[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-llm-fine-tuning-turns-generic-models-into-domain-tools-zh":3,"article-related-llm-fine-tuning-turns-generic-models-into-domain-tools-zh":30,"series-research-7c4c30b3-b2a8-48a7-b2ea-96c40c16ae19":79},{"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},"7c4c30b3-b2a8-48a7-b2ea-96c40c16ae19","llm-fine-tuning-turns-generic-models-into-domain-tools-zh","LLM 微調把通用模型變專用工具","\u003Cp data-speakable=\"summary\">我把企業 \u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 微調拆成一套可直接抄的流程，從資料準備到模型選擇都講白。\u003C\u002Fp>\u003Cp>我拿 LLM 在 production 跑了一陣子，才發現 demo 跟真的上線是兩回事。前者很會講漂亮話，後者一碰到真實政策、產品文件、客服語氣，就開始「差一點」。它不是完全答錯，它是用對了詞，卻踩錯了規則；看起來很自信，實際上剛好錯在最要命的地方。這種錯最煩，因為你不是立刻爆炸，而是慢慢把時間燒光。\u003C\u002Fp>\u003Cp>我後來越來越確定，很多團隊對 fine-tuning 的想像都歪掉了。太早微調，想把應該交給檢索的事硬塞進權重；太晚微調，則是一直改 prompt，改到最後模型還是在錯的格式、錯的語氣、錯的邊界上打轉。我兩種都看過，真的很像在拿膠帶補水管。不是不能補，是你補錯地方。\u003C\u002Fp>\u003Cp>這次把我拉回正軌的是 \u003Ca href=\"https:\u002F\u002Faimultiple.com\u002Fllm-fine-tuning\">AI Multiple 的 enterprise LLM fine-tuning 指南\u003C\u002Fa>。它講得很直白：模型如果缺的是最新事實，先想 retrieval；模型如果有事實、但行為不對，才輪到 fine-tuning。這個切法很實用，少走很多冤枉路。\u003C\u002Fp>\u003Ch2>先別把 fine-tuning 當資料垃圾桶\u003C\u002Fh2>\u003Cblockquote>If your LLM doesn’t have access to the facts needed in your domain, either train a new LLM, switch to a domain-specific one, or use RAG to retrieve facts. If it has relevant facts but needs to answer in a different style and tone, follow certain output formats, or use certain tools, then fine-tuning is the right approach.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：微調不是知識庫，也不是拿來塞最新政策、產品規格、PDF 亂碼的地方。模型如果缺的是「現在的事實」，我寧可先接 \u003Ca href=\"https:\u002F\u002Fwww.pinecone.io\u002Flearn\u002Fretrieval-augmented-generation\u002F\">RAG\u003C\u002Fa> 或其他檢索系統；如果它知道大方向，但就是老愛講錯格式、講錯口氣、講錯工具流程，這時候才是 fine-tuning 的場子。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782569910494-nhtn.png\" alt=\"LLM 微調把通用模型變專用工具\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前做過一個客服助理案子，團隊第一個反應就是拿 tickets 去微調。聽起來很勤勞，實際上很危險。因為 tickets 裡面有過期政策、有例外條款、有一堆人類自己也講不清楚的語句。你把這些直接灌進去，模型只會學到一種更有自信的混亂。\u003C\u002Fp>\u003Cp>後來我們改成兩層：上面一層用檢索抓最新政策文件，下面一層只微調回答格式跟語氣。結果很明顯，系統更好維護，因為事實會變，但行為變得比較慢。這就是我現在最在意的分工：事實交給 retrieval，行為交給 fine-tuning。\u003C\u002Fp>\u003Cp>實操寫法很簡單：\u003C\u002Fp>\u003Cul>\u003Cli>答案依賴最新文件、政策、產品資料時，先用 RAG，不要先想訓練。\u003C\u002Fli>\u003Cli>模型知道答案，但老是答錯格式、分類邊界、語氣或工具調用時，再考慮微調。\u003C\u002Fli>\u003Cli>兩者都要時，就分層做，不要硬混成一鍋。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這個判斷做對，很多訓練預算直接省掉，還少掉一堆「\u003Ca href=\"\u002Fnews\u002Fdefi-crash-problem-cleaner-fix-zh\">怎麼\u003C\u002Fa>又要重跑」的會議。