[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-open-source-android-ai-agents-host-code-zh":3,"article-related-open-source-android-ai-agents-host-code-zh":33,"series-research-53ada7ee-eeb4-4675-b8a9-29742e2c8fe4":76},{"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},"53ada7ee-eeb4-4675-b8a9-29742e2c8fe4","open-source-android-ai-agents-host-code-zh","Android AI Agent 會把主機命令跑出來","\u003Cp data-speakable=\"summary\">五個開源 Android \u003Ca href=\"\u002Ftag\u002Fai-agent\">AI agent\u003C\u002Fa> 框架，都能被隱藏文字和截圖競態誘導，最後在主機電腦上跑出命令。\u003C\u002Fp>\u003Cp>這篇研究很直接。手機畫面可以騙過模型，模型又把指令送進主機 shell。結果就從「自動操作手機」\u003Ca href=\"\u002Fnews\u002Fproject-glasswing-ai-security-layer-zh\">變成\u003C\u002Fa>「替攻擊者打字」。\u003C\u002Fp>\u003Cp>研究團隊測了 5 個框架，7 種攻擊路徑，全部都中至少 6 種。這不是邊角案例。這是 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> \u003Ca href=\"\u002Fnews\u002Fai-agent-tool-landscape-report-2026-07-zh\">工具\u003C\u002Fa>鏈本身的信任邊界出問題。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>框架\u003C\u002Fth>\u003Cth>主要弱點\u003C\u002Fth>\u003Cth>研究結果\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FAppAgent\" target=\"_blank\" rel=\"noopener\">AppAgent\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>Shell 命令注入、截圖競態\u003C\u002Ftd>\u003Ctd>7 種攻擊中命中 6 種\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FAppAgentX\" target=\"_blank\" rel=\"noopener\">AppAgentX\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>Shell 命令注入、截圖競態\u003C\u002Ftd>\u003Ctd>7 種攻擊中命中 6 種\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAlibabaResearch\u002FDAMO-ConvAI\u002Ftree\u002Fmain\u002FMobile-Agent-v3\" target=\"_blank\" rel=\"noopener\">Mobile-Agent-v3\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>Shell 注入路徑、截圖競態\u003C\u002Ftd>\u003Ctd>7 種攻擊中命中 6 種\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTHUDM\u002FOpenAutoGLM\" target=\"_blank\" rel=\"noopener\">Open-AutoGLM\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>輸入廣播暴露\u003C\u002Ftd>\u003Ctd>7 種攻擊中命中 6 種\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBAAI-DCAI\u002FMobA\" target=\"_blank\" rel=\"noopener\">MobA\u003C\u002Fa>\u003C\u002Ftd>\u003Ctd>輸入廣播暴露\u003C\u002Ftd>\u003Ctd>7 種攻擊中命中 6 種\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>研究到底證明了什麼\u003C\u002Fh2>\u003Cp>論文先放在 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.00123\" target=\"_blank\" rel=\"noopener\">arXiv\u003C\u002Fa>，日期是 7 月 1 日，7 月 14 日又更新了一版。作者來自 Simon Fraser University、Chinese University of Hong Kong、Shandong University，還有 QAX 的 Xingtu Lab。這組人不是在做玩具 demo，而是在拆真實 agent 工具的骨架。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784728999652-h1gn.png\" alt=\"Android AI Agent 會把主機命令跑出來\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>他們看的是一條很常見的流程。模型先看手機截圖，再決定下一步，最後透過 ADB 或廣播把字打回去。問題就出在這條鏈路太長，每一段都可能被插手。\u003C\u002Fp>\u003Cp>一旦攻擊者能動到截圖、文字輸入，或兩者之間的時間差，模型就會把惡意內容當成任務內容。這時候，AI 只是轉送器，不是防火牆。\u003C\u002Fp>\u003Cul>\u003Cli>研究測了 5 個開源框架。\u003C\u002Fli>\u003Cli>總共設計 7 類攻擊路徑。\u003C\u002Fli>\u003Cli>每個框架都失守至少 6 種。\u003C\u002Fli>\u003Cli>一個會啟動 \u003Ca href=\"https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fwindows\u002Fwin32\u002Fapi\u002Fshellapi\u002Fnf-shellapi-shellexecutea\" target=\"_blank\" rel=\"noopener\">calc.exe\u003C\u002Fa> 的 payload，對 4 個框架做 20 次全中。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>最直接的洞，是命令注入\u003C\u002Fh2>\u003Cp>最粗暴的問題在 host shell。