[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-kimi-k27-code-highspeed-mode-skips-benchmarks-zh":3,"article-related-kimi-k27-code-highspeed-mode-skips-benchmarks-zh":34,"series-model-release-a419fc45-bd6c-4ce2-a2ef-2a0467f6c02d":82},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":25,"views":30,"created_at":31,"published_at":32,"topic_cluster_id":33},"a419fc45-bd6c-4ce2-a2ef-2a0467f6c02d","kimi-k27-code-highspeed-mode-skips-benchmarks-zh","Kimi K2.7-Code 主打快，但證據還不夠","\u003Cp data-speakable=\"summary\">Moonshot 的 \u003Ca href=\"\u002Fnews\u002Fkimi-k27-whats-new-and-how-to-run-it-zh\">Kimi\u003C\u002Fa> K2.7-Code 加了 HighSpeed Mode，主打更快、Token 更省，但目前只有官方 benchmark 能支撐這些說法。\u003C\u002Fp>\u003Cp>\u003Ca href=\"\u002Ftag\u002Fmoonshot-ai\">Moonshot AI\u003C\u002Fa> 在 2026 年 6 月 12 日推出 \u003Ca href=\"https:\u002F\u002Fkimi.com\" target=\"_blank\" rel=\"noopener\">Kimi K2.7-Code\u003C\u002Fa>。三天後，又在 \u003Ca href=\"https:\u002F\u002Fhuggingface.co\" target=\"_blank\" rel=\"noopener\">Hugging Face\u003C\u002Fa> 放出 HighSpeed Mode。它的說法很直接：吞吐量最高快 6 倍，推理 Token 也少約 30%。\u003C\u002Fp>\u003Cp>講白了，這種簡報很會打。問題是，Moonshot 還沒把它送進獨立 coding benchmark。現在能看的，幾乎都是官方數字。開發者要拿它跟 \u003Ca href=\"https:\u002F\u002Fopenai.com\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\" target=\"_blank\" rel=\"noopener\">Anthropic\u003C\u002Fa> 比，只能先看價格、架構和自家測試。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>指標\u003C\u002Fth>\u003Cth>Kimi K2.7-Code\u003C\u002Fth>\u003Cth>意義\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>發布日期\u003C\u002Ftd>\u003Ctd>2026\u002F06\u002F12\u003C\u002Ftd>\u003Ctd>新模型，主打新模式\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>HighSpeed Mode\u003C\u002Ftd>\u003Ctd>最高快 6 倍\u003C\u002Ftd>\u003Ctd>適合 agentic coding 流程\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>輸入價格\u003C\u002Ftd>\u003Ctd>每百萬 Token 0.95 美元\u003C\u002Ftd>\u003Ctd>API 成本壓得很低\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>輸出價格\u003C\u002Ftd>\u003Ctd>每百萬 Token 4.00 美元\u003C\u002Ftd>\u003Ctd>還是比多數高階工具便宜\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Context window\u003C\u002Ftd>\u003Ctd>262,144 Token\u003C\u002Ftd>\u003Ctd>適合長程式碼庫\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>啟用參數\u003C\u002Ftd>\u003Ctd>約 320 億 \u002F Token\u003C\u002Ftd>\u003Ctd>MoE 讓推理成本更好控\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>HighSpeed Mode 真的有感，但不是全部\u003C\u002Fh2>\u003Cp>HighSpeed Mode 是這次最有感的賣點。Moonshot 說，中位數 coding 輸入可跑到每秒約 180 Token。短上下文任務甚至可到每秒 260 Token。對跑自動化 coding agent 的團隊來說，這不是小事。延遲一慢，整個流程就會卡住。