[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-llm-fine-tuning-production-2026-zh":3,"article-related-llm-fine-tuning-production-2026-zh":37,"series-research-19c48417-946e-4c23-865f-87ffcc754d1a":82},{"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":27,"views":33,"created_at":34,"published_at":35,"topic_cluster_id":36},"19c48417-946e-4c23-865f-87ffcc754d1a","llm-fine-tuning-production-2026-zh","2026 生產環境 LLM 微調指南","\u003Cp data-speakable=\"summary\">這篇在講 2026 年生產環境 \u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 微調怎麼選模型、怎麼備資料、怎麼評估，還有什麼時候該用 LoRA 或 RAG。\u003C\u002Fp>\u003Cp>說真的，現在做 LLM 微調，早就不是「丟資料進去跑」那麼簡單。\u003C\u002Fp>\u003Cp>你要先決定基座模型，再決定資料量，最後才輪到訓練法。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fagamisoft.com\u002Fllm-fine-tuning-guide-production-2026\" target=\"_blank\" rel=\"noopener\">AgamiSoft 指南\u003C\u002Fa>把這件事拆得很務實。它看的是成本、延遲、品質，還有你手上到底有多少 domain data。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>指南重點\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama\u002F\" target=\"_blank\" rel=\"noopener\">Llama 3.3\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>開源權重家族，社群微調資源多\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fmistral.ai\u002Fnews\u002Fmistral-large-2\u002F\" target=\"_blank\" rel=\"noopener\">Mistral Large\u003C\u002Fa> \u002F \u003Ca href=\"https:\u002F\u002Fmistral.ai\u002Fnews\u002Fmistral-small-3\u002F\" target=\"_blank\" rel=\"noopener\">Mistral Small\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>主打參數效率與推理成本\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002F\" target=\"_blank\" rel=\"noopener\">Qwen 3\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>企業微調流程的另一個可選項\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Production focus\u003C\u002Ftd>\u003Ctd>資料品質、評估、部署紀律\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>開源模型還是大多數團隊的起點\u003C\u002Fh2>\u003Cp>這篇最實用的地方，是它沒有裝神弄鬼。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782252178755-rwnv.png\" alt=\"2026 生產環境 LLM 微調指南\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>如果你想要控制權，先從 \u003Ca href=\"\u002Fnews\u002Fopenai-daybreak-cybersecurity-partners-zh\">open\u003C\u002Fa>-weight 模型家族開始，這很合理。\u003C\u002Fp>\u003Cp>你能拿到 weights、tuning tools，還有一堆前人踩過的坑。\u003C\u002Fp>\u003Cp>對多數團隊來說，\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama\u002F\" target=\"_blank\" rel=\"noopener\">Meta 的 Llama\u003C\u002Fa> 仍是很穩的起點。尤其是 \u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fblog\u002Fllama-3-3\u002F\" target=\"_blank\" rel=\"noopener\">Llama 3.3\u003C\u002Fa>，文件多、工具多、社群案例也多。\u003C\u002Fp>\u003Cp>這不是什麼玄學。就是生態系夠厚。\u003C\u002Fp>\u003Cp>你在 debug 時，會很感謝這件事。\u003C\u002Fp>\u003Cp>文章也提到 \u003Ca href=\"https:\u002F\u002Fmistral.ai\u002Fnews\u002Fmistral-large-2\u002F\" target=\"_blank\" rel=\"noopener\">Mistral Large\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fmistral.ai\u002Fnews\u002Fmistral-small-3\u002F\" target=\"_blank\" rel=\"noopener\">Mistral Small\u003C\u002Fa>，還有 \u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002F\" target=\"_blank\" rel=\"noopener\">Qwen 3\u003C\u002Fa>。