[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-kimi-k3-pushes-open-weight-ai-default-zh":3,"article-related-kimi-k3-pushes-open-weight-ai-default-zh":29,"series-industry-f71bb1e1-1ba8-40f5-8769-63e218a14caa":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":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":11},"f71bb1e1-1ba8-40f5-8769-63e218a14caa","kimi-k3-pushes-open-weight-ai-default-zh","Kimi K3 把開放權重變預設","\u003Cp data-speakable=\"summary\">以前 closed model 只能回話，現在 Kimi K3 這種 open-weight 開始能真的分工做事。\u003C\u002Fp>\u003Cp>我盯 Kimi 這條線一陣子了，老實說，最讓我煩的不是它又刷了什麼 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>，而是整個產品形狀一直在變。以前我看閉源模型流程，常常卡在同一個地方：它會答、會寫、會裝懂，但一碰到真正要處理的工作，就像一個很會點頭的同事，永遠在等下一個指令。你叫它查資料，它查；你叫它整理，它整理；你叫它再補一輪，它又乖乖補一輪。聊天很順，做事很慢。\u003C\u002Fp>\u003Cp>\u003Ca href=\"\u002Ftag\u002Fmoonshot-ai\">Moonshot AI\u003C\u002Fa> 推 Kimi K3 之後，我覺得這件事終於講清楚了。它不是只在比誰參數大，而是在講一個很實際的判斷：如果 AI 要變成工作底層，模型就不能只是一個遠端黑盒子。這篇我主要拆 Gerui Wang 在 \u003Ca href=\"https:\u002F\u002Fwww.forbes.com\u002Fsites\u002Fgeruiwang\u002F2026\u002F07\u002F27\u002Fwhy-kimi-k3-signals-a-convergence-toward-open-weight-models\u002F\">Forbes 文章\u003C\u002Fa>裡的觀點，也參考 Moonshot 的 \u003Ca href=\"https:\u002F\u002Fmoonshot.ai\u002F\">官方資訊\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMoonshotAI\u002FKimi-K2\">Kimi GitHub\u003C\u002Fa> 和一些相關工具脈絡。這不是在幫 open source 喊口號，我比較像是在看一個很務實的工程轉向。\u003C\u002Fp>\u003Ch2>開放權重不是信仰，是把摩擦拿掉\u003C\u002Fh2>\u003Cblockquote>\u003Cp>“AI’s infrastructural nature necessitates open-weight distribution for widespread economic impact, as closed systems create friction that hinders adoption and customization, ultimately favoring open architectures.”\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785422004101-o2l3.png\" alt=\"Kimi K3 把開放權重變預設\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：如果模型要長在產品、流程、資料管線裡，能不能碰、能不能改、能不能自己管，跟能力本身一樣重要。閉源模型可以很強，但它常常把工程師最討厭的那些東西一起帶進來：rate limit、行為變動、資料邊界不透明、供應商規則說改就改。模型本身沒問題，問題是你每次都像在租房子，還要自己修漏水。\u003C\u002Fp>\u003Cp>我以前做過一個內部助理系統，模型回答品質其實不差，demo 也都很漂亮。真正把人搞瘋的是周邊：今天某個 API 回傳格式變了、明天 \u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa> 成本飆高、後天 vendor 把某個功能關掉。你明明是在做產品，結果像在跟合約條款打架。開放權重不會自動讓模型更聰明，但它會讓你少掉很多不必要的求生流程。\u003C\u002Fp>\u003Cp>Kimi K3 的價值就在這裡。它把討論焦點從「為什麼要 open」改成「為什麼我還要預設 closed」。這個問題一旦被問出來，很多團隊的採購邏輯就會開始鬆動。\u003C\u002Fp>\u003Cp>實操寫法很簡單：你在選模型時，先不要看誰分數最高。先問四件事：誰控 latency、誰控 routing、誰控 data retention、誰能改規則。只要其中兩項不是你能掌握的，這個模型對核心流程來說就有隱形稅。\u003C\u002Fp>\u003Cul>\u003Cli>核心流程先看控制權，再看能力。\u003C\u002Fli>\u003Cli>只要資料、延遲、路由不能自己管，就先算風險。\u003C\u002Fli>\u003Cli>把模型當基礎設施時，摩擦比漂亮 demo 更重要。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Agent swarm 才是重點，參數只是背景音\u003C\u002Fh2>\u003Cblockquote>\u003Cp>“As agentic workloads grow in scope and heterogeneity... the sequential paradigm becomes increasingly inefficient.”