem importance、timeliness、technical novelty、experimental rigor、clarity of presentation、reusability of ideas。這幾個維度夠用了。\u003C\u002Fp>\u003Cp>最後，每個月做一次總結。問自己：哪些題目一直出現？哪些 title 結構特別有效？哪些 venue 的證據標準比較硬？哪些 paper 真的改變了我對這個領域的判斷？這些答案會比「我又讀了多少篇」有價值得多。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Research Taste Tracker from Best Papers\n\n## Goal\n把頂會 best paper \u002F honorable mention 變成一個可持續更新的研究品味追蹤器。\n\n## Scope\n- Years: 2022–present\n- Venues: ICLR, NeurIPS, ICML, ACL, EMNLP, NAACL, AAAI, CVPR, ICCV, ECCV\n- Include: Best Paper, Outstanding Paper, Honorable Mention\n\n## Fields to capture\n- Year\n- Venue\n- Award type\n- Paper title\n- Authors\n- Paper URL\n- One-sentence takeaway\n- Problem type\n- Method type\n- Why it likely won\n- Framing \u002F writing notes\n\n## Reading workflow\n1. 每次只選一個 venue + 一個年份。\n2. 先讀 winner，再讀 honorable mentions。\n3. 每篇只寫 3 句：\n   - 它解了什麼問題？\n   - 核心想法是什麼？\n   - 為什麼社群會給它獎？\n4. 每月跨 venue 比一次。\n5. 把重複出現的 pattern 寫進一份短備忘。\n\n## Taste rubric\n每篇論文打 1–5 分：\n- Problem importance\n- Timeliness\n- Technical novelty\n- Experimental rigor\n- Clarity of presentation\n- Reusability of ideas\n\n## Pattern log\n持續記錄：\n- 重複出現的題目\n- 常見失敗模式\n- 有效的標題結構\n- 不同 venue 的證據標準\n- 反覆出現的方法型態\n\n## Copy-ready note template\n### [Year] [Venue] — [Award type]\n**Paper:**\n**Authors:**\n**Link:**\n**One-line takeaway:**\n**Why it mattered:**\n**Problem type:**\n**Method type:**\n**Framing lesson:**\n**Evidence lesson:**\n**What I would borrow:**\n**What I would avoid:**\n\n## Monthly synthesis\n每月底寫一次：\n- 3 個我看到的 pattern\n- 2 個我現在更相信的 claim\n- 1 個我沒那麼相信的 claim\n- 1 個我更懂的 venue taste\n- 1 個值得偷到自己工作裡的 idea\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段我會直接貼進 Notion、markdown file，或 lab wiki。重點不是漂亮，而是能重複執行。repo 本身只是清單，真正的價值是把清單變成 workflow，逼你每週都做比較。\u003C\u002Fp>\u003Cp>如果你想再往前一步，我會搭配官方 venue 頁面和 paper 原文一起看，像是 \u003Ca href=\"https:\u002F\u002Fopenreview.net\u002F\">OpenReview\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fproceedings.neurips.cc\u002F\">NeurIPS proceedings\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Ficml.cc\u002F\">ICML\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Faclanthology.org\u002F\">ACL Anthology\u003C\u002Fa>。repo 當入口就好，不要把它當整棟大樓。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FFeijiangHan\u002FTop-Conference-Best-Papers\">FeijiangHan\u002FTop-Conference-Best-Papers\u003C\u002Fa>。我這篇是從它的結構延伸出的拆解與工作流模板，原創的是方法論整理與可抄版本，不是重貼 repo 內容。\u003C\u002Fp>","把頂會 best paper 清單整理成可重複使用的研究品味追蹤器，直接拿去做讀書與選題工作流。","github.com","https:\u002F\u002Fgithub.com\u002FFeijiangHan\u002FTop-Conference-Best-Papers",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782392612502-p51d.png","tools","zh","661b3b6f-39d1-4af6-b669-e81c174a62cd",[17,18,19,20,21],"best-paper","research taste","conference awards","reading workflow","LLM era",[23,24,25],"把 best paper 當訊號濾鏡，不要當新聞標題。","先切時代與 venue，再看 winners 與 honorable mentions 的邊界。","把 award list 轉成可重複執行的閱讀與打分流程。",0,"2026-06-25T13:03:02.033956+00:00","2026-06-25T13:03:02.019+00:00","0c64eda0-d76f-4e13-bd85-d085ff6d151e",{"tags":31,"relatedLang":32,"relatedPosts":36},[],{"id":15,"slug":33,"title":34,"language":35},"best-paper-lists-turn-conference-noise-into-taste-en","Best-paper lists turn conference noise into taste","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"6e7ee199-4aa2-4954-9891-4b18b04555b9","vllm-sglang-vmlx-local-llm-runtimes-zh","vLLM、SGLang、vMLX：本地 LLM 新選擇","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782397982700-oxni.png","2026-06-25T14:32:27.846267+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"f95cff7f-49e3-43af-86f7-7371f9d754cb","sora-chart-loan-timing-choice-zh","SORA 圖表把貸款時機變選擇","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782381796941-ji38.png","2026-06-25T10:02:50.036986+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"07c518b2-227f-40d6-9990-04018ef74448","cccl-runtime-makes-cuda-safer-by-making-state-explicit-zh","CCCL Runtime 不是包裝層，是把 CUDA 隱性狀態改成顯性契約","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782364674604-o7eb.png","2026-06-25T05:17:25.530308+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"4c48f0a8-e999-4d0c-8ab6-c710f14d6675","35-nvidia-ai-supercomputers-turn-europe-into-a-lab-zh","35台NVIDIA超算把歐洲變實驗室","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782363801851-zr5v.png","2026-06-25T05:02:57.878612+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"e60761a1-aaab-4bde-9c2b-03450ba9056c","devin-ai-review-2026-benchmarks-pricing-tests-zh","Devin AI 測試與採購判讀指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782362875481-0ddh.png","2026-06-25T04:47:27.097641+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"c27dedd0-4751-40b6-9283-23203a13c0da","anthropic-partner-list-ecosystem-map-zh","Anthropic 合作夥伴清單變成地圖","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782361111802-nv1b.png","2026-06-25T04:18:06.789835+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]