[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-mistral-small-2603-pricing-context-benchmarks-zh":3,"article-related-mistral-small-2603-pricing-context-benchmarks-zh":34,"series-model-release-e2712f87-9ae9-4440-bef6-cd2c3d5f2343":78},{"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":30,"created_at":31,"published_at":32,"topic_cluster_id":33},"e2712f87-9ae9-4440-bef6-cd2c3d5f2343","mistral-small-2603-pricing-context-benchmarks-zh","Mistral Small 2603：256K 上下文很能打","\u003Cp data-speakable=\"summary\">Mistral Small 2603 把 256K context、低 \u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa> 價格和中段 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 放在一起，適合長文件處理與工具型應用。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fwww.requesty.ai\u002Fmodels\u002Fmistral\u002Fmistral-small-2603\" target=\"_blank\" rel=\"noopener\">Requesty\u003C\u002Fa> 現在列出 \u003Ca href=\"https:\u002F\u002Fmistral.ai\" target=\"_blank\" rel=\"noopener\">Mistral AI SAS\u003C\u002Fa> 的 \u003Cstrong>mistral-small-2603\u003C\u002Fstrong>。它有 256K token context，input 每百萬 token 收 $0.15，output 收 $0.60。講白了，這就是給想省錢又要\u003Ca href=\"\u002Ftag\u002F長上下文\">長上下文\u003C\u002Fa>的團隊用的。\u003C\u002Fp>\u003Cp>這顆\u003Ca href=\"\u002Fnews\u002Fus-lifts-anthropic-limits-on-fable-and-mythos-zh\">模型\u003C\u002Fa>不是走誇張路線。它比較像務實派。你如果要做文件摘要、資料抽取、客服助理，或是需要 vision 和 JSON schema 的\u003Ca href=\"\u002Fnews\u002Fvisual-studio-copilot-ide-workflow-zh\">工作流\u003C\u002Fa>，它的定位就很清楚。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>指標\u003C\u002Fth>\u003Cth>數值\u003C\u002Fth>\u003Cth>意思\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Input 價格\u003C\u002Ftd>\u003Ctd>$0.15 \u002F 1M tokens\u003C\u002Ftd>\u003Ctd>高頻工作也扛得住\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Output 價格\u003C\u002Ftd>\u003Ctd>$0.60 \u002F 1M tokens\u003C\u002Ftd>\u003Ctd>輸出才是成本重點\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Context window\u003C\u002Ftd>\u003Ctd>256K tokens\u003C\u002Ftd>\u003Ctd>長文件、log、multi-step prompt 都能塞\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>MMLU Pro\u003C\u002Ftd>\u003Ctd>49.1%\u003C\u002Ftd>\u003Ctd>一般知識與推理還行\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GPQA Diamond\u003C\u002Ftd>\u003Ctd>34.9%\u003C\u002Ftd>\u003Ctd>硬科學題還是會卡\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>SciCode\u003C\u002Ftd>\u003Ctd>11.8%\u003C\u002Ftd>\u003Ctd>科學型 coding 任務不算強\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>這顆模型到底在做什麼\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Fmistral.ai\u002Fnews\u002Fmistral-small-3\" target=\"_blank\" rel=\"noopener\">Mistral Small\u003C\u002Fa> 的設計方向很明確。它把 instruction following、reasoning、coding 放在同一個模型裡。再加上 vision、tool calling、JSON schema output，產品團隊會很有感。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783018990238-oknm.png\" alt=\"Mistral Small 2603：256K 上下文很能打\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種設計很適合做助手、文件處理器、內部 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa>。