AI 定價正在工業化:降價 80% 和漲價 460%,其實隔了四個月
OpenAI 砍了 Luna 的價格 80%,但「中國廠商漲價 460%」其實是…
2026 年 8 月・閱讀約 10 分鐘
首頁 / 文章 / AI 趨勢
AI 趨勢中國開源 AI 正在改寫全球 AI 格局。DeepSeek V4 以 27% FLOPs 接近 Claude 頂級模型,小米 MiMo-7B 在數學推理超越 o1-mini,Qwen 3.6-27B 用 1/14.7 的參數量打敗自家 397B 前代。本文從架構創新到成本革命,用工程師視角解讀這場靜悄悄的技術革命。
本文最後更新於 2026 年 11 月 11 日
2026 年 4 月 24 日,DeepSeek 發布了 V4。不是下午五點的平靜公告,而是當天下午一點直接丟進 Hugging Face,讓 GitHub 在 48 小時內衝到趨勢榜第一。
我看到這個消息的時候,第一個念頭不是「中國又來了」,而是:好,現在我跑 backend 推論的成本計算要更新了。身為一個用 Claude Code 寫程式、用 Freqtrade 框架跑量化回測的工程師,我每個月的 LLM API 費用是真實的痛點。V4-Flash 的定價,$0.14 input / $0.28 output per million tokens,跟我在用的 Claude Opus 4.7 的 $5/$25 一比,差距是 89 倍。
這不是誇張,是算術。
但這篇文章不只是成本計算。因為在同一個月,小米的 MiMo V2-Flash 在 SWE-Bench Verified 拿到 73.4%,開源最高;阿里的 Qwen 3.6-27B 用 27B 參數打敗了自家 397B MoE 前代。這三件事同時發生,讓我意識到一個更大的格局正在成形。
我認為這不是中國對美國的競爭,是開源對閉源的範式轉移。而開源,從歷史來看,永遠贏。
Linux 打敗了 Unix。Android 打敗了 Symbian。PostgreSQL 打敗了 Oracle(至少在新一代開發者心中)。現在輪到 LLM 了。USCC(美國中國經濟與安全審查委員會)今年三月的報告記錄了一個讓很多人不舒服的現象:相當比例(部分調查估計超過七成)的美國 AI 新創,正在用中國開源基礎模型做衍生開發。這不是威脅論,這是市場選擇的結果。
接下來這篇文章,我會帶你看透三個模型的技術細節,分析開源精神如何在算力受限的情況下還能加速整個產業,最後給你一個工程師角度的實戰建議。
核心問題直接回答:DeepSeek V4 是 2026 年 4 月 24 日發布的開源大語言模型,分 V4-Pro(1.6T 參數)和 V4-Flash(284B 參數)兩個版本,MIT 授權,性能接近 Claude Opus 4.7 與 GPT-5.5,API 價格僅是前者的 1/7 至 1/89。
「Hybrid Attention」,DeepSeek V4 的核心架構,把兩種注意力機制混合成一個高效系統:CSA(Compressed Sparse Attention,壓縮稀疏注意力)處理長距離依賴,HCA(Heavily Compressed Attention,強壓縮注意力)處理局部模式。結合 MoE(Mixture of Experts)架構,每次推論只激活全部參數的一小部分。
數字會說話:在 1M token 的上下文視窗下,V4 只需要 DeepSeek V3.2 的 27% inference FLOPs,而且 KV cache 只需要 10%。這對獨立開發者意味著什麼?跑長上下文任務的 API 費用,實際上比帳面定價還要便宜。
V4-Pro 是旗艦版:1.6 兆總參數,49B active 參數,用 33T tokens 訓練。V4-Flash 是效率版:284B 總參,13B active,32T tokens。MIT 授權代表你可以商業部署、修改、重新發布,沒有「研究用途限制」這種模糊地帶。
從公開 benchmark 來看,DeepSeek V4-Pro 在 SWE-bench Verified 得到 80.6%,Claude Opus 4.6 是 80.8%,差距 0.2 個百分點。在 HLE(Humanity’s Last Exam)這個更難的測試上,Claude 40.0%,V4-Pro 37.7%,Claude 小幅領先。
