[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-llm-leaderboard-2026-300-models-ranked-zh":3,"article-related-llm-leaderboard-2026-300-models-ranked-zh":33,"series-tools-34162763-ffe3-416d-a719-e450ba87ac3d":84},{"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":25,"views":29,"created_at":30,"published_at":31,"topic_cluster_id":32},"34162763-ffe3-416d-a719-e450ba87ac3d","llm-leaderboard-2026-300-models-ranked-zh","2026 LLM 排行榜：309 模型怎麼選","\u003Cp data-speakable=\"summary\">LLM Stats 用 309 個模型做排行榜，結合分數、速度和價格。\u003C\u002Fp>\u003Cp>說真的，這種榜單比單看宣傳頁有用多了。它把 \u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">LLM Leaderboard\u003C\u002Fa> 的 309 個模型排在一起，還每小時更新一次。\u003C\u002Fp>\u003Cp>更實際的是，它不是只看一個分數。它把公開 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 和即時 API 測量混在一起。對開發者來說，這比較接近真實選型。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>指標\u003C\u002Fth>\u003Cth>領先模型\u003C\u002Fth>\u003Cth>數值\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>追蹤模型數\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">LLM Stats\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>309\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>寫程式表現\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fclaude-opus-4\" target=\"_blank\" rel=\"noopener\">Claude Opus 4.6\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>21.3 arena score\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GPQA Diamond\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\" target=\"_blank\" rel=\"noopener\">Claude Mythos Preview\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>94.6%\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>AIME 2025\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fai.google.dev\u002Fgemini-api\" target=\"_blank\" rel=\"noopener\">Gemini 3 Pro\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>100.0%\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>最高吞吐量\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">Mercury 2\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>925 tok\u002Fs\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>最大上下文\u003C\u002Ftd>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fx.ai\" target=\"_blank\" rel=\"noopener\">Grok 4 Fast\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>2.0M tokens\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>這個排行榜到底在排什麼\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fllm-stats.com\" target=\"_blank\" rel=\"noopener\">LLM Stats\u003C\u002Fa> 想回答一個很直接的問題。今天到底該買哪個模型。不是哪個最會喊口號，而是哪個真的適合上線。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780776191145-786j.png\" alt=\"2026 LLM 排行榜：309 模型怎麼選\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>它把多種訊號放在一起。包含智慧分數、輸出速度、延遲、\u003Ca href=\"\u002Ftag\u002Ftoken\">Token\u003C\u002Fa> 價格。這樣看起來很雜，但其實很符合實務。因為你上線後，成本和延遲常常比榜首名次更痛。\u003C\u002Fp>\u003Cp>這個頁面也把資料攤開給你看。你可以用公司、參數量、硬體、上下文長度、授權、模態、價格、國家和速度來排序。講白了，就是讓你少猜一點。\u003C\u002Fp>\u003Cul>\u003Cli>追蹤 309 個 canonical models\u003C\u002Fli>\u003Cli>價格每小時重新驗證\u003C\u002Fli>\u003Cli>即時效能用 7 天 rolling average\u003C\u002Fli>\u003Cli>資料來源包含公開 price list 和 billing samples\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我覺得這種設計很務實。