你不用每個任務都換一顆模型。少折騰一點，工程團隊就少掉很多整合成本。\u003C\u002Fp>\u003Cp>Requesty 的 model card 還寫了 \u003Cstrong>119B parameters\u003C\u002Fstrong>，但只有 \u003Cstrong>6.5B active\u003C\u002Fstrong>。這代表它看起來很大，實際推理時只啟用一小部分參數。說真的，這種架構通常就是在算成本和延遲。\u003C\u002Fp>\u003Cp>對很多團隊來說，這比單看總參數有用。因為你買的是可用性，不是紙面數字。API 好不好用，最後還是看 latency、穩定性、和每次請求的帳單。\u003C\u002Fp>\u003Cul>\u003Cli>Model ID：\u003Ccode>mistral\u002Fmistral-small-2603\u003C\u002Fcode>\u003C\u002Fli>\u003Cli>加入時間：\u003Cstrong>2026-06-29\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>Context window：\u003Cstrong>256K tokens\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>Max output：\u003Cstrong>N\u002FA\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>Data retention：\u003Cstrong>30 天\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>是否用於訓練：\u003Cstrong>否\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>基準分數透露的事\u003C\u002Fh2>\u003Cp>這組 benchmark 不算炸裂，但很實際。\u003Cstrong>49.1%\u003C\u002Fstrong> 的 MMLU Pro，代表它在廣泛知識任務上還算穩。\u003Cstrong>34.9%\u003C\u002Fstrong> 的 GPQA Diamond，則提醒你它在研究級科學題上還有明顯壓力。\u003C\u002Fp>\u003Cp>如果你的需求偏問答、摘要、分類、抽取，這種分數其實夠用。你不一定需要最強模型。你需要的是在合理成本下，穩定把事情做完。\u003C\u002Fp>\u003Cp>\u003Cstrong>11.8%\u003C\u002Fstrong> 的 SciCode 就比較刺眼。這表示它在科學型 coding 任務上，還不是主力選項。拿它來做一般 coding assistant 可以，但拿來硬碰專門研究任務，風險就高了。\u003C\u002Fp>\u003Cblockquote>“Benchmarks are useful, but they are not the product,” said \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fevals\u002F\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa> in its evals guidance.\u003C\u002Fblockquote>\u003Cp>這句話其實很中肯。很多團隊太愛看 leaderboard，卻忽略真實工作流。真實世界的 prompt 很髒，還會混格式、混\u003Ca href=\"\u002Fnews\u002Flanguage-critiques-imitation-learning-zh\">語言\u003C\u002Fa>、混上下文。\u003C\u002Fp>\u003Cp>Requesty 說這些數字來自官方 model card、Artificial Analysis 和公開 leaderboard。這種來源組合不錯，但還是該把它當起點，不是終局判決。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>MMLU Pro：\u003C\u002Fstrong>49.1%\u003C\u002Fli>\u003Cli>\u003Cstrong>GPQA Diamond：\u003C\u002Fstrong>34.9%\u003C\u002Fli>\u003Cli>\u003Cstrong>SciCode：\u003C\u002Fstrong>11.8%\u003C\u002Fli>\u003Cli>\u003Cstrong>Artificial Analysis Intelligence Index：\u003C\u002Fstrong>3.6%\u003C\u002Fli>\u003Cli>\u003Cstrong>Released：\u003C\u002Fstrong>2023-12-11\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>價格才是最有感的地方\u003C\u002Fh2>\u003Cp>每百萬 input token 收 \u003Cstrong>$0.15\u003C\u002Fstrong>，每百萬 output token 收 \u003Cstrong>$0.60\u003C\u002Fstrong>。這種定價很明顯是給使用量，不是給品牌面子。你如果有長 prompt，但輸出不長，這顆模型會很划算。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783018984976-ubqi.png\" alt=\"Mistral Small 2603：256K 上下文很能打\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Requesty 還直接算了幾個場景。\u003Cstrong>100K input + 10K output\u003C\u002Fstrong> 是 \u003Cstrong>$0.0210\u003C\u002Fstrong>。\u003Cstrong>1M input + 100K output\u003C\u002Fstrong> 是 \u003Cstrong>$0.21\u003C\u002Fstrong>。