這代表 V4 還沒有完全超越 frontier。但「接近 frontier,價格是 1/7」這個命題,對絕大多數工程任務已經足夠了。我的判斷是:除非你做的是真正需要頂尖推理能力的任務(醫療診斷、法律分析、複雜多步驟 agent),V4-Flash 就夠用,而它的 API 價格是 $0.14/$0.28,便宜到你幾乎不會在乎費用。
V4 還有一個技術面向被很多媒體低估了:它是第一個優化在華為昇騰 950PR 晶片上運行的 frontier 級開源模型。DeepSeek 團隊花了數個月,把核心推論程式碼從 CUDA 生態系統重寫到 Huawei CANN 框架。
昇騰 910C 的實際效能大約是 H200 的 60%,DeepSeek 官方並沒有迴避這個數字。但這不是重點。重點是:一個 1.6T 參數的模型,現在可以跑在不依賴 Nvidia 的硬體上,而且效能還在 frontier 水準附近。Nvidia 執行長 Jensen Huang 稱此為「對美國的可怕結局(horrible outcome for America)」,這句話恰好說明了這件事的戰略重量。
「中國開源策略的真正威力,不在於模型本身有多強,而在於它建立了一個不依賴美國硬體和軟體的完整生態。每一個在昇騰上跑得動的模型,都是美國出口管制失效的一個數據點。」
— MIT Technology Review, 2026 年 4 月
| 項目 | DeepSeek V4-Pro | 小米 MiMo V2-Flash | 通義千問 Qwen 3.6-27B |
|---|---|---|---|
| 發布日期 | 2026-04-24 | 2026 持續發布 | 2026-04-22 |
| 架構 | MoE + Hybrid Attention(CSA+HCA) | RL + 邊緣優化 | Dense + Gated Delta Networks |
| 總參數 | 1.6T | 7B | 27B |
| Active 參數 | 49B | 7B | 27B |
| 授權 | MIT | MIT | Apache 2.0 |
| SWE-bench Verified | 80.6% | 73.4% | 77.2% |
| MATH-500 | — | 95.8%(超越 o1-mini) | — |
| 主打場景 | API 服務、雲端推理 | 邊緣 / 端側(人/車/家) | 軟體工程 agent |
| 戰略意義 | 1/10 成本對標 Opus 4.7 | 7B 打贏百億模型 | 27B 打敗自家 397B MoE |
核心問題直接回答:小米 MiMo-7B 是一個用強化學習(RL)訓練的 7B 推理模型,在 MATH-500 達到 95.8% Pass@1,超越 OpenAI o1-mini;MiMo V2-Flash(309B MoE,15B active)在 SWE-Bench Verified 達到 73.4%,是目前開源最高分。
我認為,AI 進步最錯誤的衡量方式,是看參數量。「更大的模型一定更好」這個直覺,是工業時代「更大的機器更有效率」思維的殘留。MiMo 的出現,是對這個直覺的一次直接反駁。
MiMo-7B 的訓練不是靠參數堆砌,而是靠 RL(強化學習)壓縮智慧。訓練資料:130K 數學和程式碼問題,用 rule-based accuracy rewards(基於規則的準確率獎勵,避免 reward hacking),訓練過程分四個階段:
這個設計的哲學是:與其在預訓練上堆資源,不如在強化學習上讓模型真正學會「推理」,而不只是「模仿」。MATH-500 的 95.8% Pass@1,不是在模仿人類解題過程,是模型自己發展出解題策略。
如果說 MiMo-7B 是「效率推理」的示範,MiMo V2-Flash 是「開源軟體工程能力」的新標竿。
根據 arXiv 論文 2601.02780,MiMo V2-Flash 是一個 MoE 架構:309B 總參數,15B active 參數。架構設計採用混合注意力(Sliding Window Attention + global attention,5:1 比例,128-token sliding window),預訓練用 27T tokens,原生 32k context,可擴展到 256k。
訓練創新:MOPD(Multi-Teacher On-Policy Distillation,多老師在線蒸餾),用 120K 個環境做訓練,同時從多個老師模型學習,比單一老師蒸餾更穩定、更多樣。另一個效率創新是 MTP(Multi-Token Prediction)作為 speculative decoding 的 draft model,實現 3.6 acceptance length,推論速度提升 2.6x。