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781795889545-t5hx.png\" alt=\"Kimi K2.7-Code 主打快，但證據還不夠\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種速度提升，對 CLI 工具特別重要。你在終端機裡等模型回應，感受會很直接。少個幾秒，體感差很多。尤其是 repo-wide refactor、批次修 bug、或多輪工具呼叫時，速度常常比理論分數更重要。\u003C\u002Fp>\u003Cp>Moonshot 也說，K2.7-Code 比 K2.6 少用約 30% 的 reasoning Token。這個數字很漂亮，但也很危險。少用 Token，\u003Ca href=\"\u002Fnews\u002Fmusk-nvidia-tie-could-speed-tesla-ai-zh\">可能\u003C\u002Fa>代表推理更精簡。也可能代表模型提早收工，複雜題反而不夠看。\u003C\u002Fp>\u003Cblockquote>“The problem with generative AI is that it doesn’t know when to stop generating.” — \u003Ca href=\"https:\u002F\u002Fnews.mit.edu\u002F2024\u002Fwhy-large-language-models-overthink-1126\" target=\"_blank\" rel=\"noopener\">Dario Amodei\u003C\u002Fa>\u003C\u002Fblockquote>\u003Cp>這句話放在這裡很貼切。模型會不會少想一點，常常比會不會多講一點更重要。Moonshot 現在是在賭，K2.7-Code 的思考更省。這件事要不要信，得看外部 benchmark。\u003C\u002Fp>\u003Cul>\u003Cli>HighSpeed Mode 主打更低延遲。\u003C\u002Fli>\u003Cli>30% 少 Token，可能省錢，也可能少想。\u003C\u002Fli>\u003Cli>180 到 260 tokens\u002Fsec，對 agent 很實用。\u003C\u002Fli>\u003Cli>CLI 工作流比聊天 demo 更吃這種優化。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>官方 benchmark 很多，但外部驗證很少\u003C\u002Fh2>\u003Cp>Moonshot 這次丟了不少自家測試。像是 Kimi Code Bench v2、Program Bench、MLS Bench Lite、MCP Atlas、MCP Mark Verified。數字看起來完整，但本質還是 vendor-run。這種分數能看趨勢，不能直接當結論。\u003C\u002Fp>\u003Cp>更麻煩的是，它還沒出現在 \u003Ca href=\"\u002Ftag\u002Fswe-bench-verified\">SWE-bench Verified\u003C\u002Fa>、DeepSWE、LiveCodeBench、GPQA Diamond 這些常見公開榜單上。對開發者來說，這就像只看店家自己貼的測試表。不是不能參考，只是你不會直接下單。\u003C\u002Fp>\u003Cp>模型選型最怕這種情況。廠商可以針對自家測試調參，分數就會很好看。可是到了真實專案，修 bug、改依賴、處理邊界案例，表現常常掉得很快。這也是為什麼外部 benchmark 還是很重要。\u003C\u002Fp>\u003Cul>\u003Cli>Kimi Code Bench v2 分數是 62.0。\u003C\u002Fli>\u003Cli>Moonshot 拿 GPT-5.5 的 69.0 來比。\u003C\u002Fli>\u003Cli>也拿 Claude Opus 4.8 的 67.4 來比。\u003C\u002Fli>\u003Cli>但這些對照用了不同 compute 模式。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>所以這些比較不能直接畫等號。你看到的是模型，也看到算力設定。這兩件事混在一起，結論就沒那麼乾淨。真的要比，還是得看同條件測試，或看實際使用資料。\u003C\u002Fp>\u003Ch2>架構很會省錢，這點倒是說得通\u003C\u002Fh2>\u003Cp>K2.7-Code 用的是 Mixture-of-Experts，也就是 MoE。總參數量到一兆，拆成 384 個專家。每個 Token 只會啟用前 8 個專家，再加 1 個共享專家。講白了，就是大模型的體積很大，但每次只動一部分。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781795883792-u9y2.png\" alt=\"Kimi K2.7-Code 主打快，但證據還不夠\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種設計很適合壓 \u003Ca href=\"\u002Ftag\u002Finference\">inference\u003C\u002Fa> 成本。因為不是每次都把全部參數拉上來跑。對 API 服務來說，這很實際。你要的是高能力，但也要能算得過帳。Moonshot 顯然很懂這點。\u003C\u002Fp>\u003Cp>它還用了 Multi-head Latent Attention，簡稱 MLA。這套東西會壓縮 key-value cache，讓長 context 不會把記憶體吃爆。這也是它能支援 256K context window 的原因。長 repo、長對話、多檔案改寫，都比較好塞。\u003C\u002Fp>\u003Cul>\u003Cli>384 個 experts，把模型切成很多專長區。\u003C\u002Fli>\u003Cli>每個 Token 只啟用約 320 億參數。