\u003C\u002Fp>\u003Ch2>資料要新，因為世界本來就會變\u003C\u002Fh2>\u003Cp>AI Multiple 提到企業\u003Ca href=\"\u002Fnews\u002Fage-verification-surveillance-checkpoint-internet-zh\">會把\u003C\u002Fa> real-time web data 放進資料準備，原因很簡單：模型訓練完就固定在那個時間點，不會自己知道昨天政策改了、術語換了、流程重寫了。這句話看起來平常，但很多團隊真的還活在「模型學完就應該懂所有事」的幻想裡。\u003C\u002Fp>\u003Cp>我自己的理解是，training data 不是越多越好，而是越像模型真正在工作的世界越好。你如果做法律、金融、醫療，或任何偏專業的 domain，我會想要最近的術語、真實的工作流程、還有使用者真的會問的句型。web data 的價值不是乾淨，是新，而且夠像人會怎麼講。\u003C\u002Fp>\u003Cp>我看過太多團隊只餵內部文件，結果模型講話像 2019 年的政策手冊。那種語氣一看就知道是「有學到，但沒活在現場」。而且很多 hallucination 不是模型天生愛亂掰，是它缺了一塊，然後用看起來合理的東西補上去。這種補法最可怕，因為它很順。\u003C\u002Fp>\u003Cp>AI Multiple 舉的例子是法律科技公司抓最近法院判決和法律部落格。這方向我認同。你不是在蒐集文本而已，你是在蒐集 domain 的形狀：怎麼引用、怎麼下定義、怎麼講例外、怎麼說才像圈內人。\u003C\u002Fp>\u003Cp>實操寫法我會這樣做：\u003C\u002Fp>\u003Cul>\u003Cli>先設資料來源規則，再談訓練，不要反過來。\u003C\u002Fli>\u003Cli>優先選最近、權威、可追溯的來源，不要只追求量。\u003C\u002Fli>\u003Cli>做 dedupe，刪 boilerplate、近重複頁、低訊號內容。\u003C\u002Fli>\u003Cli>保留 source log，之後才講得清楚每筆資料從哪來。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果這步偷懶，你不是在訓練聰明模型，你是在把噪音教得更像樣。\u003C\u002Fp>\u003Ch2>hallucination 不是消失，是被你訓練到比較老實\u003C\u002Fh2>\u003Cp>AI Multiple 說高品質真實資料可以降低 hallucination，這方向沒錯，但我會講得更精準一點：fine-tuning 不會把 hallucination 從宇宙裡刪掉，它只是把模型在你要的地方收斂得比較像樣。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782569907135-wex2.png\" alt=\"LLM 微調把通用模型變專用工具\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>也就是說，模型會少在你示範過很多次的地方亂猜。你給的例子一致，它就學會一致；你給的例子亂七八糟，它就學會更精緻地亂七八糟。很多人以為模型不穩是因為參數不夠，其實常常是 supervision 本身就很爛。\u003C\u002Fp>\u003Cp>我之前做過一個文件抽取流程，base model 抽欄位其實不差，但它老愛幫缺值腦補。後來我們在 fine-tune 資料裡刻意放了很多「unknown」「not provided」「N\u002FA」的例子，並且讓模型知道什麼時候要留白，結果最危險的誤判少很多。不是完美，但已經夠把風險壓下去。\u003C\u002Fp>\u003Cp>這裡最容易踩雷的是：團隊看到 hallucination，就以為模型要更多知識。很多時候不是。它需要的是更強的拒答模式、更清楚的輸出 schema，或是更多例子告訴它「沒資料就別硬掰」。fine-tuning 很擅長教這種邊界。\u003C\u002Fp>\u003Cp>實操寫法我會這樣落地：\u003C\u002Fp>\u003Cul>\u003Cli>放 negative examples，明確示範什麼不要答。\u003C\u002Fli>\u003Cli>把 abstention 寫進資料：unknown、blank、escalate 都要有。\u003C\u002Fli>\u003Cli>評估不要只看 accuracy，也要看 false confidence。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你只看 exact match，會錯過真正危險的地方：模型講得很順，但其實在漂。\u003C\u002Fp>\u003Ch2>模型怎麼選，先看控制權，不是先看名氣\u003C\u002Fh2>\u003Cp>來源裡有個很務實的分岔：要嘛用雲端供應商提供的 managed fine-tuning，要嘛用 open-source model 在 on-prem 自己訓。這其實就是大多數 enterprise 真正在做的選擇，只是大家常常講得很高尚，像在選哲學，其實是在選限制條件。\u003C\u002Fp>\u003Cp>翻譯一下就是：模型選擇不是只看 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>，也不是只看誰名字比較大，而是看你的資料放哪裡、誰能碰、你能不能接受訓練與推論的營運\u003Ca href=\"\u002Fnews\u002Fglm-52-beats-gpt-55-coding-benchmarks-zh\">成本\u003C\u002Fa>。如果你要供應商幫你把訓練流程包起來，managed tuning 比較省事；如果你的資料很敏感、很受監管、不能隨便搬，open-source on-prem 才比較像正解。