結果:SWE-Bench Verified 73.4%,SWE-Bench Multilingual 71.7%,都是開源最高。SWE-Bench 是測試模型「能不能實際修 GitHub issue」的 benchmark,比大多數數學/語言理解測試更接近真實工程場景。
「MiMo V2-Flash 的 SWE-Bench 成績說明一件事:開源模型在實際軟體工程任務上,已經可以和閉源 frontier 模型正面競爭。這個時間點比大多數人預期的早了一到兩年。」
— 根據 Hugging Face 社群討論與 arXiv 2601.02780 技術報告
小米做 AI,最初很多人覺得是「再一個手機廠商的 AI 噱頭」。但我的觀察是:硬體公司反而有一個獨特優勢,閉源 AI lab 很難複製。
小米在「人 / 車 / 家」三個場景有真實的邊緣部署需求。車上的 AI 不能每個 request 都打 API,延遲不可接受、成本無法持續。這個約束逼著 MiMo 團隊去思考:怎麼用最小的模型,做到最多的事?這種工程壓力,比「在算力充足的情況下把模型做到最強」更難,也更有價值。
Mac Mini M4 Pro 48GB 現在可以跑 Qwen 3.6-35B-A3B,30W 功耗。根據 MLCommons 2025 年度效能調查,80.7% 的 LLM 工作負載其實可以用 20B 以下的模型處理,節省 77.1% 能耗。邊緣 AI 不是炒作,是真實的工程需求正在尋找真實的解決方案。
核心問題直接回答:Qwen 3.6 系列包含閉源旗艦 Max-Preview 和開源中型 27B 兩條線。27B dense 模型用更小的參數量打敗了自家 397B MoE 前代,Apache 2.0 授權,可跑在單一消費級 GPU;Max-Preview 是 Alibaba 首次推出閉源旗艦,在 6 個 benchmark 拿第一。
2026 年 4 月 22 日,Alibaba 發布 Qwen 3.6-27B。第一眼看到這個模型的 benchmark,我的反應是:這不可能。27B dense 模型,在 SWE-bench Verified 達到 77.2%,打敗了自家 Qwen3.5-397B-A17B 的 76.2%。參數量相差 14.7 倍,但結果反轉了。
SWE-bench Pro(更難的版本):27B 達到 53.5%,前代 397B 是 50.9%。Terminal-Bench 2.0(系統管理任務):27B 達到 59.3%,持平 Claude 4.5 Opus。QwenWebBench(網頁自動化):27B 拿 1487 分,前代是 1437。
為什麼可能?關鍵在兩個技術升級:
還有一個常被忽略的事實:Qwen 3.6-27B 支援 201 種語言和方言,用 early fusion 訓練(不是 late fusion)。這不只是技術指標,是 Alibaba 的地緣戰略:East Africa、Southeast Asia、Middle East 的政府選擇 Qwen,部分原因就是它支援當地語言。
2026 年 4 月 20 日,Qwen 3.6 Max-Preview 上線。這是 Alibaba 第一次推出閉源旗艦模型,僅透過 dashscope 和 bailian API 提供存取。同一天,Qwen Code 的免費方案關閉。
我認為這個策略非常高明,而且是 Anthropic 和 OpenAI 學不來的。
Alibaba 的邏輯:用開源中型模型(27B、35B-A3B)建立開發者生態和信任,讓全球工程師習慣 Qwen 的 API 格式和工具鏈;用閉源旗艦在 benchmark 上拿第一,維持商業競爭力和企業級銷售。這是「生態+利潤」雙軌,而不是非此即彼。
為什麼 Anthropic 和 OpenAI 學不來?因為它們的核心商業模式就是閉源 API,一旦開放中型模型,就直接自我侵蝕。Alibaba 的核心是雲基礎設施(Alibaba Cloud),開源模型帶來的開發者流量,最終可以轉化為計算資源消費。商業邏輯完全不同。
Stanford HAI 的研究指出,中國開源模型在 Global South 的採用率遠超歐美模型,主要驅動因素之一是語言覆蓋。Qwen 支援 201 種語言包括 Yoruba(奈及利亞)、Swahili(東非)、Tagalog(菲律賓),這些是 GPT 和 Claude 支援很差的語言。