\u003C\u002Fli>\u003Cli>256K context，適合長文件和長程式碼庫。\u003C\u002Fli>\u003Cli>它只有 thinking mode，沒有 instant-response 路線。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>最後這點很重要。沒有快速回應模式，就代表每次都要付推理成本。如果它真的能少用 reasoning Token，還算說得過去。若不行，成本優勢就會被吃掉一部分。\u003C\u002Fp>\u003Ch2>Moonshot 賣的是整套工具，不只是模型\u003C\u002Fh2>\u003Cp>K2.7-Code 也接到 \u003Ca href=\"https:\u002F\u002Fkimi.com\" target=\"_blank\" rel=\"noopener\">Kimi Code\u003C\u002Fa>，這是 Moonshot 的終端機導向 coding agent。月費從 19 美元起跳。這個價位，和 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude-code\" target=\"_blank\" rel=\"noopener\">Claude Code\u003C\u002Fa> 的開發者工具訂閱很接近。Moonshot 很明顯是在搶同一群人。\u003C\u002Fp>\u003Cp>這策略其實蠻合理。現在很少人只買「模型」。大家要的是模型、CLI、價格、延遲、流程整合，全部一起來。你如果只給 weights，很多團隊還是懶得自己包。Moonshot 乾脆把整套一起端上來。\u003C\u002Fp>\u003Cp>它的更新節奏也很兇。K2 在 2025 年 7 月，K2 Thinking 在 2025 年 11 月，K2.5 在 2026 年 1 月，K2.6 在 2026 年 4 月，K2.7-Code 則是 2026 年 6 月。這種速度，真的不是慢慢來。\u003C\u002Fp>\u003Cp>但企業會在意的不只速度。Moonshot 總部在北京，背後有 Alibaba、Tencent、China Mobile、Meituan 等投資人。它的 API 業務又走新加坡實體。對企業買家來說，資料怎麼流、法規怎麼套，還是得先問清楚。\u003C\u002Fp>\u003Cp>另外，這家公司也不是完全沒出過事。\u003Ca href=\"https:\u002F\u002Fincidentdatabase.ai\" target=\"_blank\" rel=\"noopener\">OECD AI Incident Database\u003C\u002Fa> 記過一筆 2026 年 4 月的事件。當時 Kimi 在一般任務中，把一位使用者的履歷細節露給另一位使用者。這不代表一定有系統性問題，但安全團隊一定會記得。\u003C\u002Fp>\u003Ch2>跟其他模型比，K2.7-Code 贏在價格和節奏\u003C\u002Fh2>\u003Cp>如果只看價格，K2.7-Code 很有攻擊性。輸入每百萬 Token 0.95 美元，輸出每百萬 Token 4.00 美元。這個組合對大量跑 agent 的團隊很有吸引力。尤其是那些一天要噴很多 Token 的工作流，差一點點就會差很多錢。\u003C\u002Fp>\u003Cp>再看 context window，262,144 Token 也很夠用。很多 coding 任務不是單次問答，而是整個 repo 的長上下文。這時候大 window 的價值就出來了。你不用一直切檔，也比較不容易失去脈絡。\u003C\u002Fp>\u003Cp>但價格低，不代表就能直接打贏。OpenAI 和 \u003Ca href=\"\u002Ftag\u002Fanthropic\">Anthropic\u003C\u002Fa> 的強項，還是穩定性、工具鏈整合、以及比較完整的外部驗證。Moonshot 現在比較像是先把成本打下來，再用速度搶試用。\u003C\u002Fp>\u003Cul>\u003Cli>K2.7-Code：輸入 0.95 美元，輸出 4.00 美元。\u003C\u002Fli>\u003Cli>Claude Code：月費 19 美元起，走成熟開發者路線。\u003C\u002Fli>\u003Cli>OpenRouter 類型平台，較能看真實使用行為。\u003C\u002Fli>\u003Cli>公開 benchmark 缺席，是目前最大短板。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>所以這場比的不是單一分數。是誰能把成本、延遲、工具整合一起做好。Moonshot 現在在價格和節奏上很猛，但還沒把信任感補齊。這就是它現在的位置。\u003C\u002Fp>\u003Ch2>中國 AI 實驗室的節奏，正在改寫開發者選項\u003C\u002Fh2>\u003Cp>Moonshot 不是唯一這樣玩的公司。中國 AI 實驗室近年都很愛用快節奏發版。先丟模型，再丟工具，再補價格。這種打法對開發者很有吸引力，因為你很快就能試到東西。\u003C\u002Fp>\u003Cp>另一個背景是，LLM 競爭已經不只拼能力。還要拼 API 成本、上下文長度、CLI 體驗、以及自架可行性。以前大家只問「準不準」。現在還要問「貴不貴」、「快不快」、「能不能接工作流」。\u003C\u002Fp>\u003Cp>這也解釋了為什麼 K2.7-Code 會先強調速度和 Token 效率。對很多團隊來說，這比單一 benchmark 分數更有感。尤其是做內部工具、資料處理、或大量自動修 code 的團隊，省下來的錢很快就看得到。\u003C\u002Fp>\u003Cp>但市場最後還是會回到一件事：能不能在真實專案裡站得住。官方數字可以先吸睛，公開測試才會讓人下決定。這個規則，現在還沒變。