Argon 調高 effort 值得嗎？三次找漏測試與對不上的費用
同一套105個錯誤，Antigravity 的 high 三次修復37–45個，medium 是33–46個；平均差距還不足以選出穩定贏家。Gemini CLI 單次牌價估算較高，但新版彙總與逐次紀錄對不上。讀原帖、公開紀錄與中斷條件，比看名次有用。
THE ARCHIVE
消息會往前，脈絡留在這裡。
依本站整理發布日期回看內容；每篇另外標示原始事件日期。
2026.10.16
2026.10.13
AI 會擺洗碗機了？高分還不能證明洗得乾淨
DishwasherBench 公開六次模型遊玩與逐步紀錄：Sol 會把擋住餐具籃的鍋子拿掉，Astra 會找空間多放大件餐具。但早期模擬器對倒下的盤子、擁擠餐具有盲點；這場遊戲目前更像裝載測試，不能直接當成洗碗能力排名。
2026.10.12
讓 AI 接著做：共享筆記與十次表格實作的兩個案例
手機上的文章規劃，回家能換工具接續嗎？Victor 自報靠共享筆記完成；SvGrid 則以十次建置觀察，專案指示如何改變套件選擇。兩者值得學的是交接方式，不是「AI 已經什麼都記得」。
2026.10.11
五年報表變六張圖：Claude 案例真正有用的是核對順序
一位日文作者把大金年報整理成六張圖，但他明說用的是聊天 Artifacts，並非新推出的 Claude Dashboards。值得看的是先核對表格、再畫圖，以及合併報表、單位與括號人數的取值陷阱。
2026.10.10
Asana 的 76 倍省費用：快取修好了，完整表格仍要驗收
讀到完整研究，才看見76倍同時包含流程與模型改變。固定Sol與歷史預算，三次平均估算費用從US$1.97降到0.47，等待仍約四分鐘；總價答對了，要求的完整表格卻沒有交。這份32本書測試，能教你如何看代理成本與交付品質。
2026.10.08
Haiku 5.5 小修錯省錢，卻等更久：四個案例看任務代價
6 個小型 Python repo 各重跑 4 次，Haiku 全過，每次成功修復的牌價估算比 Sonnet 低，但完成時間中位數更長。換到兩個大型 repo 主動找漏，三次平均只修復 18.3／105。加上網站與 3D 展示，分清你買的是哪種成果。
2026.10.07
Mistral Large 4 查 PR 漏洞：100 題找到 35 題，優惠費用仍高於兩個對照
BugBunny 的原始測試給每個 PR 最多一小時：Large 4 找到 35／100，100 次審查費用 US$53.91，五次逾時。它比同表的 GLM-5.3 找到更多、費用更低，但 MiMo 與 DeepSeek 對照找到更多漏洞且費用更低；這份表仍沒有回答日常審查的誤報負擔。
2026.10.05
EVE 讓決策模型讀遊戲畫面：開源能自架，「四倍快」仍缺同場比較
RunAnywhere 展示讀畫面、選動作並回傳機率的 EVE，底層是 Perplexity 的公開決策模型。可選託管或自架，但約 49 GiB 權重加工作記憶體不是一般筆電門檻；150 ms 與 Jev 的另一套測量也不能直接換算四倍速度。
2026.10.02
Claude Code 開放 Mods：用量、危險指令與修改回放，現在能自己改
Mods 已有用量面板與指令預覽範例；10/4 的 2.1.289 又修正受管理機器上，複合 shell 指令內層的 deny／ask 規則被 Mod 核准蓋過的問題。官方修復說明與第三方長期穩定性，要分開看。
Runway 用影片訓練機器人：Praxis-1 有展示，公開權重仍要等
從生成影片走向實體控制。官方展示取物與跨場景操作，網友追問握力如何判斷；網站的「open-weight」是未來發布承諾，目前僅合作夥伴測試。
Olmo-core 3 把 MoE 訓練做快：官方測得 2.7 倍，並非新聊天模型
Ai2 公開大型 MoE 訓練系統：47B 模型在八張 B300 的初步測試更快。兆級參數是系統容量測試，不能讀成已有兆級模型品質成績。
2026.10.01
Argon 正式開放：工程改碼有成果，日文閱讀還有取捨
Google 已列出付費 API、Gemini Pro／Ultra 與 Antigravity 的不同入口。新增 ADK 工程案例：11 小時提出六項改動，人類 review 留下兩項；另有日文使用者比較相同知識與 Skill，偏好 Opus 的可讀性。把開放條件、工程耗時、日常閱讀分開看。
d1 現在能下載：小模型權重到了，API 版分數不能照搬
舊文的 Decision Index 比較來自 Liquid API 版 d1 與 Jev：廠商重測為 58.9 對 57.9，分項有輸有贏。現在 d1-3B 權重已公開，但模型卡另列的 48.57 是開放本機版用官方 scorer 自測、非排行榜提交；版本和測試條件不同，不能照搬舊分數。
Sol 到底省了什麼？從除錯、設計到訂閱額度的實例
同組除錯，Sol／Astra 三次平均估算費用 $5.88／$33.03；另一組熔岩燈比較，6.1 Sol 卻比 6 Sol 久、標示費用也略高。串起具體成果、玩法缺陷和額度反例，分清比較對象與成本範圍。
Jev 做了什麼？1,018 篇論文分類與語音控制 Mac
分類只花 $0.08，完整流程其實還有 $3.99 的摘要費用。兩個創作者案例，看看快速決策模型放在工作流程的哪一段，以及還沒證明的部分。
Kling 4.0 的短片能看了：演技進步，嘴型與聲音仍被挑毛病
先看完整版內測短片 SPARE，再對照創作者與觀眾的具體回應。完整版預告十月推出，現在開放的是 Ultra 年繳用戶的 Flash；原生 30 秒能力與已剪好的整部短片長度不能混為一談。
DeepSeek 開源昇騰核心工具：接近硬體上限，但公開部署還有一道關
9 月 30 日發布的 DeepGEMM-Ascend，加上 DeepEP 與 TileLang 的昇騰支援，把計算、跨晶片通訊與寫算子的工具一起補上。亮眼數字屬特定測試；DeepEP 使用的 PoC 韌體配置尚未公開分發。
中文配音別只看英文榜：新 TTS 榜單能對照文字、速度與原始聲音
Hugging Face 9 月 30 日推出 Open TTS Leaderboard。我們切到中文與無聲音複製，看到 OmniVoice 與 AuK 的辨字錯誤率幾乎相同，離線速度卻有差距；榜單還能直接聽同一段文字的輸出。
DevDay 2026：從新模型到工作空間，哪些更新值得留意？
從 Dots、Sol 到 Agents API，這次更新包含不同的推出階段。本文區分已開放、有限預覽與預告，並保留工程師對代理操作權限的原話提問。
Dots 長期助手登場：背景工作、開放方案與初期體驗
Dots 具備雲端電腦，能維持工作脈絡。Every 的初期回報提到使用習慣正在形成，也遇到漏訊息與權限問題；日常可靠度值得持續觀察。
Sonnet 5.5 更新：速度、任務成本與分歧的使用心得
Anthropic 主打更快、每件任務更省。X 上有人稱讚單檔網頁成果，也有人在與 Opus 的比較中不滿品質；不同任務得到的評價差距很大。