跳到正文
11月20日週五
  1. 阿里雲開發者社區 AI71

    Kimi-K3 全面解讀:模型定位、核心特徵、能力表現、適用場景及計費

    Kimi-K3 定位為面向長程編程、知識工作及推理的旗艦模型,最大輸入和輸出均為 1,048,576 Token,並已上架阿里雲百煉。它採用 KDA 混合線性注意力與注意力殘差,支援原生視覺理解,但只有思考模式。華北2(北京)/全球的輸入、輸出及快取命中價格分別為 20、100、2 元/百萬 Token,且沒有免費額度。

  2. DEV Community59

    ChatGPT 為何引用評測網站而非企業官網

    ChatGPT 較常引用行業媒體和評測網站,而非企業官網,因為前者通常提供較易核實、比較及直接摘錄的資訊。文章建議官網補上企業與產品定義、結構化參數、價格、適用邊界、原創數據和更新記錄,並確保搜尋爬蟲能存取。文中指出,OAI-SearchBot 與 GPTBot 用途不同,robots.txt 更新後系統調整約需 24 小時;測試時應啟用搜尋並記錄實際引用來源。

  3. DEV Community38

    房地產物業刊登檢索架構:確保引用可靠的排序訊號

    房地產物業搜尋應按新鮮度、控制及引用要求選擇檢索架構,並結合即時搜尋與持久索引,以兼顧最新資料和穩定的語義檢索。排序時應分開評估召回率與引用有效性,並以物業狀態、更新時間及來源證據過濾結果;Infrai 可作為網頁與向量檢索的 API 適配層,排序政策和引用核查則應由團隊自行管理。

  4. DEV Community42

    語音 AI 如何處理 API 速率限制與快取

    語音 AI 服務可透過速率限制控制與快取,減少 API 呼叫、改善延遲並遵守配額限制。文章介紹 Token Bucket、Leaky Bucket 和指數退避策略,並以 ElevenLabs TTS 每分鐘 30 次請求為例示範 Token Bucket。Python 範例會先查詢快取,未命中時呼叫 ElevenLabs 合成語音,再把音訊儲存在本機以供重用。

  5. DEV Community62

    AI Agent 完成 5 個步驟中的 4 個後,損失由誰負責?

    AI 多智能體工作流即使在某一步失敗,前序操作也可能已完成付款或預留庫存,因此單一成功/失敗標記不足以描述實際狀態。文章提出以持久化執行紀錄、冪等鍵、未知結果核對及 Saga 補償交易處理部分執行,無法確認安全下一步時則轉交人工審查。作者主張將 Agent 的決策與外部操作權分開,讓協調層管理執行和復原。

  6. DEV Community42

    摘要優先方案不敵截短文本,token 用量達 2.6 倍

    測試顯示,Qwen2.5-1.5B-Instruct 採用摘要優先方式,每 24 項任務答對 16 項,略低於截短文本的 17 項,並耗用其 2.6 倍 tokens;完整文本則答對 9 項。摘要沒有消除模型對 issue 412 的偏執,截短文本以較低成本取得相近準確度,因此作者建議維持截短文本為預設做法。

  7. 阿里雲開發者社區 AI60

    Qwen3.8-2.4T-A95B 全解析:模型定位、能力、適用場景與部署成本

    文章全面解析 Qwen3.8-2.4T-A95B 開源權重的模型定位、架構、能力表現、適用場景、部署成本與許可限制。該版本為純文字、全思考模式,原生上下文為 262,144 Token;BF16 權重約 4.89 TB,定位為多機多卡部署的可改造底座。文章亦比較其與 API 版在視覺輸入、非思考模式及內置工具上的差異,並説明 Qwen3.8-Max License 的商用門檻。

  8. DEV Community45

    AHT 全寫:平均處理時間及改善方法

    AHT(Average Handle Time,平均處理時間)是客服人員處理每次客戶聯絡所需時間的平均值,按通話時間、等候時間及通話後工作時間總和除以處理的聯絡數計算。AHT 沒有普遍適用的理想值,應先統一計算定義,再按聯絡類型設定公平目標。單看平均值可能掩蓋差異,亦應參考中位數及問題解決情況。

  9. 阿里雲開發者社區 AI32

    GEO 優化完整落地流程:一套閉環實務方案

    GEO 優化先用麥豆免費 GEO 工具監測品牌在豆包、DeepSeek、千問、元寶等 AI 平台的認知基線,再依序建立品牌知識庫、創作內容、精準分發及優化官網。完成一輪後,持續監測 AI 可見度、品牌引用率及新增引用來源,並據此調整知識庫、內容方向和分發渠道。

  10. DEV Community64

    GPT-Live-1.1 價格:活躍時間與待命時間的計費差異

    GPT-Live-1.1 按語音工作階段時長而非 token 計費,活躍時每分鐘 $0.05,WebRTC 推理暫停時每分鐘 $0.02,按秒計費且不會進位至下一分鐘。後端模型及託管工具按各自常規費率另行收費;文中以 8 小時桌面助理為例,持續開啟並使用待命模式每月需 $237.60,在使用間隔關閉工作階段則為 $44.00,按 22 個工作日計算。

  11. DEV Community59

    GPT-Live-1.1 收費解析:活躍與待機分鐘數的差異

    GPT-Live-1.1 按會話時間而非 token 收費,活躍時段每分鐘 $0.05、待機時段每分鐘 $0.02,並按秒計費。待機只適用於推理已暫停的 WebRTC 會話,後端模型與工具調用則按各自費率另行收費。以每天開啟 8 小時、實際交談 40 分鐘的桌面助理為例,不設待機的日費為 $24.00,啟用待機為 $10.80,使用間關閉會話則為 $2.00。

