[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-databricks-model-serving-supported-models-regions-zh":3,"article-related-databricks-model-serving-supported-models-regions-zh":31,"series-tools-5a30b879-af24-46f2-8520-bc5520682d71":74},{"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":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"5a30b879-af24-46f2-8520-bc5520682d71","databricks-model-serving-supported-models-regions-zh","Databricks 模型怎麼選區域","\u003Cp data-speakable=\"summary\">我把 Databricks 的模型支援表拆成區域、端點和路由清單，讓你可以直接拿去做選型。\u003C\u002Fp>\u003Cp>我用 Databricks 的 model serving 一陣子了，越看越有種「文件沒錯，但就是故意不讓你一次看懂」的感覺。你點進 \u003Ca href=\"https:\u002F\u002Fdocs.databricks.com\u002Faws\u002Fen\u002Fmachine-learning\u002Fmodel-serving\u002Ffoundation-model-overview\">Supported foundation models on Model Serving\u003C\u002Fa>，表面上像是在挑模型，實際上你是在同時挑 serving mode、AWS region、路由設定、還有是不是已經快退役。最煩的是，很多團隊一開始只盯模型名，等到要上線才發現：同一個模型在不同區域可不一定能跑，pay-per-token、AI Functions、provisioned throughput 也不是同一套邏輯。我看過太多人把「能不能用」當成「模型列表上有沒有」，結果踩得一地都是。\u003C\u002Fp>\u003Cp>這篇的起點就是 Databricks AWS 文件本身，還有它連到的幾個相關頁面：\u003Ca href=\"https:\u002F\u002Fdocs.databricks.com\u002Faws\u002Fen\u002Fmachine-learning\u002Fmodel-serving\u002F\">Model Serving\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.databricks.com\u002Faws\u002Fen\u002Fdelta-live-tables\u002Fai-functions.html\">AI Functions\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.databricks.com\u002Faws\u002Fen\u002Fdata-governance\u002Funity-catalog\u002F\">Unity Catalog\u003C\u002Fa>。我不是要重寫文件，我是把它拆成工程師真的會拿來做決策的版本。原始頁面有區域矩陣、模型狀態、退役提醒，這些才是上線前會卡你的地方。\u003C\u002Fp>\u003Ch2>先別看模型名，先看你到底要哪種 serving\u003C\u002Fh2>\u003Cblockquote>Model Serving offers flexible options for hosting and querying foundation models based on your needs: Pay-per-token, AI Functions (batch inference), Provisioned throughput, External models.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：Databricks 不是給你一個 serving，而是給你四種完全不同的用法。你如果先挑模型、後挑模式，通常就會走錯方向。我真的看過團隊先愛上一個模型，再硬把它塞進錯的 endpoint，最後抱怨 latency 不穩、成本太高、batch 跑得像即時 API 一樣卡。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782324205380-b6fe.png\" alt=\"Databricks 模型怎麼選區域\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>pay-per-token 比較像「先讓我試試看」。它的優點是快，幾乎不用搭一堆基礎設施就能開始驗證。缺點也很直接，就是你買的是方便，不是控制。適合 demo、短期實驗、概念驗證，不適合你拿來假裝它能扛所有 production 壓力。\u003C\u002Fp>\u003Cp>AI Functions 則是另一種腦袋。它不是要你拿模型去扮演聊天機器人，而是把模型嵌進資料流程裡做 batch \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa>。這點很重要，因為很多團隊會把 row-by-row 的資料轉換硬塞進一般 serving endpoint，然後再對成本和吞吐量崩潰。我以前也幹過這種事，結果就是 pipeline 看起來很潮，實際上很醜。\u003C\u002Fp>\u003Cp>Provisioned throughput 才是你真的在乎效能和穩定性時該看的路。文件很明白地把它放在需要 performance guarantees 的場景，這句我會直接畫線。你要是做的是對外服務、內部 SLA、或者任何不能靠運氣撐住的\u003Ca href=\"\u002Fnews\u002F10-ai-agent-workflows-b2b-catalog-leads-zh\">工作\u003C\u002Fa>，best effort 根本不算方案。