研究指出，\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FAppAgent\" target=\"_blank\" rel=\"noopener\">AppAgent\u003C\u002Fa> 的控制端把模型輸出直接丟進 \u003Ccode>subprocess.run(..., shell=True)\u003C\u002Fcode>。如果字串裡有 shell metacharacters，主機就會照單全收。\u003C\u002Fp>\u003Cp>這種寫法在 demo 場景很常見。大家想先跑起來，再慢慢補安全。但 agent 工具一旦接到真實手機，就不再是 demo。它會碰到外部輸入，也會碰到惡意 app。\u003C\u002Fp>\u003Cp>研究團隊展示的 payload 很直白。有人可以讓主機跳出計算機，也可以用 \u003Ccode>test;pwd>rce_success\u003C\u002Fcode> 把工作目錄寫進檔案。這代表攻擊者不只是在亂打字，而是在控制主機端的執行路徑。\u003C\u002Fp>\u003Cblockquote>“Your LLM is not a security boundary.” — Microsoft\u003C\u002Fblockquote>\u003Cp>這句話很適合放在這裡。模型可以決定下一步，但邊界還是在 shell、ADB 和 glue code。只要 glue code 寫得隨便，模型就會變成攻擊者的輸入產生器。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FAppAgent\" target=\"_blank\" rel=\"noopener\">AppAgent\u003C\u002Fa> 的攻擊路徑出現 \u003Ccode>shell=True\u003C\u002Fcode>。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FAppAgentX\" target=\"_blank\" rel=\"noopener\">AppAgentX\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAlibabaResearch\u002FDAMO-ConvAI\u002Ftree\u002Fmain\u002FMobile-Agent-v3\" target=\"_blank\" rel=\"noopener\">Mobile-Agent-v3\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBAAI-DCAI\u002FMobA\" target=\"_blank\" rel=\"noopener\">MobA\u003C\u002Fa> 都在測試中被打穿。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTHUDM\u002FOpenAutoGLM\" target=\"_blank\" rel=\"noopener\">Open-AutoGLM\u003C\u002Fa> 沒有中這條 host injection 路徑。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>截圖競態，讓攻擊者多一個洞\u003C\u002Fh2>\u003Cp>第二個問題是時間差。很多框架先把截圖寫進裝置儲存，再拉回主機。這中間有空窗。研究量到的間隔大約在 50 到 500 毫秒，100 次平均約 210 毫秒。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784728997151-x87y.png\" alt=\"Android AI Agent 會把主機命令跑出來\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>210 毫秒看起來很短，但對背景服務來說夠用了。研究者示範，若服務每 5 到 10 毫秒輪詢一次，就有機會先鎖住檔案，再換掉 PNG，最後放回去。對四個框架來說，這種 tampering 成功率是 19\u002F20 或 20\u002F20。\u003C\u002Fp>\u003Cp>這類攻擊很煩。因為你以為自己讀的是手機原圖，實際上讀到的是被改過的畫面。模型只看像素，不看你的善意。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTHUDM\u002FOpenAutoGLM\" target=\"_blank\" rel=\"noopener\">Open-AutoGLM\u003C\u002Fa> 用 \u003Ccode>screencap -p \u002Fsdcard\u002Ftmp.png\u003C\u002Fcode> 再 \u003Ccode>adb pull\u003C\u002Fcode>。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAlibabaResearch\u002FDAMO-ConvAI\u002Ftree\u002Fmain\u002FMobile-Agent-v3\" target=\"_blank\" rel=\"noopener\">Mobile-Agent-v3\u003C\u002Fa> 寫死 \u003Ccode>\u002Fsdcard\u002Fscreenshot.png\u003C\u002Fcode>，中間還 sleep 0.5 秒。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOSU-NLP-Group\u002FAppAgent\" target=\"_blank\" rel=\"noopener\">AppAgent\u003C\u002Fa> 的預設截圖目錄還是 \u003Ccode>\u002Fsdcard\u003C\u002Fcode>。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBAAI-DCAI\u002FMobA\" target=\"_blank\" rel=\"noopener\">MobA\u003C\u002Fa> 改成用 \u003Ccode>exec-out\u003C\u002Fcode> 串流，避開了檔案競態。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>看不見的字，模型還是會讀\u003C\u002Fh2>\u003Cp>研究接著打 perception 層。團隊把指令藏進 2% opacity 的文字，藏進螢幕圓角和瀏海區域，也用 overlay 假裝系統提示。人眼很難注意到，模型卻照樣吃進去。\u003C\u002Fp>\u003Cp>這點很刺耳。因為很多人直覺會覺得，肉眼看不到就沒事。可是在 vision model 的世界裡，只要像素存在，文字就存在。它不會因為你覺得太淡就自動忽略。\u003C\u002Fp>\u003Cp>論文裡，6 個 vision models 都能在至少 18\u002F20 次抓到 2% opacity 文字。