它沒有假裝所有模型都該用同一把尺量。你要的是便宜、快、\u003Ca href=\"\u002Ftag\u002F長上下文\">長上下文\u003C\u002Fa>，還是高分，答案本來就不一樣。\u003C\u002Fp>\u003Ch2>數字比單一排名更誠實\u003C\u002Fh2>\u003Cp>看前段名次就知道，模型世界已經很分裂。\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\" target=\"_blank\" rel=\"noopener\">Anthropic\u003C\u002Fa> 的 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fclaude-opus-4\" target=\"_blank\" rel=\"noopener\">Claude Opus 4.6\u003C\u002Fa> 在 coding arena 拿到 21.3 分，速度是 39 c\u002Fs，上下文長度 1M。價格則是每百萬 input tokens 5 美元，output tokens 25 美元。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fopenai.com\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa> 的 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-5\u002F\" target=\"_blank\" rel=\"noopener\">GPT-5.5\u003C\u002Fa> 速度更快，達到 150 c\u002Fs。可是在價格上，還是落在 5 美元與 30 美元這個級距。快，不代表便宜。\u003C\u002Fp>\u003Cp>再看便宜派。\u003Ca href=\"https:\u002F\u002Fai.google.dev\u002Fgemini-api\" target=\"_blank\" rel=\"noopener\">Google\u003C\u002Fa> 的 \u003Ca href=\"https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\" target=\"_blank\" rel=\"noopener\">Gemini 3 Flash\u003C\u002Fa> 只要 0.50 美元 input 和 3.00 美元 output。速度卻有 247 c\u002Fs。這就很有意思了。\u003C\u002Fp>\u003Cp>另外 \u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\" target=\"_blank\" rel=\"noopener\">Qwen\u003C\u002Fa> 的 \u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002Fblog\u002Fqwen3\u002F\" target=\"_blank\" rel=\"noopener\">Qwen3.7 Max\u003C\u002Fa> 也不差。價格是 1.25 美元和 3.75 美元，速度 120 c\u002Fs，上下文長度 1M。這種模型通常很適合做成本控管。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fclaude-opus-4\" target=\"_blank\" rel=\"noopener\">Claude Opus 4.6\u003C\u002Fa>：2,132 分，39 c\u002Fs，1M context\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-5\u002F\" target=\"_blank\" rel=\"noopener\">GPT-5.5\u003C\u002Fa>：2,105 分，150 c\u002Fs，1.1M context\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fai.google.dev\u002Fgemini-api\" target=\"_blank\" rel=\"noopener\">Gemini 3.1 Pro\u003C\u002Fa>：2,101 分，164 c\u002Fs，2.50\u002F15.00 美元\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fqwenlm.github.io\u002Fblog\u002Fqwen3\u002F\" target=\"_blank\" rel=\"noopener\">Qwen3.7 Max\u003C\u002Fa>：1,634 分，120 c\u002Fs，1M context\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這些數字很直白。高分模型不一定最快。最快模型也不一定最省錢。對產品團隊來說，這不是小差異，是會直接影響毛利的差異。\u003C\u002Fp>\u003Ch2>方法論才是這榜單的重點\u003C\u002Fh2>\u003Cp>網站說，排序優先看 coding arena，沒有的話才看 GPQA Diamond。這個選擇其實很有態度。因為寫程式和做 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 工作，真的比純背知識更接近實戰。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780776185896-y5f7.png\" alt=\"2026 LLM 排行榜：309 模型怎麼選\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>它也量測 output throughput 和 time-to-first-token。方法是用標準化 prompts，經由主要 API provider 跑\u003Ca href=\"\u002Fnews\u002Fllama-benchy-api-benchmark-zh\">測試\u003C\u002Fa>，再做 7 天 rolling average。這比只看發表當天的數字更接近真實使用。\u003C\u002Fp>\u003Cp>你可能會想問，為什麼不只看一個總分。因為總分很容易騙人。模型可能在某個 benchmark 很強，但在延遲、價格、或長上下文直接翻車。\u003C\u002Fp>\u003Cblockquote>“The coding arena is the most discriminating signal at the frontier,” the LLM Stats FAQ says.\u003C\u002Fblockquote>\u003Cp>這句話很直白。