再加上 fine-tuned foundation models 也會走這條路，代表 Databricks 自己也把它當成比較正經的 production path。\u003C\u002Fp>\u003Cul>\u003Cli>探索、demo、驗證概念：先看 pay-per-token。\u003C\u002Fli>\u003Cli>資料管線、批次推論：先看 AI Functions。\u003C\u002Fli>\u003Cli>要 SLA、要穩定延遲：先看 provisioned throughput。\u003C\u002Fli>\u003Cli>外部模型治理：再看 external models。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>實操上我會先寫一行話：這個模型是拿來做互動、批次、還是 SLA 服務？如果這句話都講不清楚，就先別挑模型。你現在缺的不是模型名，你缺的是 plumbing 的決策。\u003C\u002Fp>\u003Ch2>Databricks hosted 不代表每個 region 都能用\u003C\u002Fh2>\u003Cblockquote>Databricks hosts state-of-the-art open foundation models. These models are made available using Foundation Model APIs.\u003C\u002Fblockquote>\u003Cp>這句看起來很漂亮，但白話就是：Databricks 幫你托管，不代表你在哪裡都能用。真正麻煩的地方在區域矩陣。模型家族很多，能不能用要看 AWS region、serving mode、還有模型狀態。你如果只看名字不看區域，等於把部署計畫交給運氣。\u003C\u002Fp>\u003Cp>我很不喜歡這種「看起來像統一入口，實際上每個地區都不一樣」的設計，但這就是雲平台的現實。你在 us-east-1 能跑，不代表 ap-southeast-1 也能跑；你在 real-time inference 能用，不代表 AI Functions 或 provisioned throughput 也一樣。這不是文件寫得亂，是平台本來就不是單一平面。\u003C\u002Fp>\u003Cp>文件也提到可以用 \u003Ca href=\"https:\u002F\u002Fdocs.databricks.com\u002Faws\u002Fen\u002Fdata-governance\u002Funity-catalog\u002Fpermissions.html\">Foundation model Unity Catalog permissions\u003C\u002Fa> 去限制組織可用模型。這點我很認同。企業內部最怕的不是沒模型可用，而是每個 team 都自己試、自己開、自己上，最後沒人知道誰批准了什麼。能控權限，就不要放任大家亂選。\u003C\u002Fp>\u003Cp>實操寫法很簡單：先把你要上的 AWS region 列出來，再看那個 region 支援哪種 serving mode，最後才看模型家族和是否 preview。不要反過來。文件頁面是給人查的，不是給你拿來在 production 當 runtime lookup 的。\u003C\u002Fp>\u003Cul>\u003Cli>先鎖定目標 region。\u003C\u002Fli>\u003Cli>再確認 serving mode。\u003C\u002Fli>\u003Cli>最後看 model family 和 status。\u003C\u002Fli>\u003Cli>如果是企業環境，再補上權限檢查。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>全球端點不是免費午餐，跨地理路由會咬人\u003C\u002Fh2>\u003Cblockquote>Google Gemini 3.5 Flash requires cross geography routing to be enabled for regions outside the US and EU geos. Google Gemini 3 Flash and Google Gemini 3 Pro are hosted on global endpoints and require cross geography routing to be enabled for every region.\u003C\u002Fblockquote>\u003Cp>這段的意思很直接：有些模型不是單純看 region，而是看你有沒有開 cross geography routing。也就是說，就算模型在文件裡看起來支援，你的帳號或組織路由設定沒開，還是不能用。這種問題最煩，因為它不是 \u003Ca href=\"\u002Fnews\u002Fcodex-log-bug-write-ssd-fix-zh\">code\u003C\u002Fa> error，是 policy error。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782324202022-y14o.png\" alt=\"Databricks 模型怎麼選區域\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我不太愛這種設定，但它很常見。尤其是全球端點型的模型，平台會把 routing 當成一層額外門檻。\u003Ca href=\"\u002Ftag\u002Fgemini\">Gemini\u003C\u002Fa> 3.5 Flash 在 US 和 EU 以外需要開；Gemini 3 Flash 和 Gemini 3 Pro 更狠，幾乎每個 region 都要開。\u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> \u003Ca href=\"\u002Ftag\u002Fcodex\">Codex\u003C\u002Fa> 某些模型也一樣。