\u003C\u002Fp>\u003Cp>AI Multiple 提到 \u003Ca href=\"https:\u002F\u002Fcloud.google.com\u002Fvertex-ai\">Google Vertex AI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\">Anthropic Claude\u003C\u002Fa> 搭配 \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fbedrock\u002F\">Amazon Bedrock\u003C\u002Fa>，以及 \u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> fine-tuning 狀態的變動。這些工具會變，但你要解的問題不會變：你到底能不能把資料、治理、部署，整條鏈接住。\u003C\u002Fp>\u003Cp>我看過不少團隊先挑一個 benchmark 很漂亮的模型，結果真的要上線時才發現 fine-tuning 路徑不合規、不好管、或是根本接不上既有 infra。那時候再換，成本比一開始選錯還痛。性能只是其中一軸，營運順不順才是另一軸。\u003C\u002Fp>\u003Cp>實操寫法很直接：\u003C\u002Fp>\u003Cul>\u003Cli>想快一點落地，就先看 managed tuning。\u003C\u002Fli>\u003Cli>資料 locality、auditability、客製 infra 比較重要，就看 open-source on-prem。\u003C\u002Fli>\u003Cli>訓練前先測推論成本，別只看 training cost，預算通常死在後面。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我真的建議你先跑 deployment path，再決定要不要訓練。這件事我踩過坑，不想你也踩。\u003C\u002Fp>\u003Ch2>資料清理才是主菜，訓練只是收尾\u003C\u002Fh2>\u003Cp>AI Multiple 把流程拆成 dataset prep、model choice、tuning，這個順序我大致同意，但我會再講狠一點：dataset 才是產品，training run 只是儀式。\u003C\u002Fp>\u003Cp>也就是說，你的例子不是收集回來就好，而是要被設計成「能教會模型的樣子」。如果你在調客服回覆，每筆資料要有 input、ideal output、以及你要它遵守的語氣。如果你在做 classification，label 一致性比文筆漂亮更重要。如果你在做 tool use，動作順序比句子多華麗都沒用。\u003C\u002Fp>\u003Cp>我看過太多資料集，表面上都「相關」，實際上完全不能訓練。語氣每筆都不一樣、label 邊界模糊、同一筆資料混好幾個任務。模型學到的不是能力，是混亂。這不是模型壞掉，是 supervision 壞掉。\u003C\u002Fp>\u003Cp>我現在會先過這份清單，過不掉就不訓練：\u003C\u002Fp>\u003Cul>\u003Cli>把 label 跟輸出格式統一。\u003C\u002Fli>\u003Cli>刪除重複與近重複樣本。\u003C\u002Fli>\u003Cli>依任務切資料，不要只依來源切。\u003C\u002Fli>\u003Cli>保留一份能反映 production failure 的 test set。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>最後那點很重要。你的 evaluation set 如果太乾淨，跑出來會很好看，但一上線就爛掉。我反而喜歡把難例放進去，讓模型在最容易出事的地方先證明自己。\u003C\u002Fp>\u003Ch2>持續微調可以做，但前提是你真的有版本控管\u003C\u002Fh2>\u003Cp>來源裡提到 checkpoints 和 continuous tuning，這提醒我一件事：fine-tuning 不一定只能做一次。有些 domain 變得很快，模型也該跟著更新。\u003C\u002Fp>\u003Cp>翻譯一下就是：如果你的產品、法規、術語、流程一直在變，靜態模型凍一年再一次大改版，通常只會製造更多驚喜。這種情境下，持續微調是合理的，但前提是你要有版本、回滾、和明確的評估門檻。\u003C\u002Fp>\u003Cp>我對 continuous tuning 一直很保留，因為它聽起來很優雅，實際上很容易變成一個沒有基準的移動目標。今天加一批資料，明天改一個 prompt，後天有人說效果怪怪的，但沒人知道是哪一步造成的。這種系統最貴，因為你根本不知道問題在哪。\u003C\u002Fp>\u003Cp>我比較喜歡 checkpoint 的原因很無聊：它讓我能回頭。新一輪 tuning 如果傷到某個重要 slice，我要能比對上一版，然後立刻停損。這種 boring engineering，通常才是真正能活下來的做法。\u003C\u002Fp>\u003Cp>實操寫法我會這樣定：\u003C\u002Fp>\u003Cul>\u003Cli>dataset、prompt、checkpoint 一起版本化。\u003C\u002Fli>\u003Cli>每次 tuning 後都跑 slice-based evaluation。\u003C\u002Fli>\u003Cli>保留 last good model 的 rollback 路徑。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這不帥，但很管用。企業 workflow 最怕的不是慢，是沒人知道自己到底在改什麼。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Enterprise LLM Fine-Tuning Playbook（可直接抄版）\n\n## 1) 先判斷要不要微調\n只有在模型「知道大方向，但行為不對」時才微調。