[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-mlx-community-apple-silicon-model-weights-zh":3,"article-related-mlx-community-apple-silicon-model-weights-zh":30,"series-tools-70737fb3-6469-4647-abf8-90afbcca7e9d":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":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"70737fb3-6469-4647-abf8-90afbcca7e9d","mlx-community-apple-silicon-model-weights-zh","MLX Community 讓 Mac 模型直接跑","\u003Cp data-speakable=\"summary\">我拆 MLX Community 怎麼把 \u003Ca href=\"\u002Ftag\u002Fapple\">Apple\u003C\u002Fa> Silicon 的模型權重先轉好，讓你直接用 mlx-lm、mlx-vlm、mlx-audio 跑起來。\u003C\u002Fp>\u003Cp>我用本機 \u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 一陣子了，越用越火大。模型不是不能跑，是每次都卡在轉檔、量化、命名、README \u003Ca href=\"\u002Fnews\u002Fwhich-lora-multilingual-instruction-tuning-zh\">指令\u003C\u002Fa>順序，搞得像我在幫別人的 repo 收尾。Mac 明明很快，Apple Silicon 也夠強，結果我還是在跟格式打架。最煩的是，很多專案都說自己支援 Mac，但真到要跑，還是要我自己補齊一堆前置動作。\u003C\u002Fp>\u003Cp>後來我看到 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fmlx-community\">MLX Community\u003C\u002Fa>，才覺得這才像正常人會做的事。它不是在賣概念，它是把 Apple Silicon 能直接用的模型權重先整理好，給 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-lm\">mlx-lm\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-swift-examples\">mlx-swift-examples\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-vlm\">mlx-vlm\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-audio\">mlx-audio\u003C\u002Fa> 接。這種東西看起來很無聊，但對我來說，無聊才是好事，因為代表我不用再重做一次別人已經做完的苦工。\u003C\u002Fp>\u003Ch2>不要把模型轉換當成你的人生副本\u003C\u002Fh2>\u003Cblockquote>These are pre-converted weights, ready to use in the example scripts or integrate in your apps.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：這些權重不是叫你回去自己轉一遍。它們已經先轉成 MLX 能吃的格式，你拿來就能跑，不用先開一個「格式處理」的副本地獄。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781197407899-52qk.png\" alt=\"MLX Community 讓 Mac 模型直接跑\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我很討厭那種流程：先找到模型，再查它原始格式，再看要不要量化，再去找轉換腳本，最後還要祈禱 README 沒過期。這不是開發，這是行政作業。MLX Community 的價值就在這裡，它把最煩的那段先收掉，讓你直接進到測試和整合。\u003C\u002Fp>\u003Cp>我自己以前試本機模型，常常是半小時都花在確認「這顆 checkpoint 到底能不能進 MLX」。等我終於跑起來，早就忘了我原本是要驗證什麼。這種浪費很常見，而且很陰險，因為它看起來像工作，實際上只是摩擦。\u003C\u002Fp>\u003Cp>實操寫法很簡單：\u003C\u002Fp>\u003Cul>\u003Cli>先找 MLX Community 裡已轉好的模型，再決定要不要自己轉。\u003C\u002Fli>\u003Cli>如果你的目標是 Mac 本機推理，優先選能直接進 MLX runtime 的權重。\u003C\u002Fli>\u003Cli>把時間花在測行為，不要先花在格式搬運。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>MLX 不是附加品，是整套工作流\u003C\u002Fh2>\u003Cp>MLX Community 背後其實是在幫整個 MLX 生態分發模型。你可以直接看這幾個官方工具：\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-lm\">mlx-lm\u003C\u002Fa> 負責文字生成與微調，\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-vlm\">mlx-vlm\u003C\u002Fa> 處理視覺語言，\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-audio\">mlx-audio\u003C\u002Fa> 做語音，\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-swift-examples\">mlx-swift-examples\u003C\u002Fa> 則是給 Swift app 直接接。\u003C\u002Fp>\u003Cp>也就是說，這不是一個「模型倉庫」而已，它比較像 MLX 的配送中心。你不是在問「這顆模型酷不酷」，而是在問「這顆模型能不能直接塞進我現在的 runtime」。