這表示你的部署決策，不只跟模型有關，還跟組織的網路與資料治理有關。\u003C\u002Fp>\u003Cp>我看過最典型的卡關場景，就是平台團隊、網路團隊、應用團隊三邊都說自己沒錯。應用端說模型可用，平台端說 region 沒問題，網路端說 routing 沒開。三個人都對，系統就是不動。這種時候，你就知道問題不是模型選錯，是你根本沒把部署前提列清楚。\u003C\u002Fp>\u003Cp>實操寫法：只要你碰到 global endpoint，就把 cross geography routing 當成 checklist 的一項，不要等到測試失敗才回頭查。若你有資料駐留要求，先把不能碰的模型列黑名單，別讓開發先綁死之後才來改架構。\u003C\u002Fp>\u003Ch2>退役不是公告而已，是你要做 migration\u003C\u002Fh2>\u003Cblockquote>Google Gemini 3 Pro will be retired on March 26, 2026. OpenAI GPT-5.1 Codex Max, OpenAI GPT-5.1 Codex Mini, and OpenAI GPT-5.2 Codex will be retired on July 16, 2026. Anthropic Claude 3.7 Sonnet is no longer available.\u003C\u002Fblockquote>\u003Cp>這句我會直接當成 migration work，不會當成新聞看。模型退役不是「之後再說」，而是你現在就要安排替代方案。Databricks 文件還提到 Gemini 3 Pro 在特定期間會有 temporary redirection，這種東西更不能偷懶。你如果以為退役只是名字換掉，通常會在最後一週被迫熬夜。\u003C\u002Fp>\u003Cp>我以前最常看到的錯誤，就是團隊把模型當成永遠存在的 API。結果一旦 provider 改了支援範圍，prompt、輸出格式、latency、甚至成本全都變。\u003Ca href=\"\u002Fnews\u002Fopenai-custom-chip-right-move-against-nvidia-zh\">正確\u003C\u002Fa>做法應該是像處理 API version sunset 一樣處理它：先雙跑、再比對、再切換，別等到關門才找替代品。\u003C\u002Fp>\u003Cp>文件也寫到 Meta Llama 3.1-405B-Instruct 在 pay-per-token 已經不可用，provisioned throughput 也有自己的退役時間。這代表「可用」不是全域屬性，而是 mode-specific。很多人以為模型還在列表裡就代表萬事大吉，實際上它可能只是在某個 serving path 還活著。\u003C\u002Fp>\u003Cp>實操寫法：做一張內部退役追蹤表，欄位至少要有 current model、serving mode、退役日期、replacement、測試狀態。只要文件提到 temporary redirect，你就立刻測，不要把它當成「之後應該還能用」。\u003C\u002Fp>\u003Ch2>Preview 標籤不是裝飾，是風險提示\u003C\u002Fh2>\u003Cblockquote>Meta Llama 4 Maverick is available for Foundation Model APIs provisioned throughput workloads in Public Preview.\u003C\u002Fblockquote>\u003Cp>這句話的重點不是「它能用」，而是「它還在 preview」。我對 preview 沒意見，實驗環境本來就該玩新東西；但如果是會碰到客戶的流程，我就會先問：出問題時有沒有 fallback？有沒有 feature flag？有沒有 canary？沒有的話，preview 就只是拿來增加你值班時的血壓。\u003C\u002Fp>\u003Cp>preview 的本質是契約還沒完全穩。你今天以為輸出格式固定，明天 provider 改了一點點，你 downstream 就開始抖。你以為 token 上限夠，結果某次更新後行為不一樣。這些都不是「模型壞掉」，而是你把 preview 當 GA 在用。\u003C\u002Fp>\u003Cp>我之前幫團隊收過這種爛攤子：大家很愛新模型，因為 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 很漂亮，結果 rollout 後才發現 prompt 要重調、監控要重寫、fallback 也沒準備。最後不是模型不好，是流程太天真。\u003C\u002Fp>\u003Cp>實操寫法：只要是 preview，就給它 feature flag、canary、fallback 三件套。文件或內部 runbook 也要把 preview 標得很明顯，別讓人誤以為它跟正式版一樣穩。\u003C\u002Fp>\u003Ch2>即時推論的清單，比你想的短很多\u003C\u002Fh2>\u003Cblockquote>The following model families are supported for real-time inference: OpenAI GPT OSS 120B, OpenAI GPT OSS 20B, Google Gemma 3 12B, Alibaba Cloud Qwen3.5 122B A10B (preview), Meta Llama 4 Maverick (preview), Meta Llama 3.3, Meta Llama 3.2 3B, Meta Llama 3.2 1B, Meta Llama 3.1, GTE v1.5 (English), BGE v1.5 (English).\u003C\u002Fblockquote>\u003Cp>這段很重要，因為它把 real-time inference 的範圍收得很窄。白話講，不是每個 hosted model 都適合拿來做即時對話或 API 回應。你要的是低延遲，就別幻想 batch-oriented 的模型也能同樣順手。\u003C\u002Fp>\u003Cp>很多團隊講「我們要最好的模型」，其實真正意思是「我們要一個回得夠快的 endpoint」。