這很重要，因為不同團隊看的東西不一樣。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Llama 3.3\u003C\u002Fstrong>：想要最大社群支援時，先看它。\u003C\u002Fli>\u003Cli>\u003Cstrong>Mistral Large \u002F Small\u003C\u002Fstrong>：想壓參數效率時，很值得試。\u003C\u002Fli>\u003Cli>\u003Cstrong>Qwen 3\u003C\u002Fstrong>：企業流程、語言彈性都可以評估。\u003C\u002Fli>\u003Cli>\u003Cstrong>開源權重\u003C\u002Fstrong>：方便做內部部署與反覆實驗。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>資料品質比模型大小更重要\u003C\u002Fh2>\u003Cp>這裡講白了就是，微調先是資料問題，再來才是模型問題。\u003C\u002Fp>\u003Cp>如果你的 examples 很髒，模型只會把髒東西學得更熟。\u003C\u002Fp>\u003Cp>標註不一致、格式亂掉、邊界案例沒處理，最後都會回來咬你。\u003C\u002Fp>\u003Cp>所以在碰 training \u003Ca href=\"\u002Fnews\u002Fcodex2api-local-deploy-risk-control-notes-zh\">code\u003C\u002Fa> 之前，先想清楚 instruction style、輸出格式、拒答規則，還有例外情境。\u003C\u002Fp>\u003Cp>很多團隊愛問「資料要幾萬筆才夠」。\u003C\u002Fp>\u003Cp>但更實際的問題其實是「這些資料是不是同一種品質」。\u003C\u002Fp>\u003Cblockquote>\u003Cp>“\u003Ca href=\"\u002Ftag\u002Fmachine-learning\">Machine learning\u003C\u002Fa> is the only field where you can improve by reducing the amount of data.” — Pedro Domingos\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>這句拿來講 LLM 很貼切。\u003C\u002Fp>\u003Cp>我看過太多團隊，花時間拼資料量，卻沒花時間整理格式。\u003C\u002Fp>\u003Cp>結果訓練完，模型只是在更快地犯錯。\u003C\u002Fp>\u003Cp>AgamiSoft 也把微調放進整個產品系統裡看，這點對。\u003C\u002Fp>\u003Cp>你不是在訓一顆孤島模型。\u003C\u002Fp>\u003Cp>你是在做一個有 logging、rollback、eval gate 的產品。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>乾淨資料\u003C\u002Fstrong>：通常比大量雜訊資料更有用。\u003C\u002Fli>\u003Cli>\u003Cstrong>一致格式\u003C\u002Fstrong>：能降低輸出漂移。\u003C\u002Fli>\u003Cli>\u003Cstrong>拒答樣本\u003C\u002Fstrong>：對生產環境很重要。\u003C\u002Fli>\u003Cli>\u003Cstrong>邊界案例\u003C\u002Fstrong>：不測，正式上線就會中招。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>選哪種微調法，要看工作型態\u003C\u002Fh2>\u003Cp>不同任務，適合的 tuning 方法不一樣。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782252179054-fij3.png\" alt=\"2026 生產環境 LLM 微調指南\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>如果你要深度 domain adaptation，full fine-tuning 可以考慮。\u003C\u002Fp>\u003Cp>但它吃算力，也吃維運成本。\u003C\u002Fp>\u003Cp>如果你要快迭代、低記憶體壓力，LoRA 類方法通常更實際。\u003C\u002Fp>\u003Cp>這也是為什麼很多團隊現在不再把微調當唯一解。\u003C\u002Fp>\u003Cp>RAG 可以解決不少「資料要常更新」的需求。\u003C\u002Fp>\u003Cp>\u003Ca href=\"\u002Ftag\u002Fprompt-engineering\">Prompt engineering\u003C\u002Fa> 也能處理一些輕量格式調整。\u003C\u002Fp>\u003Cp>只有當任務穩定、重複、而且對風格或結構很敏感時，微調才真的划算。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Full fine-tuning\u003C\u002Fstrong>：適合深度 domain shift，但最貴。\u003C\u002Fli>\u003Cli>\u003Cstrong>LoRA\u003C\u002Fstrong>：適合快速迭代，硬體壓力也小。\u003C\u002Fli>\u003Cli>\u003Cstrong>RAG\u003C\u002Fstrong>：適合需要最新資料的場景。\u003C\u002Fli>\u003Cli>\u003Cstrong>Prompting\u003C\u002Fstrong>：適合簡單規則與格式控制。