包含 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-4o-and-gpt-4o-mini-advancing-ai-for-everyone\u002F\" target=\"_blank\" rel=\"noopener\">GPT-4o\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fclaude-opus-4-5\" target=\"_blank\" rel=\"noopener\">Claude Opus 4.5\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Fmodels\u002Fgemini\u002F\" target=\"_blank\" rel=\"noopener\">Gemini\u003C\u002Fa> 在內的 4 個模型，甚至做到 20\u002F20。\u003C\u002Fp>\u003Cul>\u003Cli>Pixel 4 的角落可用區域大約只有 78 像素寬。\u003C\u002Fli>\u003Cli>5 個 agent 都讀到了角落藏字。\u003C\u002Fli>\u003Cli>100 次測試裡，假登入提示透過 accessibility overlay 全數成功。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡的結論很硬。螢幕不是可信來源。只要 app 能蓋上去，或截圖在取樣後被動過手腳，模型就可能跟著假訊息走。\u003C\u002Fp>\u003Ch2>廣播和 accessibility，讓輸入路徑更危險\u003C\u002Fh2>\u003Cp>輸入路徑也有問題，而且常常比畫面更糟。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTHUDM\u002FOpenAutoGLM\" target=\"_blank\" rel=\"noopener\">Open-AutoGLM\u003C\u002Fa> 把輸入做成 base64，送到 \u003Ccode>ADB_INPUT_B64\u003C\u002Fcode>，再由 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsenzhk\u002FADBKeyBoard\" target=\"_blank\" rel=\"noopener\">ADB Keyboard\u003C\u002Fa> 收。這是測試工具沒錯，但也等於開了一條可被廣播攔截的通道。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAlibabaResearch\u002FDAMO-ConvAI\u002Ftree\u002Fmain\u002FMobile-Agent-v3\" target=\"_blank\" rel=\"noopener\">Mobile-Agent-v3\u003C\u002Fa> 會把 ASCII 走 \u003Ccode>adb shell input text\u003C\u002Fcode>，非 ASCII 則走 \u003Ccode>ADB_INPUT_TEXT\u003C\u002Fcode>。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBAAI-DCAI\u002FMobA\" target=\"_blank\" rel=\"noopener\">MobA\u003C\u002Fa> 更粗暴，只要字串裡有一個非 ASCII，就整包丟廣播。\u003C\u002Fp>\u003Cp>廣播的麻煩在於，任何註冊同樣 action 的 app 都可能收到。沒有跳窗提醒，也沒有明確警告。如果 accessibility service 介入，研究還指出 \u003Ccode>TYPE_VIEW_TEXT_CHANGED\u003C\u002Fcode> 會外洩明文，包含密碼。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsenzhk\u002FADBKeyBoard\" target=\"_blank\" rel=\"noopener\">ADB Keyboard\u003C\u002Fa> 是測試工具，不是攻擊工具。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTHUDM\u002FOpenAutoGLM\" target=\"_blank\" rel=\"noopener\">Open-AutoGLM\u003C\u002Fa> 的廣播路徑可被同 action 的 app 攔到。\u003C\u002Fli>\u003Cli>accessibility 外洩在研究裡影響了 5 個框架。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>這對做 agent 工具的人很直接\u003C\u002Fh2>\u003Cp>研究作者說，他們在發表前先私下通知維護者。可是在 5 個 repo 裡，The Hacker News 7 月 17 日檢查時，沒有看到專門的 security policy。這很現實，也很常見。很多開源 agent 專案是先把功能堆上去，再談治理。\u003C\u002Fp>\u003Cp>問題是，這些工具不是玩具。使用者會照著安裝說明開 USB debugging，會把鍵盤 sidecar 接上去，會信任模型幫他在手機上點來點去。這種信任一旦接到 host shell，就很脆。\u003C\u002Fp>\u003Cp>研究給的修法其實很務實。移除 \u003Ccode>shell=True\u003C\u002Fcode>，改用參數陣列，截圖直接串流，不要落地到裝置儲存，廣播加上 signature permission，動作前後比對 foreground app。這些都不是 fancy 技巧，但很有效。\u003C\u002Fp>\u003Cp>也有些問題沒那麼好修。像硬體圓角、瀏海遮住的角落像素，研究就認為沒有乾淨的軟體解法。這提醒我們，agent 安全不只看模型強不強，還要看每個邊界有沒有守住。\u003C\u002Fp>\u003Ch2>接下來該盯什麼\u003C\u002Fh2>\u003Cp>如果你正在做 Android agent，我會先看三件事。第一，任何會進 shell 的字串都要當成不可信輸入。第二，截圖不要寫到可被別的程序碰到的地方。第三，所有廣播和 accessibility 都要當成攻擊面。\u003C\u002Fp>\u003Cp>我覺得這篇研究最有價值的地方，不在於它又\u003Ca href=\"\u002Fnews\u002Fgemini-3-6-flash-efficiency-over-hype-zh\">證明\u003C\u002Fa> AI 會出包。大家早就知道模型會出包。真正麻煩的是，這次出包的地方在工具鏈，還會直接碰到主機權限。\u003C\u002Fp>\u003Cp>接下來幾版 agent 工具，如果還在用拼字串、落地截圖、寬鬆廣播，安全問題只會更早爆出來。對開發者來說，現在就該把這些洞補掉，而不是等別人幫你測。