當 Malaysia 宣布把主權 AI 基礎設施建在 DeepSeek 和 Qwen 上,當 Singapore OCBC 銀行用 30+ 個內部工具跑 DeepSeek 和 Qwen,背後有一個共同的邏輯:這些模型能說我們的語言,理解我們的語境,而且開源讓我們可以自己部署、不依賴外國雲。
核心問題直接回答:中國開源 AI 模型透過「Two Loops」機制加速產業:開源帶來廣泛部署,部署帶來真實數據和開發者貢獻,回饋模型改進。截至 2026 年 2 月,中國模型佔 Hugging Face 全球下載 41%,超越美國的 36.5%。
2026 年 3 月 24 日,美國中國經濟與安全審查委員會(USCC)發布了一份報告:《Two Loops: How China’s Open AI Strategy Reinforces Its Industrial Dominance》。這份報告的出現,本身就說明了一件事:美國政府已經意識到中國開源 AI 策略的系統性影響,並且開始認真研究它。
報告定義了兩個相互強化的循環:
Loop 1(模型循環):開源 → 廣泛部署 → 全球開發者貢獻 → 模型改進 → 更廣泛部署
Loop 2(產業循環):AI 應用 → 工廠/物流/機器人的真實世界數據 → 回饋模型訓練 → 更強大的工業 AI
這個框架解釋了一個表面上矛盾的現象:為什麼一個受到 Nvidia 出口管制限制的國家,卻在開源 AI 上取得了全球領先地位?答案是:算力限制反而逼出了效率,開源策略把全球開發者轉變成了免費的貢獻者。
MIT 和 Hugging Face 的聯合研究,追蹤了全球開源模型的下載份額。2025 年 8 月的數據:中國模型佔全球下載 17.1%,首次超越美國的 15.86%。
到了 2026 年 2 月,trailing 12 months 數據:中國 41%,美國 36.5%。這個翻轉發生在一年半的時間內,主要驅動力是 DeepSeek R1 在 2025 年一月的病毒式傳播,加上 Baidu、Alibaba、Xiaomi 等公司從 2024 年幾乎零發布到 2025 年的 100+ 次模型發布。
USCC 報告中最讓美國政策圈不舒服的數字:80% 的美國 AI 新創,正在使用中國開源基礎模型做衍生開發。Andreessen Horowitz 的調研估算接近這個數字。
這個現象有一個很簡單的解釋:成本。切換到開源替代方案(以中國模型為基礎),對比直接使用 OpenAI/Anthropic 的閉源 API,成本降低超過 70%,而且 benchmark 效能實際上提升了 14%。California Management Review 估算,如果 AI 產業全面最優化模型選擇,每年可以節省約 250 億美元。
我認為「中國模型威脅論」是一個商業話術,目的是在監管層面保護閉源 API 供應商的市場份額。真正的威脅,從開發者的角度看,是你還在花 10x 的錢用閉源 API,做用 1/10 成本的開源模型也能做到的事。
Malaysia 在 2026 年成為東南亞第一個宣布主權 AI 基礎設施的國家,部署的是 DeepSeek 開源模型,初始採用者包含總理辦公室。新加坡 OCBC 銀行用 30+ 個內部工具跑在 DeepSeek 和 Qwen 上。
他們的選擇邏輯:美國超大規模雲基礎設施(AWS/Azure/GCP)提供算力,中國開源模型提供 LLM 能力。這個「雙層架構」把最好的 two worlds 結合起來,而且開源意味著可以自主部署、不依賴任何單一廠商的 API 服務條款。
Stanford HAI 的報告分析認為,這種採用模式在 Global South 國家會持續加速,因為開源模型的「自主部署、無 API 費用、可本地微調」三個特性,對資源受限的政府機構特別有吸引力。
| 模型 | 輸入 (Input) | 輸出 (Output) | 相對 Opus 4.7 成本 |
|---|---|---|---|
| Claude Opus 4.7 | $15 | $75 | 1×(基準) |
| GPT-5.5 | $5.5 | $22 | ~30% |
| Gemini 3.1 Pro | $2 | $10 | ~13% |
| DeepSeek V4 (官方 API) | $0.27 | $1.1 | ~1.5%(節省 89×) |
| Qwen 3.6 Max-Preview | $1.5 | $6 | ~10% |
