# AISpot

> AI 產業熱點：模型、訂閱方案、Coding Agent 與地端推論，每天自動篩選與摘要。內容由 LLM 從官方部落格、版本紀錄、技術媒體與社群自動篩選，以台灣繁體中文撰寫標題與摘要；以原文為準。

## 頁面

- [精選](https://aispot.cmou.io/): 兩次獨立評分都夠高才入選，依發布時間排列
- [熱門](https://aispot.cmou.io/hot): 依 48 小時內的獨立來源數排序的事件
- [全部動態](https://aispot.cmou.io/all): 所有通過初篩的資料
- [日報](https://aispot.cmou.io/daily): 每天倫敦時間 8:00
- [關於](https://aispot.cmou.io/about): 信源清單與精選方法

## 訂閱

- [AISpot 精選](https://aispot.cmou.io/feed.xml): 兩次獨立評分都夠高才入選的 AI 資訊，同一事件只列一則。
- [AISpot 全部動態](https://aispot.cmou.io/feed/all.xml): 所有通過初篩的 AI 資訊。
- [AISpot 精選（全文）](https://aispot.cmou.io/feed/fulltext.xml): 精選，可在站內顯示全文的信源附上全文。
- [AISpot 日報](https://aispot.cmou.io/feed/daily.xml): 每天倫敦時間 8:00 的日報。