這兩句差很多。你如果只看 benchmark，不看是否在 real-time 清單裡，最後很容易把一個適合離線處理的東西硬塞進互動流程。\u003C\u002Fp>\u003Cp>實操寫法：設計應用時先看互動型態和延遲預算。要即時回應，就先過濾 real-time inference 清單；要處理資料、embedding、批次轉換，就去看 batch 或 provisioned 路線。別把「已經在 workspace 裡」誤認成「適合這個場景」。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Databricks foundation model 選型模板（可直接貼到內部 wiki \u002F runbook）\n\n## 1) 先決定 serving mode\n- [ ] Pay-per-token：探索、demo、短期驗證\n- [ ] AI Functions：batch inference \u002F 資料流程\n- [ ] Provisioned throughput：production SLA \u002F 穩定延遲\n- [ ] External models：外部模型治理與控管\n\n## 2) 鎖定部署前提\n- 目標 AWS region：________________\n- 備援 region：____________________\n- 資料駐留要求：__________________\n- 是否允許跨地理路由：Yes \u002F No\n\n## 3) 依序檢查\n1. 這個 serving mode 是否支援\n2. 這個 region 是否支援\n3. 是否需要 cross geography routing\n4. 是否為 Preview\n5. 是否有 retirement notice\n\n## 4) 模型記錄欄位\n- Model family：____________________\n- Databricks model name：___________\n- Endpoint type：___________________\n- Status：GA \u002F Preview \u002F Retired soon\n- Replacement model：_______________\n- Routing required：Yes \u002F No\n- Owner：___________________________\n- Last test date：___________________\n\n## 5) 上線前 guardrails\n- [ ] Preview 模型有 feature flag\n- [ ] 有 fallback model\n- [ ] 已檢查 Unity Catalog permissions\n- [ ] 已確認 cross geography routing\n- [ ] 已做 target region load test\n- [ ] 已更新內部 deprecation tracker\n\n## 6) 決策紀錄句\n我們會在 [REGION] 使用 [MODEL] 的 [SERVING MODE]，因為 [LATENCY \u002F COST \u002F GOVERNANCE]。\n若 [MODEL] 退役或不可用，會切換到 [REPLACEMENT]，並重新測試 prompt、輸出格式與延遲。\n\n## 7) 最小 runbook\n- 這個模型是拿來做什麼：\n- 這個模型不是拿來做什麼：\n- 壞掉時會影響什麼：\n- 下一個替代模型是什麼：\n- 誰有切換權限：\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板就是我會真的放進團隊文件的版本。它不漂亮，但它能逼你把 region、mode、routing、preview、retirement 這些容易漏掉的事先寫下來。Databricks 的官方頁面是 source of truth，我這裡只是把它整理成能直接拿去用的作業格式。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Fdocs.databricks.com\u002Faws\u002Fen\u002Fmachine-learning\u002Fmodel-serving\u002Ffoundation-model-overview\">Databricks 官方文件\u003C\u002Fa>。我把文件內容重組成工程師可用的決策清單，模型支援狀態、退役日期、路由需求這些資訊都來自原文；上面的模板和判讀方式是我自己整理出來的。\u003C\u002Fp>","我把 Databricks 支援模型、區域、路由和退役資訊整理成可直接抄的選型清單。","docs.databricks.com","https:\u002F\u002Fdocs.databricks.com\u002Faws\u002Fen\u002Fmachine-learning\u002Fmodel-serving\u002Ffoundation-model-overview",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782324205380-b6fe.png","tools","zh","e7b7470f-b687-44dd-8abf-b01be49e963d",[17,18,19,20,21,22],"Databricks","model serving","foundation models","region matrix","cross geography routing","provisioned throughput",[24,25,26],"先選 serving mode，再選模型，別反過來。","區域、路由、preview、退役日期都會影響可用性。","把官方文件整理成內部 runbook，才能真的拿來上線。",0,"2026-06-24T18:02:56.705464+00:00","2026-06-24T18:02:56.691+00:00","2280f033-e3ad-4cc4-8f0e-10a6d08600f5",{"tags":32,"relatedLang":33,"relatedPosts":37},[],{"id":15,"slug":34,"title":35,"language":36},"databricks-model-serving-supported-models-regions-en","Databricks