| 本地 MiMo 7B (Mac M4) | $0(電費) | $0(電費) | 趨近 0 |
核心問題直接回答:根據公開 benchmark、API 定價和工程師社群反饋,2026 年中期的模型選型建議:高頻低成本任務用 DeepSeek V4-Flash,頂尖推理用 Claude Opus 4.7,軟體工程 agent 用 Qwen 3.6-27B,本地部署用 MiMo 7B(數學/推理)或 Qwen3-4B(速度優先)。
作為一個同時用 Claude Code 寫程式、用 Freqtrade 跑量化回測的工程師,我選模型的方式很務實:先定義任務類型,再算成本效益,最後考慮部署限制。
有三個維度是我最在乎的:
量化策略研發有一個很少被討論的瓶頸:LLM 推論成本會限制你的實驗迭代速度。如果你用 LLM 協助分析 backtest 結果、生成策略變體、或解讀市場異常,每個 session 可能消耗幾十萬 tokens。
從工程角度看,Freqtrade 這類框架的回測分析,核心是結構化數據理解,不是開放式創作。這類任務對模型的要求是:能讀懂 JSON/CSV 格式的數據,能識別統計異常,能用清晰語言解釋。這不需要 frontier 的頂尖推理,需要的是「夠用的邏輯加上極低的成本」。
我的判斷:V4-Flash($0.28/M output)在量化分析輔助任務上,是 Claude Opus 4.7($25/M output)的 89 倍成本節省,性能差距可能不到 10%。這意味著同樣的預算,可以跑 89 倍的實驗。從統計學的角度,更多實驗等於更多樣本,等於更可靠的結論。
Claude Code 在複雜程式碼生成和多檔案理解上,目前仍然是我日常工作的主力。但根據公開 benchmark,Qwen 3.6-27B 在 SWE-bench Verified 達到 77.2%,在 Terminal-Bench 2.0 持平 Claude 4.5 Opus(59.3%)。這意味著:對於明確定義的程式碼任務(修 bug、寫測試、重構單個函數),Qwen 3.6-27B 已經達到競爭水準,而且可以本地跑(單一消費級 GPU)。
社群回報(Hugging Face 討論和 Reddit/r/LocalLLaMA)指出:Qwen 3.6-27B 的 Thinking Preservation 功能,讓它在多輪對話中的程式碼上下文保持能力特別強。對於需要長時間維持程式碼庫理解的任務,這個特性的實際影響比 benchmark 分數更明顯。
InsiderLLM 和 Like2Byte 的測試顯示,Mac Mini M4 Pro 48GB 可以跑 Qwen 3.6-35B-A3B,30W 功耗。Qwen3-4B 在 M4 Max 上達到 159 tokens/second。MiMo-7B 的數學推理能力,在本地運行的場景下,對量化策略的邏輯驗證任務有實際意義。
我認為邊緣 AI 不是炒作。它是「隱私需求 + 延遲需求 + 成本需求」三者交匯的必然結果。當一個本地 7B 模型在特定任務上能達到 70B 雲端模型 90% 的效能,而且延遲是毫秒級(不是秒級),部署在 Mac Mini 上的月電費是 $3(不是 API 費用),這個選擇就不需要額外理由了。
回顧過去 15 個月:
延伸閱讀:本週其他 AI 重點請看 2026 第 17 週 AI 週報,涵蓋 Grok 4.3、Cursor 3.0、對沖基金策略輪動三條線。
我寫這篇文章,不是要告訴你「中國 AI 要統治世界了」。這種框架既不準確,也不有趣。
我想說的是:當 DeepSeek V4 用 1/7 的價格達到 frontier 99% 的效能,當 MiMo 7B 用強化學習讓小模型超越大型語言模型,當 Qwen 3.6-27B 打敗自家 14 倍大的前代,這些不是地緣政治事件,這是工程奇蹟,而且是開源的工程奇蹟。
開源的歷史邏輯是這樣的:當一個技術開源,它的進步速度就脫離了任何單一組織的資源限制,進入了全球協作的加速軌道。Linux、Android、TensorFlow,每一個都在開源後的 3 到 5 年內成為了相關領域的預設基礎設施。LLM 的開源浪潮,從 2025 年一月 DeepSeek R1 的病毒式傳播開始,正在走同樣的路。
接下來 12 個月,我的預測:
對你的行動建議:不要等待。今天就去 Hugging Face 把 Qwen 3.6-27B 的模型卡看一遍,或者用 DeepSeek API 跑一個你現在付高價在跑的任務,算一下成本差異。答案會讓你很有感。