這個問法比較土，但比較對。因為真正會卡住你的，通常不是模型能力，而是它到底能不能順著你的工具鏈走下去。\u003C\u002Fp>\u003Cp>我以前很常犯一個錯：看到模型名字很大，就先興奮，結果下載回來才發現格式不合、示例不全、整合成本高到靠北。後來我才知道，先看 runtime 再看模型，才是正常順序。MLX Community 直接把這個順序寫在臉上，省得我自己繞遠路。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>先決定你的終點是 Python、Swift、VLM 還是語音。\u003C\u002Fli>\u003Cli>再回頭挑對應的 MLX 工具和權重。\u003C\u002Fli>\u003Cli>不要先選模型，最後才問「那我要怎麼跑」。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Apple Silicon 不是備註，它就是主戰場\u003C\u002Fh2>\u003Cp>MLX Community 明講了，它是給 Apple Silicon 用的模型權重。這句話很重要，因為很多專案嘴上說支援 Mac，實際上只是「勉強能開」。我不想再看那種把 Mac support 塞在 README 最後一段的專案了，意思就是：能跑，但別問太多。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781197406303-zxou.png\" alt=\"MLX Community 讓 Mac 模型直接跑\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這裡的態度比較直接：既然 Apple Silicon 已經夠強，那就把它當正式平台，不要當兼容性附錄。對我來說，這差很多。因為我在 M 系列 Mac 上做本機推理，期待的是「像樣地跑」，不是「勉強活著」。\u003C\u002Fp>\u003Cp>我也踩過那種坑：模型理論上可以跑，實際上卻要你接受奇怪的量化限制、記憶體壓力、或者某個示例只在維護者自己的機器上正常。這種支援根本不算支援。MLX Community 至少誠實，它把平台假設講清楚，讓你知道自己是不是在對的地方。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>如果你的目標機器是 M 系列 Mac，就直接用 MLX 思路選模型。\u003C\u002Fli>\u003Cli>先在實際硬體上測延遲與記憶體，不要拿別人的 benchmark 自我安慰。\u003C\u002Fli>\u003Cli>把模型大小、量化等級、可接受延遲一起看，不要只看參數量。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>量化不是附註，是你每天都會碰到的事\u003C\u002Fh2>\u003Cp>MLX 的 quick start 很老實，直接給你 \u003Ccode>mlx_lm.generate\u003C\u002Fcode>、\u003Ccode>mlx_lm.chat\u003C\u002Fcode>，還有 \u003Ccode>mlx_lm.convert\u003C\u002Fcode>。更實際的是，它還支援用 \u003Ccode>--upload-repo\u003C\u002Fcode> 把轉好的模型回傳到 Hugging Face。這代表量化不是藏在角落的進階技巧，而是整條工作流的一部分。\u003C\u002Fp>\u003Cp>白話講就是：在本機硬體上，量化不是優化，是能不能用的門檻。尤其你在筆電上跑模型，沒量化常常就是卡記憶體、卡速度、卡體驗。MLX Community 把這件事擺在前面，我反而覺得很舒服，因為它沒有裝作「不用管這些細節」。\u003C\u002Fp>\u003Cp>我很怕那種把量化講得像黑魔法的文件。其實沒那麼玄，它就是讓模型塞得進機器、跑得動、還能維持可接受品質。你如果要做本機產品，這一步根本不能跳過。MLX 的好處是，它把這件事\u003Ca href=\"\u002Fnews\u002Fdeepnote-turns-notebooks-into-editable-projects-zh\">變成可\u003C\u002Fa>執行命令，不是口號。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>先用量化版模型測試，不要一開始就碰全精度版本。\u003C\u002Fli>\u003Cli>確認可用後，再決定要不要自己重新轉換。\u003C\u002Fli>\u003Cli>如果你轉了新版本，記得把結果回傳成可重用的 repo，別讓下一個人重踩。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>先開 chat 再想整合，順序別搞反\u003C\u002Fh2>\u003Cp>官方流程裡有 \u003Ccode>mlx_lm.chat\u003C\u002Fcode>，我覺得這比很多人想像中重要。因為 chat 模式是最快的驗證方式，你不用先做 UI、先包 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa>、先寫服務層，你只要先問它幾個真正會用到的問題，就知道這顆模型值不值得繼續投資。\u003C\u002Fp>\u003Cp>也就是說，chat 不是 demo，它是篩選器。你要看的不是它會不會講漂亮話，而是它在多輪對話下會不會失控、會不會亂猜、會不會記錯上下文。這些東西不先看，等你包進產品才發現問題，就太晚了。\u003C\u002Fp>\u003Cp>我以前很常被單輪 prompt 騙到。看起來很會答，結果一進真實 workflow 就開始亂飄。後來我才養成習慣：先用 chat 模式跑一輪，拿我自己的 prompt \u003Ca href=\"\u002Fnews\u002Fclarity-act-floor-vote-prep-crypto-teams-zh\">清單\u003C\u002Fa>去戳它，先看它是不是能活在我的場景裡。這比看截圖有用太多。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>先用 chat 測多輪對話，不要急著做前端。\u003C\u002Fli>\u003Cli>準備 5 到 10 個你的真實問題，直接在本機輪一遍。\u003C\u002Fli>\u003Cli>如果模型連基本互動都不穩，就別急著整合。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>社群 org 的價值，不是名氣，是省你重工\u003C\u002Fh2>\u003Cp>MLX Community 是 Hugging Face 上的組織頁，不是單一模型頁。