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡最有價值的觀念，是別把每個 AI 問題都當成 tuning 問題。\u003C\u002Fp>\u003Cp>很多時候，混合方案更快上線。\u003C\u002Fp>\u003Cp>你可以先用 retrieval，再加少量微調，最後才看要不要拉大訓練規模。\u003C\u002Fp>\u003Cp>講白了，能少燒一點 GPU，就少燒一點。\u003C\u002Fp>\u003Ch2>Benchmark 只在對到你的使用情境時才有意義\u003C\u002Fh2>\u003Cp>很多人選模型，愛看公開 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>。\u003C\u002Fp>\u003Cp>但公開分數常常跟你的產品沒什麼關係。\u003C\u002Fp>\u003Cp>模型在通用測試很強，不代表它懂你的格式，也不代表它懂你的 domain 術語。\u003C\u002Fp>\u003Cp>AgamiSoft 的做法比較像真正做產品的人。\u003C\u002Fp>\u003Cp>它把 task-specific evaluation 放在前面。\u003C\u002Fp>\u003Cp>也就是說，你要拿真實 user input 做 test set。\u003C\u002Fp>\u003Cp>你要看 exact-match rate，也要看 refusal behavior。\u003C\u002Fp>\u003Cp>更重要的是，正式 rollout 前要人工看失敗案例。\u003C\u002Fp>\u003Cp>這才是比較表該長的樣子。\u003C\u002Fp>\u003Cp>不是只看 model A 跟 model B。\u003C\u002Fp>\u003Cp>而是看品質、延遲、營運成本三件事怎麼平衡。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Benchmark score\u003C\u002Fstrong>：適合初步篩選，不適合單獨決策。\u003C\u002Fli>\u003Cli>\u003Cstrong>Task-specific accuracy\u003C\u002Fstrong>：要對齊你的真實輸入與輸出。\u003C\u002Fli>\u003Cli>\u003Cstrong>Latency\u003C\u002Fstrong>：使用者等太久，體驗就爛掉。\u003C\u002Fli>\u003Cli>\u003Cstrong>Serving cost\u003C\u002Fstrong>：決定你的系統能不能擴到正式規模。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我覺得這是 2026 很重要的共識。\u003C\u002Fp>\u003Cp>小一點、便宜一點、但剛好夠用的模型，常常比大模型更適合上線。\u003C\u002Fp>\u003Cp>前提是，你真的有把 eval 做扎實。\u003C\u002Fp>\u003Cp>不然只是把風險包裝得比較漂亮而已。\u003C\u002Fp>\u003Ch2>2026 的生產環境 AI，本質是營運問題\u003C\u002Fh2>\u003Cp>這篇指南真正想講的，其實不是「怎麼訓練」。\u003C\u002Fp>\u003Cp>它在講的是，微調已經變成整個工程流程的一部分。\u003C\u002Fp>\u003Cp>模型選型重要，eval 重要，部署也重要。\u003C\u002Fp>\u003Cp>還有 observability、回訓節奏、版本控管，這些都不能少。\u003C\u002Fp>\u003Cp>如果你做過 production system，就知道問題通常不在模型本身。\u003C\u002Fp>\u003Cp>問題常常在資料版本亂掉，或是回滾策略不存在。\u003C\u002Fp>\u003Cp>也可能是產品方一直改需求，導致你根本維護不起來。\u003C\u002Fp>\u003Cp>這時候，RAG 反而比重訓更好管。\u003C\u002Fp>\u003Cp>因為知識更新時，你改資料層就好。\u003C\u002Fp>\u003Cp>不用每次都重跑訓練流程。\u003C\u002Fp>\u003Cp>這也是為什麼很多團隊會先做 retrieval-first，再看要不要加 tuning。\u003C\u002Fp>\u003Cp>如果你想參考更完整的模型背景，可以看 \u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama\u002F\" target=\"_blank\" rel=\"noopener\">Llama 官方頁\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fmistral.ai\u002F\" target=\"_blank\" rel=\"noopener\">Mistral 官方網站\u003C\u002Fa>，還有 \u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002F\" target=\"_blank\" rel=\"noopener\">Qwen 官方頁\u003C\u002Fa>。\u003C\u002Fp>\u003Cp>這三條路線都代表一件事：\u003Ca href=\"\u002Fnews\u002Fopen-source-ai-music-generators-self-hosted-zh\">開源\u003C\u002Fa>與可控性，已經是\u003Ca href=\"\u002Ftag\u002F企業-ai\">企業 AI\u003C\u002Fa> 的基本盤。\u003C\u002Fp>\u003Ch2>先做小規模實驗，再決定要不要加碼\u003C\u002Fh2>\u003Cp>如果你現在在規劃 2026 的 AI 專案，我的建議很直接。\u003C\u002Fp>\u003Cp>先挑一個 open model，做小規模 tuning。\u003C\u002Fp>\u003Cp>再做一組真實 eval set，跟 retrieval-first 版本對比。\u003C\u002Fp>\u003Cp>如果 LoRA 已經達標，就不要硬上 full fine-tuning。\u003C\u002Fp>\u003Cp>因為真正貴的，從來不是訓練本身。