它等於在說，前沿模型的差距，寫 code 最看得出來。對開發者來說，這比一堆漂亮圖表更有參考價值。\u003C\u002Fp>\u003Cp>我也認同這種做法。因為真正上線後，客服、代理、程式生成、文件摘要，全部都會碰到不同需求。用一個數字硬套，很容易選錯。\u003C\u002Fp>\u003Ch2>怎麼拿這份榜單來做選型\u003C\u002Fh2>\u003Cp>如果你是做\u003Ca href=\"\u002Fnews\u002Fvibe-coding-enterprise-software-change-management-zh\">軟體\u003C\u002Fa>的，這張榜單最有用的地方，不是看第一名。是看你自己的需求落在哪個欄位。你要的是 coding、reasoning、\u003Ca href=\"\u002Ftag\u002Flong-context\">long context\u003C\u002Fa>，還是便宜吞吐量。\u003C\u002Fp>\u003Cp>例如 \u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">Mercury 2\u003C\u002Fa> 的吞吐量高到 925 tok\u002Fs。這很適合大量請求。\u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">Nemotron 3 Nano\u003C\u002Fa> 則是每百萬 input tokens 0.06 美元。這種價格，對高頻 API 很有吸引力。\u003C\u002Fp>\u003Cp>如果你做的是長文件分析，\u003Ca href=\"https:\u002F\u002Fx.ai\" target=\"_blank\" rel=\"noopener\">Grok 4 Fast\u003C\u002Fa> 的 2.0M tokens 上下文就很有看頭。上下文夠長，很多 chunking 麻煩可以少掉。這點很實際，不是紙上談兵。\u003C\u002Fp>\u003Cp>如果你想做比較，這份榜單也很方便。你可以直接把幾個候選模型拉出來，看分數、速度、價格和 context window。比起翻十幾個官網，省很多時間。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">Mercury 2\u003C\u002Fa>：925 tok\u002Fs，適合高吞吐\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">Nemotron 3 Nano\u003C\u002Fa>：0.06 美元 input，最便宜\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fx.ai\" target=\"_blank\" rel=\"noopener\">Grok 4 Fast\u003C\u002Fa>：2.0M tokens，上下文最長\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">Claude Opus 4.6\u003C\u002Fa>：coding 表現最強之一\u003C\u002Fli>\u003C\u002Ful>\u003Cp>講白了，這份榜單比較像選配表，不像冠軍海報。你要先知道產品卡在哪，再去挑模型。這樣才不會花大錢買錯東西。\u003C\u002Fp>\u003Ch2>這背後反映了什麼產業現況\u003C\u002Fh2>\u003Cp>LLM 的更新速度太快了。今天的榜首，下個月可能就被拉下來。靜態文章很容易過期，尤其是模型價格和 API 延遲，變動通常比 benchmark 更快。\u003C\u002Fp>\u003Cp>所以像 \u003Ca href=\"https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard\" target=\"_blank\" rel=\"noopener\">LLM Leaderboard\u003C\u002Fa> 這種每小時更新的頁面，價值就在這裡。它把 benchmark、即時測量、價格一起放進來，讓選型變成可重複的流程。\u003C\u002Fp>\u003Cp>這也反映一個現實。現在已經不是「哪個模型最強」的年代。比較像是「哪個模型最適合這個任務」的年代。coding、reasoning、便宜推理、長上下文，全部\u003Ca href=\"\u002Fnews\u002Fhow-to-start-vibe-coding-with-ai-zh\">開始\u003C\u002Fa>分家。\u003C\u002Fp>\u003Cp>對台灣團隊來說，這件事很重要。因為多數產品不是在做模型研究，而是在做服務。你要顧的是成本、延遲、穩定性，還有用戶真的會不會等你。\u003C\u002Fp>\u003Ch2>接下來該怎麼看這類排行榜\u003C\u002Fh2>\u003Cp>我的建議很簡單。先選一個你最在意的指標。是價格、速度、還是 coding 分數。不要一開始就被總排名帶著跑。\u003C\u002Fp>\u003Cp>接著，保留 2 個高階模型和 1 個便宜模型。每次工作負載變了，再回來看一次。這比死守單一供應商安全，也比較不容易被價格波動打爆。\u003C\u002Fp>\u003Cp>如果你現在就在做 LLM 產品，這份榜單可以直接拿來做 shortlist。先看你的任務，再看前 3 名。這樣選出來的模型，通常比只看宣傳頁更準。\u003C\u002Fp>","LLM Stats 用 309 個模型做排行榜，結合分數、速度、價格與每小時更新的 API 資料，幫你挑出適合開發的 LLM。","llm-stats.com","https:\u002F\u002Fllm-stats.com\u002Fleaderboards\u002Fllm-leaderboard",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780776191145-786j.png","tools","zh","4065ada8-125b-4286-85c5-85cfe7d6369a",[17,18,19,20,21,22,23,24],"LLM 排行榜","AI 模型比較","Claude Opus 4.6","Gemini 3 Pro","GPT-5.5","模型價格","上下文長度","API 延遲",[26,27,28],"LLM Stats 把 309 個模型放在同一張榜單，並每小時更新資料。","模型選型不能只看總分，還要看速度、價格和上下文長度。","對開發者來說，這份榜單最適合拿來做 shortlist，不適合直接當唯一答案。",0,"2026-06-06T20:02:36.847112+00:00","2026-06-06T20:02:36.824+00:00","e651ae03-3c78-4a85-bf9d-55d501fcadd5",{"tags":34,"relatedLang":43,"relatedPosts":47},[35,37,39,41],{"name":17,"slug":36},"llm-排行榜",{"name":21,"slug":38},"gpt-55",{"name":20,"slug":40},"gemini-3-pro",{"name":18,"slug":42},"ai-模型比較",{"id":15,"slug":44,"title":45,"language":46},"llm-leaderboard-2026-300-models-ranked-en","LLM