AI · 第 46 頁

短 benchmark 很快，不代表本機 Agent 跑到第 30 輪還快。這篇用 8K、32K、128K 累積上下文，帶你驗證 oMLX 的 RAM／SSD Prefix Cache、重啟復用、MTP 與答案正確性。

AI Eval 若能存取 answer key，pass rate 可能失真。這篇用合成 Canary、網路白名單、獨立 scorer 與 Trace auditor，教你建立可重跑的防洩漏測試。

DiffusionGemma 如何在 256-token Canvas 從隨機 token 反覆去噪？本篇拆解官方速度與品質數據，並提供可重跑的本機 A/B Test，檢查 TTFT、JSON 與 tool call。

彈一段 MIDI，停手讓 iPhone 上的小模型嘗試接下一句。本文先帶你用 RollTab 完成 call-and-response，再以 MAESTRO 與 PyTorch 建立 tiny decoder，匯出 MIDI 並設計公平的 8／16／32-note 盲式 A/B。

TrueForge 把 agent loop、MCP、skills、sandbox、approval、API 與 UI 以 MIT 授權開源，並稱同模型成本低近 30%。我們查核官方程式碼與 benchmark，發現 sandbox 可攜性、統計方法、成本公式與 production 安全仍有關鍵邊界。

AI 改遊戲場景很快，難的是判斷畫面進步或退步。本篇從零建立 Unity／Godot 可重跑的 Golden Scene：鎖定 seed、鏡頭與解析度，用 ImageMagick 分層 diff，再用 Claude 盲式 A/B rubric 輔助判斷，最後由人類批准基準。

Ornith-1.5 把任務生成、agent scaffold 與解題軌跡放進同一條 RL 訓練迴圈。本文核對三款公開權重與 headline benchmarks，說清楚這項 bounded self-improvement 的突破、證據限制與下一步驗證標準。

用虛構 API 遷移案實作 Semantica Context Graph：建立決策節點、證據邊與來源譜系，查 precedent、impact、conflict、lineage，再匯出 JSON 與 PROV-O。

CI Root-Cause Agent 校準怎麼做？從 Brier、log loss、校準曲線與 risk–coverage 開始，實作資料切分、temperature scaling、成本門檻、人工升級與 decision receipt，並下載可重現的 Python toy lab。