\n\n適合微調的情況：\n- 語氣不對\n- 格式不對\n- 分類邊界不穩\n- 工具調用順序錯\n- 拒答\u002F轉人工規則不一致\n\n不適合微調的情況：\n- 需要最新政策\n- 需要即時產品資訊\n- 需要可追溯引用\n- 需要頻繁更新的事實\n\n## 2) 任務定義只寫一句話\n範例：\n\"把客服問題分類成 12 類，並用公司標準語氣輸出答案。\"\n\n## 3) 資料欄位固定\n每筆訓練資料至少包含：\n- input\n- ideal_output\n- label\n- source\n- version\n- notes\n\n## 4) 資料清理規則\n訓練前先做：\n- 去重\n- 去近重複\n- label 正規化\n- 移除矛盾樣本\n- 刪除低訊號 boilerplate\n- 分離不同任務\n\n## 5) 模型選擇\n- managed fine-tuning：要快、要省事、供應商治理能接受\n- open-source on-prem：資料不能亂跑、要 audit、要自建 infra\n\n## 6) 微調方法\n- supervised fine-tuning：學輸入到輸出的固定行為\n- preference tuning：學會偏好更好的答案\n- continuous tuning：只有在 domain 常變時才用\n\n## 7) 評估指標\n至少要看：\n- 核心任務準確率\n- 格式符合率\n- 拒答品質\n- hallucination rate\n- edge case 表現\n- false confidence\n\n## 8) 上線前鎖版本\n每次 release 都要綁：\n- model version\n- dataset version\n- evaluation report\n- rollback plan\n- owner\n\n## 9) 範例訓練資料\n{\n  \"input\": \"Customer asks whether refund is available after 45 days.\",\n  \"ideal_output\": \"Refunds are available within 30 days of purchase. After that window, we can offer store credit if the item meets policy requirements.\",\n  \"label\": \"billing_policy\",\n  \"source\": \"policy-doc-v12\",\n  \"version\": \"2026-06\",\n  \"notes\": \"Do not invent exceptions; escalate if policy is unclear.\"\n}\n\n## 10) 一句話總結\nfacts 用 retrieval，behavior 用 fine-tuning，版本控管用 checkpoints。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板就是我最想直接丟給團隊的版本。它不花俏，但很能避免你把模型訓練成一台會講話的事故機器。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Faimultiple.com\u002Fllm-fine-tuning\">AI Multiple 的 LLM Fine-Tuning Guide for Enterprises\u003C\u002Fa>，我這篇是根據它的觀點做拆解與重組；案例、措辭和可抄模板是我的整理，不是原文逐字翻譯。\u003C\u002Fp>","我把企業 LLM 微調拆成一套可直接抄的流程：先判斷該不該微調，再做資料清理、模型選擇、評估與上線。","aimultiple.com","https:\u002F\u002Faimultiple.com\u002Fllm-fine-tuning",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782569910494-nhtn.png","research","zh","772c0694-0e86-465d-b676-012a2240eaf7",[17,18,19,20,21],"LLM fine-tuning","RAG","enterprise AI","dataset prep","hallucination",[23,24,25],"fine-tuning 適合改行為，不適合補最新事實","資料清理與評估比訓練本身更重要","版本控管和回滾是 enterprise 上線的底線",0,"2026-06-27T14:17:56.614064+00:00","2026-06-27T14:17:56.595+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":31,"relatedLang":38,"relatedPosts":42},[32,34,36],{"name":18,"slug":33},"rag",{"name":19,"slug":35},"enterprise-ai",{"name":17,"slug":37},"llm-fine-tuning",{"id":15,"slug":39,"title":40,"language":41},"llm-fine-tuning-turns-generic-models-into-domain-tools-en","LLM fine-tuning turns generic models into domain