\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>Kimi K3 真正有意思的地方，不是它有多大，而是它延續了 Kimi K2.5 的 \u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa> Swarm 思路。文章提到它可以把工作拆給最多 300 個 sub-agents，單次任務可管理超過 4,000 次 tool calls。這不是小修小補，這是執行模型換了一套。\u003C\u002Fp>\u003Cp>白話講，就是它不再假裝工作\u003Ca href=\"\u002Fnews\u002Fpretrain-q-functions-online-rl-finetuning-zh\">一定要\u003C\u002Fa>一條線做完。很多 agent demo 還困在老掉牙的流程：想一下、呼叫工具、等一下、再想一下、再呼叫工具。這種方式做簡單任務還行，一旦工作變雜，等待時間就開始堆，整個體驗像在看一個人一格一格填 Excel，還每格都要停三秒。\u003C\u002Fp>\u003Cp>我自己碰過最明顯的例子，是做研究型任務時。單一 agent 可以做完，但它會一直忘記前面剛整理過的東西，然後來回補洞。平行拆分之後，差很多。你把搜尋、抽取、比對、驗證分給不同子任務，最後再收斂，整體時間就不會被一條序列拖死。\u003C\u002Fp>\u003Cp>文章裡提到 Agent Swarm 在 wide-search 場景可以把推理延遲降低到 4.5×，K3 也被描述成比單一 sequential agent 快 4.5 倍。這種數字我不會拿來當神諭，但方向很清楚：在 agent 系統裡，速度不只是 UX，速度就是吞吐量，吞吐量就是成本。\u003C\u002Fp>\u003Cp>實操寫法：不要把 agent 當聊天機器人加幾個工具。你要把它設計成協調器。給一個 orchestrator 負責拆任務，再讓子 agent 各自處理邊界清楚的工作，例如搜尋、摘要、比對、產生 code、做驗證。只要你的任務有很多分支，序列化流程通常就是瓶頸。\u003C\u002Fp>\u003Cul>\u003Cli>一個 planner 負責拆解。\u003C\u002Fli>\u003Cli>多個 worker 負責窄任務。\u003C\u002Fli>\u003Cli>最後再統整結果。\u003C\u002Fli>\u003Cli>每個 tool call 都要能追蹤，不然你 debug 只會靠猜。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>工具接不住，swarm 只會放大爛尾巴\u003C\u002Fh2>\u003Cp>Kimi K3 的 agent 設計看起來很漂亮，但我第一個想到的永遠是 boring 的那塊：工具。模型可以分派很多子任務，前提是你的 retrieval、browser automation、內部 API、資料 schema 都撐得住。不然 swarm 不會讓系統更強，只會把原本就不穩的東西放大成災難。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785422001817-t8bp.png\" alt=\"Kimi K3 把開放權重變預設\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我會把這件事講得更白一點：\u003Ca href=\"\u002Fnews\u002Fmental-world-modeling-simulating-minds-zh\">模型不\u003C\u002Fa>是整個產品，模型只是協調者。真正幹活的是你的工具層。你如果 schema 爛、timeout 沒設、retry 沒規則、沒有 idempotency、沒有 trace，最後出事還是會怪模型，因為 demo 看起來很聰明，production 看起來像喝醉。\u003C\u002Fp>\u003Cp>我以前帶過一個內部知識檢索專案，團隊花很多時間調 prompt，結果問題根本不是 prompt，而是工具契約。查詢格式不穩、回傳欄位不一致、失敗沒有重試策略，最後模型只能一直猜。這種情況下你再加十個 agent 也沒用，因為它們只是更快地撞牆。\u003C\u002Fp>\u003Cp>實操寫法：在上 agent swarm 之前，先把工具層做成可觀測、可重放、可重試。每個工具都要有明確 schema、timeout、retry policy、audit trail。你如果沒辦法事後 replay 一次任務，那你不是在跑 agent 系統，你是在跑一堆猜測。\u003C\u002Fp>\u003Cp>要看這塊的工具脈絡，可以參考 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002F\">OpenRouter\u003C\u002Fa> 跟 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\">LangChain\u003C\u002Fa>。我不是說它們就是答案，我是說它們很誠實地把一件事攤開：模型跟產品之間，還有一大坨工程。\u003C\u002Fp>\u003Ch2>多模態不是加分項，是工作流入口\u003C\u002Fh2>\u003Cp>Kimi K3 另一個我覺得有料的點，是它的多模態整合。文章提到 Kimi K2.5 的 vision stack 包含 three-dimensional native-resolution vision encoder、MLP projector，還有 Kimi K2 MoE language model。白話就是，它不是把圖片當附件丟進去，而是把視覺理解放進核心路徑。\u003C\u002Fp>\u003Cp>這代表什麼？