\u003Cstrong>10M input + 1M output\u003C\u002Fstrong> 是 \u003Cstrong>$2.10\u003C\u002Fstrong>。這些數字很適合拿去跟預算表對。\u003C\u002Fp>\u003Cp>更有意思的是，Requesty 說它不加價，也不收 per-request fee。它就是照上游價格走。再加上 prompt caching 和 smart routing，某些工作流可以再省 \u003Cstrong>30% 到 80%\u003C\u002Fstrong>。\u003C\u002Fp>\u003Cp>這裡的重點很直白。模型本身便宜，只是第一層。真正會影響帳單的，是你有沒有重複送相同上下文，有沒有把長對話一直灌到底，有沒有做 routing。\u003C\u002Fp>\u003Cul>\u003Cli>100K input + 10K output：\u003Cstrong>$0.0210\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>1M input + 100K output：\u003Cstrong>$0.21\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>10M input + 1M output：\u003Cstrong>$2.10\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>快取與 routing 可能省下：\u003Cstrong>30% 到 80%\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>放進 OpenAI 相容架構有多簡單\u003C\u002Fh2>\u003Cp>Requesty 的整合方式很直接。你把 \u003Ca href=\"\u002Ftag\u002Fopenai\">OpenAI\u003C\u002Fa> SDK 指到 \u003Ccode>https:\u002F\u002Frouter.requesty.ai\u002Fv1\u003C\u002Fcode>，換成 Requesty API key，再把 model 名稱設成 \u003Ccode>mistral\u002Fmistral-small-2603\u003C\u002Fcode> 就能測。\u003C\u002Fp>\u003Cp>這件事很重要。很多團隊不是不想換模型，而是怕改程式。只要 API 介面相容，導入新模型的門檻就低很多。\u003C\u002Fp>\u003Cp>它還說平台後面有超過 \u003Cstrong>400\u003C\u002Fstrong> 個模型。對想做 A\u002FB test 的團隊來說，這種 router 比單一供應商彈性大很多。你可以先測，再決定要不要正式上線。\u003C\u002Fp>\u003Cp>如果你的產品是文件助理、客服系統、內部知識庫，這顆模型很值得試。它不一定是最強的，但它很可能是最划算的那一類。\u003C\u002Fp>\u003Cul>\u003Cli>API base URL：\u003Ccode>https:\u002F\u002Frouter.requesty.ai\u002Fv1\u003C\u002Fcode>\u003C\u002Fli>\u003Cli>模型名稱：\u003Ccode>mistral\u002Fmistral-small-2603\u003C\u002Fcode>\u003C\u002Fli>\u003Cli>可用模型數：\u003Cstrong>400+\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>支援：\u003Cstrong>Python、JavaScript、cURL\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>跟其他模型比，差在哪裡\u003C\u002Fh2>\u003Cp>如果你拿它去比高價旗艦模型，結果大概不會太意外。它不是來搶最強推理王座的。它的優勢是長上下文、便宜、還能處理工具呼叫和 vision。\u003C\u002Fp>\u003Cp>跟同價位模型比，它的 256K context 很有競爭力。很多模型價格低，但 context 也短。對文件型應用來說，短 context 真的很煩，因為你得一直切段、一直補上下文。\u003C\u002Fp>\u003Cp>如果跟專門做 code 或 research 的模型比，它的 benchmark 會顯得普通。可是大多數產品不是在寫論文，也不是在刷競賽。它們是在處理表單、客服單、文件、log、和工作流。\u003C\u002Fp>\u003Cul>\u003Cli>優勢：\u003Cstrong>256K context\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>優勢：\u003Cstrong>低 input 成本\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>優勢：\u003Cstrong>支援 vision 與 JSON schema\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>弱項：\u003Cstrong>GPQA Diamond 34.9%\u003C\u002Fstrong>\u003C\u002Fli>\u003Cli>弱項：\u003Cstrong>SciCode 11.8%\u003C\u002Fstrong>\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>這類模型在產業裡的角色\u003C\u002Fh2>\u003Cp>現在很多公司都在找「夠好，但不要太貴」的模型。原因很現實。真正上線後，Token 成本會比 demo 時期更刺眼。尤其是長文件、客服對話、和多步驟 agent，成本很快就堆上去。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Claude\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Fgpt-4o\" target=\"_blank\" rel=\"noopener\">GPT-4o\u003C\u002Fa> 這類模型很強，但不是每個場景都要用到那種級別。