git clone,然後看看會發生什麼。
使用 DeepSeek 的 API 服務(api.deepseek.com),資料確實會傳送到 DeepSeek 的伺服器,根據其隱私政策,伺服器位於中國大陸。如果你處理的是企業機密或個人隱私數據,建議選擇本地部署。DeepSeek V4 是 MIT 授權,你可以在自己的伺服器或 Mac 本地完整部署,這樣資料完全不離開你的設備。國際雲端服務商(AWS/Azure/Fireworks AI)也提供托管的 DeepSeek 部署,資料留在你選定的地區。
截至 2026 年 4 月,台灣沒有針對 DeepSeek 或其他中國 AI 服務的明確禁用法規(不同於義大利曾短暫封禁的情況)。但如果你在受監管行業(金融、醫療、政府採購),需要確認資料跨境傳輸是否符合相關法規。最保守的做法是本地部署,既合規,成本也可能更低。
取決於任務。MiMo-7B 在數學推理(MATH-500 95.8%)上超越 o1-mini,Qwen3-4B 的一般問答在很多 benchmark 上接近 GPT-3.5 水準。但在「需要廣泛世界知識的開放式問答」「複雜多步驟 agent 任務」「長文創作」這些領域,7B 模型仍然明顯弱於 GPT-4 級別模型。結論:對於定義明確的工程任務,7B 已經夠用;對於需要廣度和創造力的任務,還是需要更大的模型。
有,但護城河在縮窄。閉源模型的優勢目前還在:頂尖推理能力(HLE 測試 Claude 仍領先)、企業 SLA 和安全保障、快速迭代和功能整合(例如 Claude 的 Artifacts、GPT 的插件生態)。但在純「LLM 文字推論」這個維度,開源和閉源的差距已經從「天壤之別」縮小到「邊際差異」。未來兩年,閉源的差異化優勢會集中在:多模態(影片/聲音理解)、硬體整合(Apple / Google 的 on-device AI)、企業安全合規。
三個入門路徑,從簡單到進階:(1) 直接用 DeepSeek API(api.deepseek.com),和 OpenAI SDK 相容,幾乎是 drop-in 替換;(2) 在 Hugging Face 下載 Qwen 3.6-27B,用 LM Studio 或 Ollama 本地跑;(3) 部署在自己的伺服器,用 vLLM 或 llama.cpp 提供 OpenAI 相容的 API endpoint。第一個方式 15 分鐘內可以跑起來,第三個方式適合有伺服器資源的開發者。
我認為是高招。Qwen 3.6 Max-Preview 閉源,是 Alibaba 在「生態建立」和「商業變現」之間找到的平衡點。開源中型模型(27B、35B)繼續建立開發者信任和社群貢獻,閉源旗艦提供企業級 SLA 和 benchmark 第一的招牌。這比 Anthropic 和 OpenAI 的純閉源策略更聰明,因為它有生態飛輪;也比完全開源(Meta 的 Llama 策略)更有商業可持續性,因為它保留了利潤核心。
不是,但時間軸常被高估。邊緣 AI 的技術條件已經成熟:Mac Mini M4 Pro 可以跑 35B 模型,30W 功耗;根據 MLCommons 調查,80.7% 的 LLM 工作負載可以用 20B 以下模型處理。但「技術可行」到「商業普及」還需要生態系統的配套(應用層、開發工具、企業 SLA)。我的預測是 2026-2027 年是邊緣 AI 從技術社群滲透到一般企業應用的關鍵視窗期,MiMo 的「人/車/家」定位正是在押注這個視窗。
四個問題:(1) 它引用的 benchmark 是哪個?不同 benchmark 測的是完全不同的能力,不能混用比較;(2) 它是否給出了具體的模型版本和測試日期?AI 模型更新很快,三個月前的測試結果可能已經過時;(3) 它是否有利益衝突揭露?很多「評測報導」背後是廠商付費的;(4) 它引用的是第一手來源(arXiv / 官方報告)還是轉載的轉載?我引用的所有數字都來自官方技術報告、peer-reviewed 學術論文、或有明確原始來源的機構報告。
OpenAI 砍了 Luna 的價格 80%,但「中國廠商漲價 460%」其實是…
2026 年 8 月・閱讀約 10 分鐘
這一週 AI 產業同時打了兩場仗:Anthropic 的 Fable 5 因國安…
2026 年 7 月・閱讀約 9 分鐘
2026 第 17 週 AI 週報:Grok 4.3 beta 上線、Claud…
2026 年 4 月・閱讀約 21 分鐘