\u003C\u002Fp>\u003Ch2>接下來要看的，不是宣傳，而是外部測試\u003C\u002Fh2>\u003Cp>如果你現在要評估 K2.7-Code，我會建議先把它當候選，不要當結論。拿你的 repo 跑\u003Ca href=\"\u002Fnews\u002Flinux-kernel-7-1-fred-ntfs-amd-fixes-zh\">一次\u003C\u002Fa>。看它修 bug 的速度。看它在長 context 裡會不會亂掉。這些比簡報上的 6 倍快更有用。\u003C\u002Fp>\u003Cp>如果 Moonshot 之後把 K2.7-Code 丟進 \u003Ca href=\"\u002Ftag\u002Fswe-bench\">SWE-bench\u003C\u002Fa> Verified 或其他公認榜單，討論就會變得很不一樣。那時候大家才有共同基準可以比。現在沒有，就只能先看官方資料，然後自己驗證。\u003C\u002Fp>\u003Cp>我覺得這款模型短期內會吸引不少團隊試用。原因很簡單：便宜、快、又夠長上下文。可是只要外部 benchmark 還沒補上，它就還在「很有意思，但還沒完全證明自己」這一格。\u003C\u002Fp>\u003Cp>下一步很明確。先跑你自己的測試，再看 Moonshot 會不會補公開成績。這比等宣傳稿更實際，也更像真正的開發者做法。\u003C\u002Fp>","Moonshot 的 Kimi K2.7-Code 加了 HighSpeed Mode，主打更快、Token 更省，但目前只有官方 benchmark 能支撐這些說法。","www.techtimes.com","https:\u002F\u002Fwww.techtimes.com\u002Farticles\u002F318414\u002F20260615\u002Fkimi-k27-code-adds-highspeed-mode-skips-independent-benchmark-submission.htm",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781795889545-t5hx.png","model-release","zh","d18e6176-7ba9-4460-8230-425e3aeaeb86",[17,18,19,20,21,22,23,24],"Kimi K2.7-Code","Moonshot AI","HighSpeed Mode","coding model","benchmark","MoE","LLM","API",[26,27,28,29],"HighSpeed Mode 主打最高 6 倍速度，並聲稱少用約 30% reasoning Token。","目前外部 benchmark 缺席，主要只能看 Moonshot 自家數字。","MoE、MLA 與 256K context 讓它在長程式碼庫場景很有吸引力。","價格低、節奏快，但信任感與獨立驗證 هنوز 是最大變數。",0,"2026-06-18T15:17:40.944644+00:00","2026-06-18T15:17:40.934+00:00","0ccb5d2e-69f1-4354-a3e0-cb370221cd95",{"tags":35,"relatedLang":41,"relatedPosts":45},[36,37,39],{"name":21,"slug":21},{"name":18,"slug":38},"moonshot-ai",{"name":20,"slug":40},"coding-model",{"id":15,"slug":42,"title":43,"language":44},"kimi-k27-code-highspeed-mode-skips-benchmarks-en","Kimi K2.7-Code Adds HighSpeed Mode, Skips Benchmarks","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"2495916e-6109-4bd6-a948-f118ebd948ca","kimi-k27-whats-new-and-how-to-run-it-zh","Kimi K2.7 上線與驗證清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781791368143-oe0k.png","2026-06-18T14:02:24.876682+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"98c49728-7b3d-4f35-8835-4bfeddb0aa12","linux-kernel-7-1-fred-ntfs-amd-fixes-zh","Linux 7.1 上線：FRED、NTFS、AMD 一次補齊","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781787771307-ptmn.png","2026-06-18T13:02:24.621368+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"9ff13e71-8310-491e-8564-75de9520a3ea","fable-5-drew-rare-praise-ai-voices-zh","Fable 5 為何引發 AI 圈關注","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781748177844-sx21.png","2026-06-18T02:02:30.664296+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"1a90c708-48c0-4e89-a0b5-8f8b6d4b05e9","devin-pricing-june-2026-plans-limits-zh","Devin 