## 最近 48 小時的精選

- [llama.cpp 為 Metal 加入 F16 KV 的 tensor API flash attention 核心](https://aispot.cmou.io/a/a_fa45708d3db66482b785): llama.cpp 合併 PR #29570，在 Metal 後端新增基於 tensor API 的 flash attention 核心，支援 F16 KV 快取。同一批提交還補充了 DK=DV=512、DK=576/DV=512、DK=192/DV=128 等形狀的 tensor FA 核心，並支援 attention sinks、ALiBi 與 logit softcap。
- [@OpenAIDevs: Your dot learns how you work, keeps context across apps, coordinates Codex tasks, and flags what ne…](https://aispot.cmou.io/a/a_6ae165f02d45ebce4e03): OpenAI 開發者帳號發布 dot，它能學習使用者的工作方式、跨應用保留上下文、協調 Codex 任務，並標記需要使用者關注的事項。目前官方只給出這四項能力描述，未公布定價、可用平台與上線時間。
- [llama.cpp b11352 最佳化 qwen4exp 掩碼建置](https://aispot.cmou.io/a/a_d953821332fcd27a1c6f): llama.cpp 發布 b11352 版本，主要改動是最佳化 qwen4exp 的掩碼（mask）建置（#29824），並將同一改動應用到 GLM5-next。該版本繼續提供 macOS Apple Silicon（arm64）、iOS、Linux、Windows、Android 等平台建置，涵蓋 CUDA 12/13、Vulkan、ROCm 10.0、OpenVINO、SYCL 與 Snapdragon 後端。
- [Claude Code 2.1.288 修復恢復會話丟失上下文與超時中斷問題](https://aispot.cmou.io/a/a_da2d811b9d25331f1ec1): Claude Code 發布 v2.1.288。修復了長對話報「Prompt is too long」卻不自動壓縮、--resume 丟失剛被壓縮恢復的檔案與上下文、恢復的會話不儲存該輪最後回覆，以及回應中途 API 超時導致整輪失敗——非互動會話與子代理現在會從部分回應繼續，僅有思考內容的回應會重試。
- [微軟發布 4B 智慧體模型 FrogNano，主打倉庫級編碼](https://aispot.cmou.io/a/a_6179ecdb367924a14bfa): 微軟發布 FrogNano-4B-2609，一個面向算力有限開發者的 4B 智慧體模型，Hugging Face 上已有 GGUF 量化版本。它由 Qwen3.5-4B 派生，沿用 32 層混合 Gated DeltaNet 與門控注意力架構，後訓練為純文字、聚焦倉庫級軟體工程，用強化學習在約 1500 個 TaskPilot 生成的合成 SWE 環境上訓練，獎勵來自可執行測試，配套五工具的 Leaf harness。與行為蒸餾不同，它不訓練強模型的解題軌跡。
- [Apple 將限制 Mac 完整磁碟取用權限，應對 AI 代理風險](https://aispot.cmou.io/a/a_d38f609848f214fe238f): Apple 於週五宣布將在 Mac 上對「完整磁碟取用」（full disk access）增加新的限制與控制，要求真正想授予應用這一級別權限的使用者「必須通過非常明確的動作」才能完成授權，理由是 AI 代理帶來的風險大幅上升。此事發生前幾週，Inc 的 Jason Aten 發現 Meta 的 Muse AI 在未獲明確授權的情況下知道了他訊息的內容；Meta 發言人 Andy Stone 回應稱訊息訪問完全基於使用者主動選擇加入。
- [Ollama v0.35.1 接入 Cloudflare 決策模型 Clef 與 Clef Flash](https://aispot.cmou.io/a/a_86745252420db8933339): Ollama v0.35.1 新增對 Cloudflare 開源決策模型 Clef（27B）與 Clef Flash（9B）的支援，通過 /v1/systemone 呼叫。兩者支援多模態，請求可同時傳入圖片與文字 state，所有 questions 共享該狀態並聯合打分，返回如 noul 機率 0.958 的答案。
- [Ai2 開源 AstaBrief 8B 科學報告生成模型](https://aispot.cmou.io/a/a_e81b1dea7ce0fb42c978): Ai2 開源了 8B 的科學報告生成模型 AstaBrief，可把研究問題和檢索到的文獻片段直接寫成帶引用的報告。它已在 Asta 的 Generate a report 功能中以 Fast mode 上線，與 Claude 驅動的 Thinking mode 並列：Fast mode 平均 51.1 秒生成一份報告，Thinking mode 為 178.5 秒，快約 3.5 倍。模型基於 Qwen3-8B，用 SFT 加 DPO 訓練，一次成稿，跳過了片段摘要與聚類環節。
- [llama.cpp 上線 Decision 模型與 /v1/systemone 端點](https://aispot.cmou.io/a/a_d285a0f7b40e9d492a13): llama.cpp 最新建置已支援 Decision 模型，新增 /v1/systemone 端點，可在本地高效、私密地做 Jev 風格推理。該端點支援多個開源模型，後續還會增加。
- [Cloudflare 在 AI Gateway 推出 Web Search API](https://aispot.cmou.io/a/a_88129a7df0c27a75b639): Cloudflare 宣布與 Ceramic.ai、Exa、Linkup 三家搜尋服務商合作，在 AI Gateway 上推出 Web Search API，讓 agent 先搜尋再作答，而不是猜 URL 後 curl 出 404。開發者可通過標準 REST 介面呼叫，或在 Workers 裡用一行程式碼繫結，未來還將作為內建 Server Tools 提供。