tools","en",[43,49,55,61,67,73],{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"cd8b1802-2094-4f5c-89a9-230680124777","mistral-ocr-4-document-ai-structure-zh","Mistral OCR 4 把文件變結構化資料","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782468184906-6p2v.png","2026-06-26T10:02:37.422252+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"a90ab5b6-f647-4cef-85af-35ff7bb21a93","autoregressive-boltzmann-generators-ditch-flows-zh","ArBG 改用自回歸做分子採樣","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782455577323-vrvt.png","2026-06-26T06:32:30.056363+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"93b19c63-dbfd-4277-92b5-b5a60946fd65","river-llm-reinforcement-learning-without-answers-zh","RiVER 讓 LLM 不靠標準答案也能學","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782454671897-i8l3.png","2026-06-26T06:17:26.979468+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"cd38b72e-b309-493d-b36f-684745ff5f7e","danceopd-on-policy-generative-field-distillation-zh","DanceOPD：把修圖技能蒸餾進同一模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782453784592-x1gk.png","2026-06-26T06:02:33.123618+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"af1a155b-d8e6-4575-a014-959aef283098","microsoft-ai-team-collaboration-cfp-2026-zh","Microsoft 砸錢研究團隊協作 AI","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782415981776-jikr.png","2026-06-25T19:32:33.155576+00:00",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"2cc1973d-a7a5-4031-8ed3-e05ca5d335fd","ai-papers-code-music-rare-disease-zh","3 篇 AI 論文：程式、音樂、罕病診斷","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782372792462-buxp.png","2026-06-25T07:32:27.274897+00:00",[80,85,90,95,100,105,110,115,120,125],{"id":81,"slug":82,"title":83,"created_at":84},"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":86,"slug":87,"title":88,"created_at":89},"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":91,"slug":92,"title":93,"created_at":94},"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":96,"slug":97,"title":98,"created_at":99},"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":101,"slug":102,"title":103,"created_at":104},"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":106,"slug":107,"title":108,"created_at":109},"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":111,"slug":112,"title":113,"created_at":114},"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":116,"slug":117,"title":118,"created_at":119},"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":121,"slug":122,"title":123,"created_at":124},"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":126,"slug":127,"title":128,"created_at":129},"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"]