代表 image-to-code、UI 分析、文件理解，不用再被拆成一堆半殘流程。對做 \u003Ca href=\"\u002Ftag\u002Fdeveloper-tools\">developer tools\u003C\u002Fa>、客服工具、企業搜尋的人來說，這差很多。模型如果能直接看原始畫面、原始 PDF、原始表單，然後立刻做下一步，你就少掉一大堆 glue code。\u003C\u002Fp>\u003Cp>我看過太多假多模態 demo。能描述 screenshot，不代表能理解 UI；能講出圖上有什麼，不代表能根據圖去改 code。Kimi K3 讓我覺得比較像真的把視覺放進執行流程，而不是只做展示。\u003C\u002Fp>\u003Cp>實操寫法：只要你的產品碰到 screenshot、PDF、diagram、UI flow，就把多模態當核心需求，不要當 bonus。提示詞跟工具設計都要圍繞原始 artifact 來做，不要先轉成文字摘要再叫模型猜。你越早把視覺和文字放在同一條任務線上，後面越少卡關。\u003C\u002Fp>\u003Cul>\u003Cli>直接餵原始檔，不要先過度摘要。\u003C\u002Fli>\u003Cli>視覺理解和文字推理放同一個 task thread。\u003C\u002Fli>\u003Cli>測試時看模型能不能真的行動，不只看它會不會描述。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>真正該算的是每個完成任務的成本\u003C\u002Fh2>\u003Cp>Forbes 那篇有提到，Kimi K3 在某些情境下能提供比閉源模型更好的 solved tasks per dollar。這個數字我會看得比 leaderboard 更認真，因為它碰到的是 production 最後一定會面對的東西：單位經濟。\u003C\u002Fp>\u003Cp>benchmark 很容易被玩壞。模型可以在榜單上很好看，實際上卻因為慢、貴、難調整，讓 production 成本爆掉。真正該看的不是每 token 多便宜，而是每個成功完成的任務到底花多少錢。只要任務中有 retry、有 tool call、有人工 review，token 便宜不代表總成本便宜。\u003C\u002Fp>\u003Cp>我看過團隊被這個坑過。選了 benchmark 很漂亮的模型，結果真實工作裡一堆 retry、context 爆長、工具失敗、人工介入，最後算下來反而更貴。那種便宜只是表面，像買到一台油耗很低但三天兩頭進廠的車。\u003C\u002Fp>\u003Cp>實操寫法：你要算 cost per solved task，不是 cost per token。把 prompt、tool calls、retry、latency、human escalation 全部算進去。然後拿一個實際流程跑到底：研究任務、code 任務、文件抽取任務都可以。最後比的是誰更常把事情做完，不是誰在簡報上比較帥。\u003C\u002Fp>\u003Cp>如果你要跟 vendor 比，先挑一條真實工作流，跑完再說。Finance 最後也只會問你這個數字，不會問你哪個 model card 看起來比較順眼。\u003C\u002Fp>\u003Ch2>這場收斂是架構變了，不是立場吵贏了\u003C\u002Fh2>\u003Cp>很多人會把 open-weight 跟 closed-weight 講成文化戰，這其實很偷懶。我看 Kimi K3 的意思比較像：當 AI 開始變成基礎設施，技術中心自然會往需要可控、可調、可部署的方向靠。\u003C\u002Fp>\u003Cp>文章的核心論點其實很直白：AI 越像 infrastructure，就越討厭 friction。我同意。當模型要進 workflow graph、產品 surface、合規邊界、成本中心時，你不能只要一個遠端黑盒子。你需要的是能被你塑形的東西。\u003C\u002Fp>\u003Cp>我不是說每個團隊都該明天開始自架一切，那很蠢。我的意思是，預設值在變。閉源模型還是有用，尤其當你需要託管可靠性或某些特定能力時。但工作越 agentic、越 multimodal，open-weight 就越像實際選項，而不是某種姿態。\u003C\u002Fp>\u003Cp>實操寫法：做一張決策表，欄位放控制權、延遲、客製化、稽核性。核心產品流程盡量偏向你能自己掌握的架構；探索性、邊緣性工作就用最快能上線的方案。不要把所有 AI 決策都塞進同一個桶子裡。\u003C\u002Fp>\u003Cp>如果你想看更廣的 model routing 脈絡，可以再看 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\u002F\">OpenRouter\u003C\u002Fa>；如果你想對照閉源\u003Ca href=\"\u002Fnews\u002Fanthropic-open-model-fight-lonely-ai-stance-zh\">模型的\u003C\u002Fa>做法，也可以看 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002F\">Anthropic\u003C\u002Fa> 和 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002F\">OpenAI\u003C\u002Fa>。它們不是同一條路，但 K3 確實在逼大家重新算帳。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Open-weight 模型評估模板：給 agentic 工作流用的版本\n\n## 1) 先定義一條真實工作流\n- 寫下模型要端到端完成的任務。\n- 例：\"從 bug report 產生修正建議，附上驗證步驟。