\u003C\u002Fp>","研究顯示，五個開源 Android AI agent 框架都能被隱藏文字、截圖競態與廣播注入，進一步讓主機電腦執行命令。","thehackernews.com","https:\u002F\u002Fthehackernews.com\u002F2026\u002F07\u002Fopen-source-android-ai-agents-could-let.html",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784728999652-h1gn.png","research","zh","b08d275c-56cc-4614-b108-a07cbd7657f4",[17,18,19,20,21,22,23,24],"Android AI agent","host code execution","ADB","shell injection","截圖競態","accessibility","廣播注入","開源框架安全",[26,27,28],"五個開源 Android AI agent 框架都能被攻擊者誘導，進一步在主機電腦執行命令。","最危險的點是 shell 注入、截圖競態、隱藏文字和廣播輸入。","修法很務實：不要用 shell=True、不要把截圖落地、廣播要加限制。",0,"2026-07-22T14:02:47.890667+00:00","2026-07-22T14:02:47.885+00:00","eb7824c9-dca6-4704-ac12-c3d9210b1138",{"tags":34,"relatedLang":35,"relatedPosts":39},[],{"id":15,"slug":36,"title":37,"language":38},"open-source-android-ai-agents-host-code-en","Open-Source Android AI Agents Can Run Host Code","en",[40,46,52,58,64,70],{"id":41,"slug":42,"title":43,"cover_image":44,"image_url":44,"created_at":45,"category":13},"a2a16ea8-c295-4a4e-a887-89294bd40f74","coderescue-budget-calibrated-recovery-routing-zh","CodeRescue 用預算路由修復代理","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784703788706-iyd6.png","2026-07-22T07:02:32.818231+00:00",{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"b6f7330a-8146-4acf-ab45-c9367c3e61e1","appearance-pointers-region-control-dits-zh","Appearance Pointers 讓 DiT 支援區域控制","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784701999191-3ruf.png","2026-07-22T06:32:27.754954+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"b00fe485-a4d9-4916-954c-398d66830a22","gear-cuts-copying-long-context-reasoning-zh","GEAR 讓長上下文少抄多想","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784700182832-nc4d.png","2026-07-22T06:02:29.644263+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"584d0e47-4c7e-469e-8d28-236966c00188","rag17-sod1-als-nature-medicine-template-zh","RAG-17 把 SOD1-ALS 寫成可抄模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784678591746-wzd8.png","2026-07-22T00:02:47.756002+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"f039531b-dbe8-43e5-a037-5ad6ca590524","survey-of-large-language-models-zh","大型語言模型全景整理","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784629980760-ftkd.png","2026-07-21T10:32:29.369537+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"55d40b40-0d7a-4ffb-906b-18b284fb3a3a","evaluating-memory-in-llm-agents-zh","用多輪互動測 LLM 記憶","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784628186159-2km8.png","2026-07-21T10:02:36.154394+00:00",[77,82,87,92,97,102,107,112,117,122],{"id":78,"slug":79,"title":80,"created_at":81},"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":83,"slug":84,"title":85,"created_at":86},"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":88,"slug":89,"title":90,"created_at":91},"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":93,"slug":94,"title":95,"created_at":96},"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":98,"slug":99,"title":100,"created_at":101},"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":103,"slug":104,"title":105,"created_at":106},"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":108,"slug":109,"title":110,"created_at":111},"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":113,"slug":114,"title":115,"created_at":116},"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":118,"slug":119,"title":120,"created_at":121},"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":123,"slug":124,"title":125,"created_at":126},"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"]