Leaderboard 2026: 300+ Models Ranked","en",[48,54,60,66,72,78],{"id":49,"slug":50,"title":51,"cover_image":52,"image_url":52,"created_at":53,"category":13},"09c2902c-97a8-433c-94de-874a7f55d2ff","llama-benchy-api-benchmark-zh","llama-benchy 把 API 也納入基準測試","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780775303246-184z.png","2026-06-06T19:47:53.968325+00:00",{"id":55,"slug":56,"title":57,"cover_image":58,"image_url":58,"created_at":59,"category":13},"2c75f00f-eb01-418f-a793-45c1522f226e","how-to-start-vibe-coding-with-ai-zh","怎麼開始 AI Vibe Coding","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780773471291-8bu6.png","2026-06-06T19:17:22.400458+00:00",{"id":61,"slug":62,"title":63,"cover_image":64,"image_url":64,"created_at":65,"category":13},"fd6e6e2e-4036-4fc0-8521-0d8237178f85","nvidia-ai-models-playbook-zh","NVIDIA AI Models 把選模變成流程","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780771714449-s6kx.png","2026-06-06T18:48:02.508579+00:00",{"id":67,"slug":68,"title":69,"cover_image":70,"image_url":70,"created_at":71,"category":13},"c62bb593-ee76-46eb-bb3e-c160e78f7a5b","kimi-k25-agent-code-setup-zh","Kimi K2.5 讓代理編碼更穩","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780769047868-ajc6.png","2026-06-06T18:03:19.108312+00:00",{"id":73,"slug":74,"title":75,"cover_image":76,"image_url":76,"created_at":77,"category":13},"50b75ca3-5060-48d1-966a-56cfaa19b410","why-small-businesses-should-use-ai-for-admin-zh","為什麼小型企業只該把 AI 用在行政，不該什麼都交給它","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780758168808-yjnz.png","2026-06-06T15:02:17.869478+00:00",{"id":79,"slug":80,"title":81,"cover_image":82,"image_url":82,"created_at":83,"category":13},"cd6961a9-52ee-46f0-8e9b-2de544cd1906","crun-ai-gemini-omni-chat-video-editing-zh","Crun AI 把 Gemini Omni 變聊天剪片","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780733909044-zn45.png","2026-06-06T08:17:59.890613+00:00",[85,90,95,100,105,110,115,120,125,130],{"id":86,"slug":87,"title":88,"created_at":89},"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":91,"slug":92,"title":93,"created_at":94},"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":96,"slug":97,"title":98,"created_at":99},"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":101,"slug":102,"title":103,"created_at":104},"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":106,"slug":107,"title":108,"created_at":109},"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":111,"slug":112,"title":113,"created_at":114},"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":116,"slug":117,"title":118,"created_at":119},"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":121,"slug":122,"title":123,"created_at":124},"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":126,"slug":127,"title":128,"created_at":129},"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":131,"slug":132,"title":133,"created_at":134},"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"]