- [llama.cpp Hexagon 後端新增 Q2_K 與 Q3_K 量化支援](https://aispot.cmou.io/a/a_e840fda6a47ad5102453): llama.cpp b11345 為 Hexagon 後端新增 Q2_K 和 Q3_K 量化型別支援，對應 PR #29717，並統一了 src1_row_size 的分配；改動由 Max Krasnyansky（maxk@qti.qualcomm.com）參與提交。
- [NVIDIA DGX Spark 增 64GB 版，10 月 23 日 4999 美元起](https://aispot.cmou.io/a/a_010abefa0fafcbd406f2): NVIDIA DGX Spark 將新增 64GB 統一記憶體版本，10 月 23 日由 Acer、ASUS、Dell、Gigabyte、HP、MSI 開賣，起價 4999 美元，保留 GB10 Grace Blackwell 晶片、DGX OS 與完整 NVIDIA AI 軟體棧，可完全本地執行最高 1000 億引數模型。兩臺機器可用 QSFP 線經 ConnectX-7 直連，記憶體池化到 128GB，模型上限提到 2000 億引數；
- [DeepSeek 發布 Harness 桌面版，支援 macOS 與 Windows](https://aispot.cmou.io/a/a_d0aaff90c3535f094f94): DeepSeek 推出 DeepSeek Harness 的打包桌面版，覆蓋 macOS 與 Windows，Linux 使用者可通過 npm 上的 @deepseek-ai/dsh 包獲取。官方在社交平台公布了這一訊息，並給出下載地址 deepseek.com/harness。
- [Pi 1.0 與 Pi Durable 發布，Pi 移植到 TypeScript](https://aispot.cmou.io/a/a_618d6b49da9ef7ffde23): Pi 1.0 與 Pi Durable 同日發布並登上 Hacker News 首頁，Pi 已加入 Earendil。Pi 1.0 新增 Codemode（原生支援 MCP、Jev 和影像模型）、虛擬模型擴充套件、延遲工具載入、Anthropic 模型快取預熱、對話中途系統訊息、新 TUI 主題與預設全屏。Pi Durable 把 Pi 移植到 TypeScript 並外接全部有狀態元件：每步記錄為檢查點任務，程序失敗或重啟後 agent 與子 agent 自動恢復；
- [Latent Space 播客：MIT 的 Alex Zhang 談 RLM 與 agent swarm](https://aispot.cmou.io/a/a_2a29c0d45038d151eae7): Latent Space 最新一期播客請到 MIT 的 Alex Zhang，聊遞迴語言模型（RLM）、AI 寫 GPU kernel 與多智慧體 swarm。據他介紹，基於 RLM 的 harness 是首個接近解出 ARC-AGI-3 的方案，早於 OpenAI 的 Astra；他還談到 OpenAI 的 1 萬 agent、1300 億輸出 token、約合 4000 萬美元的問題求解實驗。
- [OpenRouter 上線 Model Router Benchmarks 路由器評測頁](https://aispot.cmou.io/a/a_5f73c1e8846ad6e252e1): OpenRouter 推出 Model Router Benchmarks 頁面，用品質、速度、成本三個維度對比各家模型路由器，併合成 0 到 10 分的 Router Index。預設權重是品質 60%、每任務時間 20%、成本 20%，頁面上可拖動滑塊自行調整。
- [OpenAI 上線 GPT-6 Astra Ultrafast，跑在 NVIDIA Blackwell 上](https://aispot.cmou.io/a/a_72966dd5c0f3c211fde5): GPT-6 Astra Ultrafast 已上線，執行在 NVIDIA Blackwell GPU 上，面向 OpenAI 內部以及符合條件的 ChatGPT Work 和 Codex 使用者開放，token 生成速度最高可達 Astra Standard 模式的 8 倍。開發者今天就能通過 API 呼叫，接入方式、定價與實現細節見官方 Ultrafast 指南。更快的生成可縮短 coding agent 的編輯—測試—除錯迴圈，減少工具呼叫之間的等待時間。
- [Claude Code v2.1.287 新增 Claude Mods 與 You should know 外掛](https://aispot.cmou.io/a/a_d320458473217aca7741): Claude Code 發布 v2.1.287：新增 Claude Mods，外掛可以修改更深層行為；並內建 You should know，由側邊 agent 監視你或 Claude 可能遺漏的內容，用 /plugin enable cc-plugin-you-should-know@builtin 開啟（需第一方會話且開啟遙測）。agents 檢視新增 n:<text> 過濾器匹配會話名與任務；
- [@sama: Also, 6.1 Sol was our fastest-growing model ever, and was a bit slow under load.](https://aispot.cmou.io/a/a_e0341d3d1d2894a9e459): OpenAI 的 Sam Altman 表示，6.1 Sol 是公司史上增長最快的模型，此前在高負載下回應偏慢，現在應該好很多。這條訊息只提到效能改善，沒有給出具體延遲數字、上線時間或適用方案範圍。
- [何愷明團隊 NAT-ARC：純視覺解 ARC，整合達 70.2%](https://aispot.cmou.io/a/a_c6a40310e33c86876629): 何愷明團隊提出純視覺 ARC 解題方案 NAT-ARC，不用 LLM，單模型（huge，0.6B 引數）在 ARC-1 上 pass@2 達 63.4%，整合三種預訓練策略後達 70.2%，總引數約 2B。做法是先用 ImageNet（約 130 萬張自然影像）上訓練的 MAE encoder 權重初始化編碼器，再在 ARC 訓練集離線訓練，測試時對每道題單獨 LoRA 微調；