\"\n\n## 2) 定義你在意的控制項\n每項 1-5 分：\n- Data control\n- Latency\n- Customization\n- Auditability\n- Deployment flexibility\n- Cost per solved task\n\n## 3) 用同一條任務跑所有候選模型\n每個模型都記：\n- 使用的 prompt\n- tool calls 數量\n- retry 次數\n- 總延遲\n- 人工介入次數\n- 最終成功 \u002F 失敗\n\n## 4) 算 solved-task economics\n公式：\n\nsolved_task_cost = (inference_cost + tool_cost + retry_cost + review_cost) \u002F successful_tasks\n\n## 5) 用 production friction 做決策\n選那個在你真實工作流裡最不折騰的模型，\n不是 benchmark 表上最好看的那個。\n\n## 6) Agent swarm 最小架構\n- 1 個 orchestrator\n- 多個 bounded sub-agents\n- 明確的 tool schema\n- timeout 和 retry policy\n- 每次 call 都有 trace ID\n- 可 replay 的 logs\n\n## 7) 多模態檢查表\n如果工作會碰到圖片、PDF、UI screenshot：\n- 直接把原始 artifact 餵給模型\n- 讓視覺和文字推理在同一個 task 裡\n- 測試模型能不能真的採取行動，不只會描述\n\n## 8) 直接可用的決策規則\n如果這條 workflow 是核心基礎設施，而且需要客製化，\n優先考慮 open-weight。\n如果這條 workflow 還在探索期，或只是周邊用途，\n先用最快、最穩的方案。\n\n## 9) 最小評分表\n| Model | Control | Latency | Cost | Customization | Auditability | Total |\n|------|---------|---------|------|---------------|--------------|-------|\n| A    |         |         |      |               |              |       |\n| B    |         |         |      |               |              |       |\n| C    |         |         |      |               |              |       |\n\n## 10) 最後決策備註\n寫一句話說明：\n為什麼你選的模型，是 production 裡最少折磨人的那個。\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段就是我希望更多團隊直接拿去用的版本。先寫工作流，再算摩擦，再決定 open-weight 到底有沒有幫助。這樣你比較不會買到一個很會講話的 demo，然後把它誤認成基礎設施。\u003C\u002Fp>\u003Cp>Kimi K3 真正有價值的地方，不是它突然把世界改寫了，而是它把 tradeoff 攤在桌上。當你把 agent parallelism、多模態路徑、每個任務的成本放在一起看，原本那種 closed-by-default 的習慣就會開始顯得又貴又卡。\u003C\u002Fp>\u003Cp>來源我主要看 \u003Ca href=\"https:\u002F\u002Fwww.forbes.com\u002Fsites\u002Fgeruiwang\u002F2026\u002F07\u002F27\u002Fwhy-kimi-k3-signals-a-convergence-toward-open-weight-models\u002F\">Gerui Wang 的 Forbes 文章\u003C\u002Fa>，以及 \u003Ca href=\"https:\u002F\u002Fmoonshot.ai\u002F\">Moonshot AI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FMoonshotAI\u002FKimi-K2\">Kimi GitHub\u003C\u002Fa> 的公開資訊。上面這篇是我自己的拆解和整理，不是逐字轉貼。\u003C\u002Fp>","我拆 Kimi K3 的 agent swarm、多模態和成本結構，看看為什麼開放權重模型越來越像預設選項。","www.forbes.com","https:\u002F\u002Fwww.forbes.com\u002Fsites\u002Fgeruiwang\u002F2026\u002F07\u002F27\u002Fwhy-kimi-k3-signals-a-convergence-toward-open-weight-models\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785422004101-o2l3.png","industry","zh","c5fd513a-1a0f-467d-a6f7-d813ec73d990",[17,18,19,20,21],"open-weight","agent swarm","multimodal","cost per solved task","model routing",[23,24,25],"Kimi K3 把 open-weight 從理念問題拉回工程問題：控制權、延遲、稽核性更重要。","Agent swarm 的價值在平行拆工與降低序列等待，不在參數大小。","真正該算的是 solved-task cost，模型能不能把事情做完，比 token 單價更重要。",0,"2026-07-30T14:32:56.994914+00:00","2026-07-30T14:32:56.969+00:00",{"tags":30,"relatedLang":33,"relatedPosts":37},[31],{"name":18,"slug":32},"agent-swarm",{"id":15,"slug":34,"title":35,"language":36},"kimi-k3-pushes-open-weight-ai-default-en","Kimi