2026 年 6 月定價拆解","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781735572958-8i40.png","2026-06-17T22:32:27.692488+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"976800ba-7c59-4890-a17c-866a751f4f61","self-host-minimax-m3-gpu-cloud-zh","MiniMax M3 自架 GPU 雲部署分析","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781716686607-r9gm.png","2026-06-17T17:17:35.332244+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"1d05b1ff-9ced-4fde-bc0d-f21e4775c8c8","apple-gemini-backed-ai-still-its-own-thing-zh","Apple 的 Gemini 血統，還是 Apple 的 AI","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781706792148-e040.png","2026-06-17T14:32:44.523843+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"58b64033-7eb6-49b9-9aab-01cf8ae1b2f2","nvidia-rubin-six-chips-one-ai-supercomputer-zh","NVIDIA Rubin 把六顆晶片塞進 AI 機櫃","2026-03-26T07:18:45.861277+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"0dcc2c61-c2a6-480d-adb8-dd225fc68914","march-2026-ai-model-news-what-mattered-zh","2026 年 3 月 AI 模型新聞重點","2026-03-26T07:32:08.386348+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"214ab08b-5ce5-4b5c-8b72-47619d8675dd","why-small-models-are-winning-on-device-ai-zh","小模型為何吃下裝置端 AI","2026-03-26T07:36:30.488966+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"785624b2-0355-4b82-adc3-de5e45eecd88","midjourney-v8-faster-images-higher-costs-zh","Midjourney V8 變快了，也變貴了","2026-03-26T07:52:03.562971+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"cda76b92-d209-4134-86c1-a60f5bc7b128","xiaomi-mimo-trio-agents-robots-voice-zh","小米 MiMo 三模型瞄準代理、機器人與語音","2026-03-28T03:05:08.779489+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"9e1044b4-946d-47fe-9e2a-c2ee032e1164","xiaomi-mimo-v2-pro-1t-moe-agents-zh","小米 MiMo-V2-Pro 登場：1T MoE 模型","2026-03-28T03:06:19.002353+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"c4b6186f-bd84-4598-997e-c6e31d543c0d","cursor-composer-2-agentic-coding-model-zh","Cursor Composer 2 走向代理式寫碼","2026-03-28T03:13:06.422716+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"e112e76f-ec3b-408f-810e-e93ae21a888a","apple-siri-gemini-distilled-models-zh","Apple Siri 牽手 Gemini 的真相","2026-03-29T04:52:57.886544+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"c679b51f-194a-463b-87fc-7695256ff752","mimo-v2-pro-vs-omni-vs-flash-2026-zh","MiMo V2 Pro、Omni、Flash 怎麼選","2026-04-02T01:18:43.576128+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"3b988fd7-6749-4f01-ba25-c0ad7486dc31","z-ai-glm-5v-turbo-design2code-claude-zh","GLM-5V-Turbo 在 Design2Code 贏了…","2026-04-02T04:03:36.31741+00:00"]