  12. DEV Community65

    GPT-Live-1.1 計費解讀:活躍與待命分鐘的計算方式

    GPT-Live-1.1 按語音工作階段時間計費,活躍時每分鐘 $0.05、待命時每分鐘 $0.02,並按秒計算;後端模型及工具費用另按各自標準收取。待命費率只適用於推理暫停中的 WebRTC 工作階段,並需設定喚醒策略和閒置逾時;WebSocket 和 SIP 工作階段則按連線時間收取活躍費率。文中以客服、瀏覽器語言導師及常駐助理的算例,展示通話時長、閒置時間與關閉工作階段對費用的影響。

  13. DEV Community66

    GPT-Live-1.1 定價指南:分清活動分鐘與待機分鐘

    GPT-Live-1.1 的語音費用按時間而非 token 計算,活動時段每分鐘 $0.05、待機時段每分鐘 $0.02,並按秒計費;後端模型及工具另行收費。待機費率只適用於推理暫停的 WebRTC 連線,WebSocket 和 SIP 連線則按活動費率計算。文章以多個情境試算費用,並建議長時間停用時關閉連線,以及記錄最終的 usage.seconds。

  14. DEV Community67

    GPT-Live-1.1 定價解析:活躍與待機時段如何收費

    GPT-Live-1.1 按會話時間而非 token 計費,活躍時每分鐘 $0.05、待機時每分鐘 $0.02,費用按秒計算而不向上取整。待機費率只適用於推理暫停中的 WebRTC 會話;後端 Responses 模型與託管工具則按各自正常費率另行計費。文章以三種使用情境拆算成本,並説明關閉長時間閒置的會話可減少音訊費用,但會失去即時喚醒能力。

  15. DEV Community38

    在 .NET 中為 AI 智能體實作驗證迴圈:生產環境指南

    文章説明如何在 .NET 為 AI 智能體實作驗證迴圈,並整合 Semantic Kernel 檢查 LLM 回應。文中的保險聊天機械人案例採用規則檢查和次級 LLM 判斷,幻覺率由 12 % 降至 0.4 %,平均每輪增加 180 ms 延遲。文章亦比較規則、次級 LLM 與混合驗證在延遲、成本及安全覆蓋上的取捨,並提醒留意重試、分佈式狀態及可觀測性。

  16. DEV Community76

    Rails Ruby2Shell RCE 漏洞:如何檢查 API 是否受影響

    Ruby2Shell(CVE-2026-132825)會影響使用特定 Ruby 版本的 Rails API,修復方式是升級 Ruby,而非更新 gem。受影響範圍包括 Ruby 2.4.0 至 3.3.13、3.4.0 至 3.4.12,以及 4.0.0 至 4.0.9;修補版本分別為 3.3.14、3.4.13 和 4.0.10。

    推薦理由:文章整理 Ruby2Shell 的受影響與修補版本,並説明應在實際服務 API 的環境核對 Ruby 版本,單靠更新 Rails gem 無法修復漏洞。

  17. DEV Community58

    大語言模型為何會誤讀 Excel,以及如何用 Python 修正

    文章指出,Excel 公式、合併儲存格和數字顯示格式會令大語言模型誤讀資料,並示範以 Python 的 Spire.XLS 整理工作簿。流程包括檢查工作表結構、計算公式、攤平合併儲存格,再按用途匯出 CSV、JSON 或 Markdown;需要控制欄位型別時,可逐欄建立 JSON 記錄。作者指出,這套做法修正的是資料形狀,商業語義如何處理仍由使用者決定。

  18. DEV Community47

    1688 搜尋網址為何會在 UTF-8 下失效?以 Python 建模 TikTok Shop/FBA 真實到岸利潤

    AI True Labs 指出,1688 搜尋網址需要 GBK 字節百分比編碼,使用 UTF-8 會導致搜尋結果亂碼,並以 Python 建立到岸利潤及退貨損失模型。售價 $24.99、廣告前貢獻利潤 $6.80 的商品,損益平衡 ROAS 為 3.67x。工具包括免登入互動計算器,以及零依賴、採用 MIT 授權的開源 MCP 伺服器。

  19. 阿里雲開發者社區 AI30

    從0到1實戰指南:企業如何建設數據系統,實現底層數據資產化?

    阿里雲瓴羊Dataphin以「統接入—統建模—統開發—統服務」四階段路徑,協助企業從數據接入與治理走向業務消費。其2026版採用「三大支柱+AI引擎」架構,將標準、質量規則與安全策略納入建模、開發及發布流程。數據資產化的驗收重點,是非技術業務人員能否不求助IT,獨立取得可信數據。

  20. 新浪科技48

    Gemma3 在 14MB 記憶體的打印機上運行,每分鐘生成一個 token

    Google DeepMind 工程師 Omar Sanseviero 將 270M 參數的 Gemma 模型放進理光辦公室雷射打印機運行,無需修改打印機韌體或外接計算板。實驗以 PostScript 文件執行推理,配合 Carbon 輕量推理引擎及動態層流式載入,峯值記憶體佔用為 14MB,生成速度約每分鐘一個 token。Sanseviero 表示,這是把硬件推至極限的測試,距離實際應用仍遠。