K3 pushes open-weight AI toward default","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"2f84c385-b870-4ef8-90ee-f8b1c545392c","anthropic-open-model-fight-lonely-ai-stance-zh","Anthropic 對開放模型的孤立姿態","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785414769795-ommd.png","2026-07-30T12:32:24.061158+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"06ecd48d-e824-4918-9b91-1aa6cb7e9ddf","immich-docker-compose-setup-common-errors-zh","Immich Docker Compose 5 個常見錯誤修正","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785403975315-zugi.png","2026-07-30T09:32:28.534813+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"54073d4e-0838-4c5f-bb9b-8628a746c800","anthropic-buy-books-scan-destroy-training-zh","Anthropic買書掃描再銷毀，想守住訓練合法性","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785396792157-cnvv.png","2026-07-30T07:32:42.993389+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"c8975000-183e-40a3-8166-f82e7df426f9","huang-open-letter-open-weight-ai-playbook-zh","黃仁勳把開放權重變成政策模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785378794029-2xws.png","2026-07-30T02:32:49.564763+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"3eb8d253-88d2-4abb-8a20-d0cd2cbf8ec1","32-firms-back-open-weight-ai-dc-letter-zh","32 家公司挺開放權重 AI","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785376966978-w5h4.png","2026-07-30T02:02:24.180115+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"93909597-d1e6-4dab-acb9-f57e677b3a1d","huang-shou-pian-x-wen-gong-kai-ting-kai-fang-quan-zhong-ai-zh","黃仁勳首篇 X 文，公開挺開放權重 AI","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785375182108-9blu.png","2026-07-30T01:32:35.493421+00:00",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":81,"slug":82,"title":83,"created_at":84},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":86,"slug":87,"title":88,"created_at":89},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":91,"slug":92,"title":93,"created_at":94},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":96,"slug":97,"title":98,"created_at":99},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":101,"slug":102,"title":103,"created_at":104},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":106,"slug":107,"title":108,"created_at":109},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":111,"slug":112,"title":113,"created_at":114},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":116,"slug":117,"title":118,"created_at":119},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":121,"slug":122,"title":123,"created_at":124},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]