很多時候，團隊要的是穩定、便宜、可控，還有能跟既有系統快速接上。\u003C\u002Fp>\u003Cp>這也是為什麼 router 型平台會越來越常見。像 \u003Ca href=\"https:\u002F\u002Fopenrouter.ai\" target=\"_blank\" rel=\"noopener\">OpenRouter\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.litellm.ai\" target=\"_blank\" rel=\"noopener\">LiteLLM\u003C\u002Fa> 這類工具，重點都不是自己做模型，而是幫你把模型接得更順。\u003C\u002Fp>\u003Cp>說白了，Mistral Small 2603 的價值不在「最強」。它的價值在「夠用，而且便宜到可以大量跑」。這種模型通常會先吃下內部工具、文件管線、和中階 agent 工作。\u003C\u002Fp>\u003Ch2>我會怎麼看這顆模型\u003C\u002Fh2>\u003Cp>如果你要做長上下文應用，這顆值得試。尤其是你很在意 input 成本，又不想犧牲太多功能。256K context 真的很方便，不用一直切文件。\u003C\u002Fp>\u003Cp>但如果你的任務是高難度科學推理，或是很吃 code correctness，那就別太樂觀。benchmark 已經把警訊寫在那裡了。它不是不能用，是別把它拿去做不適合的事。\u003C\u002Fp>\u003Cp>我會建議先拿真實資料跑一輪。看你的 prompt 長度、輸出長度、錯誤率、和每次請求成本。只看 benchmark 很容易誤判，真正的帳單和使用體感才是重點。\u003C\u002Fp>\u003Cp>如果你現在就在選模型，我的建議很簡單：先拿它做 100 筆真實任務測試。看它能不能在成本和品質之間，交出你要的那條線。\u003C\u002Fp>","Mistral Small 2603 把 256K context、每百萬 input $0.15、output $0.60 放在一起，適合長文件、工具呼叫與結構化輸出，但科學與推理基準仍有明顯天花板。","www.requesty.ai","https:\u002F\u002Fwww.requesty.ai\u002Fmodels\u002Fmistral\u002Fmistral-small-2603",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1783018990238-oknm.png","model-release","zh","32977cf1-5111-482e-adbd-a9ddb5cb4449",[17,18,19,20,21,22,23,24],"Mistral Small 2603","256K context","LLM pricing","token pricing","benchmark","OpenAI-compatible API","Requesty","Mistral AI",[26,27,28,29],"256K context 很適合長文件、log 和多步驟 prompt。","$0.15 input 與 $0.60 output 的定價，適合高頻但不追求最強推理的工作流。","MMLU Pro 49.1% 還行，但 GPQA Diamond 34.9% 和 SciCode 11.8% 顯示它不是硬科學主力。","OpenAI 相容 API 和 400+ 模型路由，讓導入和 A\u002FB test 成本更低。",0,"2026-07-02T19:02:34.781303+00:00","2026-07-02T19:02:34.773+00:00","0ccb5d2e-69f1-4354-a3e0-cb370221cd95",{"tags":35,"relatedLang":37,"relatedPosts":41},[36],{"name":21,"slug":21},{"id":15,"slug":38,"title":39,"language":40},"mistral-small-2603-pricing-context-benchmarks-en","Mistral Small 2603: 256K context for $0.15 in","en",[42,48,54,60,66,72],{"id":43,"slug":44,"title":45,"cover_image":46,"image_url":46,"created_at":47,"category":13},"a6c3f8d1-2698-4d18-af61-2c813605d1ab","doubao-seed-21-pro-agent-balanced-winner-zh","豆包 Seed 2.1 Pro 不是追赶者，而是 Agent 时代的均衡強者","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782910972725-cj17.png","2026-07-01T13:02:26.094239+00:00",{"id":49,"slug":50,"title":51,"cover_image":52,"image_url":52,"created_at":53,"category":13},"7008aa9b-ddde-48eb-9702-7ab59a4278ef","ace-step-15-local-music-generation-product-zh","ACE-Step 1.5 證明本地音樂生成已經是產品，不是 demo","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782853373095-1hod.png","2026-06-30T21:02:21.571935+00:00",{"id":55,"slug":56,"title":57,"cover_image":58,"image_url":58,"created_at":59,"category":13},"994e873c-330f-4f5d-9884-3d0aa4da6401","sora-30-seat-electric-aircraft-vtol-tests-zh","Sora 