\u003C\u002Fp>\u003Cp>而是你後面每個月要付的維運成本。\u003C\u002Fp>\u003Cp>你可以先問自己三個問題。\u003C\u002Fp>\u003Cp>第一，這個任務是不是穩定。\u003C\u002Fp>\u003Cp>第二，我手上有沒有夠乾淨的資料。\u003C\u002Fp>\u003Cp>第三，我真的需要改模型權重嗎。\u003C\u002Fp>\u003Cp>如果答案不夠明確，那就先別急著燒 GPU。\u003C\u002Fp>\u003Cp>先把評估做對，通常比多跑一輪訓練更有用。\u003C\u002Fp>","AgamiSoft 的 2026 指南整理了生產環境 LLM 微調選型，從開源模型、資料整理、評估到部署，重點放在成本、延遲與可維護性。","agamisoft.com","https:\u002F\u002Fagamisoft.com\u002Fllm-fine-tuning-guide-production-2026",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782252178755-rwnv.png","research","zh","f1d47b23-1f30-42d8-8d19-b261da877408",[17,18,19,20,21,22,23,24,25,26],"LLM微調","生產環境","LoRA","RAG","Llama 3.3","Mistral","Qwen 3","模型評估","資料品質","開源模型",[28,29,30,31,32],"生產環境 LLM 微調的起點通常是開源權重模型，不是先追最大模型。","資料品質、格式一致性、拒答樣本，往往比資料量更重要。","LoRA、RAG、Prompting 各有適用情境，別把所有問題都丟給微調。","公開 benchmark 只能參考，真正該看的是你的 task-specific evaluation。","2026 的 AI 團隊更像在做營運系統，部署與維護成本很關鍵。",0,"2026-06-23T22:02:33.169136+00:00","2026-06-23T22:02:33.154+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":38,"relatedLang":41,"relatedPosts":45},[39],{"name":20,"slug":40},"rag",{"id":15,"slug":42,"title":43,"language":44},"llm-fine-tuning-production-2026-en","LLM Fine-Tuning for Production in 2026","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"5f0498a5-626f-4217-8c67-3b3404c7c172","insight-vla-self-guided-skill-acquisition-zh","InSight 讓 VLA 自學新技能","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782282781514-vo4g.png","2026-06-24T06:32:30.787554+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"29ea0e09-dbd2-406d-9d74-fd851c59a4f7","anthropic-right-alarm-recursive-self-improvement-zh","Anthropic 警告遞迴自我改進是對的，但真正的問題是 AI 控制已經失速","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782263867507-ive3.png","2026-06-24T01:17:20.490657+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"e6906894-cfe6-48a2-84a2-cd34e6a95186","openai-bug-hunt-chrome-safari-firefox-zh","OpenAI 一週挖出三大瀏覽器漏洞","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782258476786-r07m.png","2026-06-23T23:47:30.624426+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"8531d5f9-60f1-4a4b-94a3-323b82990f06","lifescibench-tests-biotech-models-zh","LifeSciBench 讓模型先過科研關","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782198202904-lzgm.png","2026-06-23T07:02:47.182473+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"f6fbee54-8ee4-4ad1-a6bb-a3f2ac890430","coordex-humanoid-loco-manipulation-priors-zh","CoorDex 讓人形機器人邊走邊操作","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782196378261-6x4x.png","2026-06-23T06:32:32.262148+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"7171fed6-f304-4f46-9efe-f691ea304b65","randomized-yarn-long-context-reasoning-zh","Randomized YaRN 讓長上下文更穩","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782195475543-rsm6.png","2026-06-23T06:17:32.36653+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]