這件事我很在意，因為它代表這不是一個人貼完檔案就消失的地方，而是可以持續維護、持續補充的共享空間。對本機 AI 來說，這種社群結構比你想的更重要。\u003C\u002Fp>\u003Cp>翻譯一下就是：模型檔案本身只是一半，另一半是誰幫你維護轉換、誰幫你更新、誰幫你把格式留在可用狀態。沒有這層東西，模型很快就會變成 archive，然後你又得自己重做一次。\u003C\u002Fp>\u003Cp>我看過太多 repo，名字很響，最後卻只是在丟檔案。MLX Community 比較像是把「可重用」當成第一件事，而不是附帶功能。這也是為什麼我覺得它值得關注：它在處理分發，不只是收藏。\u003C\u002Fp>\u003Cp>實操寫法：\u003C\u002Fp>\u003Cul>\u003Cli>優先找有社群維護痕跡的模型來源。\u003C\u002Fli>\u003Cli>看活動、看貢獻路徑，不只看模型名稱。\u003C\u002Fli>\u003Cli>如果你自己轉了一版，回傳到 org 或可重用空間，別只存在本機。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>我會怎麼把它用進真實專案\u003C\u002Fh2>\u003Cp>如果是我現在要開一個 Apple Silicon 專案，我會先去 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fmlx-community\">MLX Community\u003C\u002Fa> 找已轉好的權重，再用 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-lm\">mlx-lm\u003C\u002Fa> 先測，確認速度、記憶體和回答品質都在可接受範圍內。若是要做語音或多模態，我會直接切到 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-audio\">mlx-audio\u003C\u002Fa> 或 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-vlm\">mlx-vlm\u003C\u002Fa>，而不是硬把文字模型拿去硬拗。\u003C\u002Fp>\u003Cp>白話講就是：先把它當成驗證場，不要一開始就把它當產品核心。你先知道模型能不能在你的 Mac 上穩定活著，再來談包裝、接口、功能。這順序很土，但很省命。\u003C\u002Fp>\u003Cp>而且我真的喜歡它把基本命令都放在前面。安裝、生成、聊天、轉換、上傳，這條路徑夠清楚了。你不需要自己發明一套儀式感流程，也不用先研究半天文件架構才敢動手。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Apple Silicon MLX 工作流模板\n\n# 1. 先裝 runtime\npip install mlx-lm\n\n# 2. 先測 chat，不要急著整合 UI\nmlx_lm.chat --model mlx-community\u002FQwen3-4B-Instruct-2507-4bit\n\n# 3. 再跑一次單輪生成，確認基本輸出\nmlx_lm.generate --model mlx-community\u002FQwen3-4B-Instruct-2507-4bit --prompt \"請用三點列出這個模型適不適合我的 Mac 本機專案\"\n\n# 4. 如果你要自己轉換，先做量化\nmlx_lm.convert --model Qwen\u002FQwen3-4B-Instruct-2507 -q\n\n# 5. 轉完後直接上傳成可重用 repo\nmlx_lm.convert \\\n  --model Qwen\u002FQwen3-4B-Instruct-2507 \\\n  -q \\\n  --upload-repo mlx-community\u002FQwen3-4B-Instruct-2507-4bit\n\n# 6. 按你的場景選工具，不要亂接\n# Text \u002F fine-tune: https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-lm\n# Swift app: https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-swift-examples\n# Vision-language: https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-vlm\n# Speech: https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-audio\n\n# 7. 我的實戰規則\n# - 先找已轉好的權重\n# - 先用 chat 測多輪行為\n# - 只在確認值得留用後才自己轉換\n# - 轉完就回傳成可重用資產，別讓別人再做一次\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段模板是我根據 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\u002Fmlx-community\">MLX Community\u003C\u002Fa> 的頁面和它連到的官方 MLX 工具整理出來的，流程順序是我自己重排過的。原始來源是 Hugging Face 的 MLX Community 頁面，工具鏈則對照了 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-lm\">mlx-lm\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-vlm\">mlx-vlm\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-audio\">mlx-audio\u003C\u002Fa> 與 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fml-explore\u002Fmlx-swift-examples\">mlx-swift-examples\u003C\u002Fa>。