30座電動機首輪VTOL測試過關","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782840783244-971n.png","2026-06-30T17:32:31.996757+00:00",{"id":61,"slug":62,"title":63,"cover_image":64,"image_url":64,"created_at":65,"category":13},"4c695cb3-da7c-494f-b36f-d184efae3cf0","anthropic-claude-tag-slack-ai-coworker-zh","Claude Tag 把 Slack 變成 AI 同事","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782802983792-5qek.png","2026-06-30T07:02:32.884446+00:00",{"id":67,"slug":68,"title":69,"cover_image":70,"image_url":70,"created_at":71,"category":13},"76ca309d-9b8f-4595-a732-8cdb801b25e1","openai-jalapeno-threatens-nvidia-realistically-zh","OpenAI自研芯片不是秀肌肉，而是英伟达的真实威胁","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782793064557-8hyd.png","2026-06-30T04:17:21.527935+00:00",{"id":73,"slug":74,"title":75,"cover_image":76,"image_url":76,"created_at":77,"category":13},"6ec6c861-8bc8-4d40-a0bd-b46389e31030","k3s-v1-34-9-kubernetes-1-34-9-release-zh","K3s v1.34.9 更新重點整理","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782781393060-r0zj.png","2026-06-30T01:02:51.491478+00:00",[79,84,89,94,99,104,109,114,119,124],{"id":80,"slug":81,"title":82,"created_at":83},"58b64033-7eb6-49b9-9aab-01cf8ae1b2f2","nvidia-rubin-six-chips-one-ai-supercomputer-zh","NVIDIA Rubin 把六顆晶片塞進 AI 機櫃","2026-03-26T07:18:45.861277+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"0dcc2c61-c2a6-480d-adb8-dd225fc68914","march-2026-ai-model-news-what-mattered-zh","2026 年 3 月 AI 模型新聞重點","2026-03-26T07:32:08.386348+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"214ab08b-5ce5-4b5c-8b72-47619d8675dd","why-small-models-are-winning-on-device-ai-zh","小模型為何吃下裝置端 AI","2026-03-26T07:36:30.488966+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"785624b2-0355-4b82-adc3-de5e45eecd88","midjourney-v8-faster-images-higher-costs-zh","Midjourney V8 變快了，也變貴了","2026-03-26T07:52:03.562971+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"cda76b92-d209-4134-86c1-a60f5bc7b128","xiaomi-mimo-trio-agents-robots-voice-zh","小米 MiMo 三模型瞄準代理、機器人與語音","2026-03-28T03:05:08.779489+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"9e1044b4-946d-47fe-9e2a-c2ee032e1164","xiaomi-mimo-v2-pro-1t-moe-agents-zh","小米 MiMo-V2-Pro 登場：1T MoE 模型","2026-03-28T03:06:19.002353+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"c4b6186f-bd84-4598-997e-c6e31d543c0d","cursor-composer-2-agentic-coding-model-zh","Cursor Composer 2 走向代理式寫碼","2026-03-28T03:13:06.422716+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"e112e76f-ec3b-408f-810e-e93ae21a888a","apple-siri-gemini-distilled-models-zh","Apple Siri 牽手 Gemini 的真相","2026-03-29T04:52:57.886544+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"c679b51f-194a-463b-87fc-7695256ff752","mimo-v2-pro-vs-omni-vs-flash-2026-zh","MiMo V2 Pro、Omni、Flash 怎麼選","2026-04-02T01:18:43.576128+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"3b988fd7-6749-4f01-ba25-c0ad7486dc31","z-ai-glm-5v-turbo-design2code-claude-zh","GLM-5V-Turbo 在 Design2Code 贏了…","2026-04-02T04:03:36.31741+00:00"]