model serving maps models to regions","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"fbdd88d7-87eb-485b-9608-766022fbebc5","codex-log-bug-write-ssd-fix-zh","Codex 日志寫爆 SSD 怎麼管","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782306223557-vqtp.png","2026-06-24T13:03:12.253113+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"1ee0795f-3fbf-481a-b45d-8d28bd6b9dfa","open-source-agent-orchestrators-parallel-coding-autonomy-zh","開源 agent orchestrator 已能平行寫碼，但還不能全自動交付","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782292678436-u75w.png","2026-06-24T09:17:24.980287+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"11a1e847-ffc9-40e1-805f-dde2ce603858","go-127-rc1-1264-security-fixes-zh","Go 1.27 rc1 與 1.26.4 修補安全問題","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782290885606-y0vf.png","2026-06-24T08:47:33.359945+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"05f9fc54-03f5-456e-9afb-68bcde52f3d9","cursor-spacex-ai-coding-productization-zh","Cursor把AI編程寫成產品","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782277401593-t9xx.png","2026-06-24T05:02:57.192238+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"197a41a1-b4c2-43de-920f-26ccea9ab860","dometrain-advanced-system-design-ops-template-zh","Dometrain 把系統設計變成營運模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782270211960-bo9a.png","2026-06-24T03:03:02.800408+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"8100f1b0-a28b-4860-86fb-6c73a41ecd6c","cdns-stock-page-turns-noise-into-watchlist-zh","CDNS 頁面變成監控清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782268390133-iy9j.png","2026-06-24T02:32:49.699794+00:00",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"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":81,"slug":82,"title":83,"created_at":84},"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":86,"slug":87,"title":88,"created_at":89},"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":91,"slug":92,"title":93,"created_at":94},"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":96,"slug":97,"title":98,"created_at":99},"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":101,"slug":102,"title":103,"created_at":104},"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":106,"slug":107,"title":108,"created_at":109},"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":111,"slug":112,"title":113,"created_at":114},"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":116,"slug":117,"title":118,"created_at":119},"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":121,"slug":122,"title":123,"created_at":124},"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"]