\u003C\u002Fp>","我拆 MLX Community 怎麼把 Apple Silicon 的模型權重先轉好，讓你直接用 mlx-lm、mlx-vlm、mlx-audio 跑起來。","huggingface.co","https:\u002F\u002Fhuggingface.co\u002Fmlx-community",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781197407899-52qk.png","tools","zh","7ca2e8cd-fc78-44ec-bf42-579b6ab878fe",[17,18,19,20,21],"MLX","Apple Silicon","Hugging Face","quantization","local inference",[23,24,25],"MLX Community 的重點不是模型多，而是先把 Apple Silicon 可用的權重整理好。","真正省時間的地方，是把轉換與量化從你手上拿掉，直接進到測試與整合。","先用 chat 驗證多輪行為，再決定要不要把模型接進產品。",2,"2026-06-11T17:02:56.095001+00:00","2026-06-11T17:02:56.086+00:00","0c64eda0-d76f-4e13-bd85-d085ff6d151e",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,34,35,37,39],{"name":19,"slug":33},"hugging-face",{"name":20,"slug":20},{"name":21,"slug":36},"local-inference",{"name":38,"slug":38},"apple-silicon",{"name":17,"slug":40},"mlx",{"id":15,"slug":42,"title":43,"language":44},"mlx-community-apple-silicon-model-weights-en","MLX Community lets you run Apple Silicon models","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"9947d432-419a-4fb2-b63e-2df73e5503f0","vibe-coding-lets-you-ship-a-tiny-app-fast-zh","Vibe coding 讓你先把小工具做出來","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781254115147-lr0c.png","2026-06-12T08:47:56.34535+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"f7cfd9fc-4795-40e6-9ccf-8d1d320d8560","what-vibe-coding-means-for-developers-zh","Vibe Coding 對開發者的真正意義","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781253188911-llz7.png","2026-06-12T08:32:32.032314+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"6371d809-9372-4a40-bf34-09ca516bf1c5","product-hunt-vibe-coding-tools-2026-zh","Product Hunt 的 vibe-coding 堆疊怎麼配","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781252320426-k29l.png","2026-06-12T08:18:03.871398+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"048fe239-c575-457f-87b3-7a11dcc92b45","copilot-keeps-old-amd-linux-gpus-alive-zh","Copilot 讓舊 AMD GPU 活下來","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781242402748-dls4.png","2026-06-12T05:32:53.912906+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"851e075c-b22f-4425-a5c8-28132574da25","fine-tune-slm-emotion-recognition-zh","情緒辨識 SLM 微調實作指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781231575451-p3g5.png","2026-06-12T02:32:23.646134+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"5c8150a0-bd9a-4b69-bba3-09548f5dcc84","midjourney-pricing-guide-2026-plans-costs-zh","Midjourney 2026 訂閱費用與方案判讀","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781230674954-vf1u.png","2026-06-12T02:17:24.385566+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"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":89,"slug":90,"title":91,"created_at":92},"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":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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":124,"slug":125,"title":126,"created_at":127},"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":129,"slug":130,"title":131,"created_at":132},"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"]