[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-llama-turns-model-releases-into-playbook-zh":3,"article-related-llama-turns-model-releases-into-playbook-zh":31,"series-tools-f2da2b72-a9a2-430b-845b-e52e6097547d":83},{"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":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"f2da2b72-a9a2-430b-845b-e52e6097547d","llama-turns-model-releases-into-playbook-zh","Llama 把模型發布變成 playbook","\u003Cp data-speakable=\"summary\">Llama 把模型發布拆成可執行的 playbook，重點不是模型本身，而是怎麼讓開發者看得懂、用得上。\u003C\u002Fp>\u003Cp>我追 Llama 很久了，老實說，一直有種不太對勁的感覺。模型當然有料，但每次看它的發布，我都覺得自己像在讀一份很會包裝的法務文件：這裡一個 base model，那裡一個 instruct 版本，license 又塞在角落，還要自己拼出到底能不能商用、能不能重訓、能不能直接上線。更煩的是，每一版都不是單純「更大」或「更準」而已，還混著 context、架構、授權、評測口徑，搞到最後大家不是在用模型，是在解讀模型家族樹。我想要的很簡單：一份能掃過去就知道該怎麼用的 release note。\u003C\u002Fp>\u003Cp>我後來是從 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLlama_(language_model)\">Llama (language model)\u003C\u002Fa> 這頁開始重新看整\u003Ca href=\"\u002Fnews\u002F4-things-to-know-about-chipotles-crispy-chicken-zh\">件事\u003C\u002Fa>。不是把它當產品頁，而是當一份事後拆解。它把版本史、授權爭議、架構變化、外流事件都串在一起，旁邊還能一路追到 Meta 的原始材料。這篇的起點就是這個頁面，加上它連到的 \u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fblog\u002Flarge-language-model-llama-meta-ai\u002F\">Meta Llama 公告\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama2\u002F\">Llama 2\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama3\u002F\">Llama 3\u003C\u002Fa>，以及 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmeta-llama\u002Fllama-models\">meta-llama\u002Fllama-models\u003C\u002Fa> repo。\u003C\u002Fp>\u003Ch2>別把模型發布當成一個檔案\u003C\u002Fh2>\u003Cblockquote>Llama models come in different sizes, ranging from 1 billion to 2 trillion parameters. Initially only a foundation model, starting with Llama 2, Meta AI released instruction fine-tuned versions alongside foundation models.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：模型發布不是一個東西，是一包東西。裡面有 base weights、有 instruction 版本、有不同尺寸、有 license、有時還有 code 或 multimodal 變體。Llama 很早就把這件事攤開來，雖然看起來很煩，但它其實逼大家承認：你不是在選「一個模型」，你是在選「一個模型家族裡的某個用途」。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780394605347-478t.png\" alt=\"Llama 把模型發布變成 playbook\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前幫團隊整理內部模型文件時，就踩過這個坑。大家都問我「哪個模型最好」，我每次都想翻白眼。這問題根本沒答案，除非你先回答：你要的是原始 pretraining 行為、聊天行為、code 能力，還是本地部署的輕量版。Llama 的發布方式把這些東西拆開，第一眼很吵，第二眼很有用。\u003C\u002Fp>\u003Cp>實操寫法很簡單：你自己的模型文件也不要再寫成一頁大雜燴。我通常直接切成四欄：\u003C\u002Fp>\u003Cul>\u003Cli>Base model：給研究、微調、受控評測。\u003C\u002Fli>\u003Cli>Instruction model：給 chat、assistant、客服流。\u003C\u002Fli>\u003Cli>Specialized variant：給 code、vision、long-context、multilingual。\u003C\u002Fli>\u003Cli>Operational constraints：授權、存取方式、算力需求、部署限制。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這樣做的好處很直接，團隊不會再拿錯版本，然後回頭怪模型「不會聊天」。\u003C\u002Fp>\u003Ch2>Benchmark 很好看，但它也很會講故事\u003C\u002Fh2>\u003Cblockquote>Meta AI reported the 13B parameter model performance on most NLP benchmarks exceeded that of the much larger GPT-3 (with 175B parameters), and the largest 65B model was competitive with state of the art models such as PaLM and Chinchilla.\u003C\u002Fblockquote>\u003Cp>這句話就是 Llama 早期能快速吸引人的原因。小模型打贏大模型，對工程團隊、採購、主管、甚至想換方案的人來說，都是超好用的敘事。但我現在看到這類話，都會先冷靜一下。\u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 只告訴我它在特定設定下做了什麼，不告訴我它上線後會不會亂講、不告訴我 latency 能不能接受，也不告訴我 license 讓不讓我直接 ship。\u003C\u002Fp>\u003Cp>我自己被「小而強」這種說法坑過不只一次。某個模型在 leaderboard 上漂亮得要命，結果一進產品就開始亂跑格式、長篇大論、對 domain prompt 反應很差。Llama 早期的說法厲害在它把效率包成產品訊號，但這也容易讓人太快下判斷。\u003C\u002Fp>\u003Cp>實操寫法：你自己的 release note 裡，benchmark 不要只丟一串分數，至少拆成三層：\u003C\u002Fp>\u003Cul>\u003Cli>原始結果：paper 或 eval 實際測到什麼。\u003C\u002Fli>\u003Cli>營運意義：對成本、速度、部署尺寸代表什麼。\u003C\u002Fli>\u003Cli>產品限制：這個分數沒證明什麼。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這樣比較不會把一行 leaderboard 成績，硬拗成上線決策。\u003C\u002Fp>\u003Ch2>存取政策本身就是產品的一部分\u003C\u002Fh2>\u003Cblockquote>Access to the model's weights was managed by an application process, with access to be granted \"on a case-by-case basis to academic researchers; those affiliated with organizations in government, civil society, and academia; and industry research laboratories around the world\".\u003C\u002Fblockquote>\u003Cp>也就是說，發布策略會直接決定採用速度。Llama 1 不是單純「發佈」；它是 gated 的。後來權重外流，整個討論立刻從「誰能拿到」變成「你根本擋不住怎麼辦」。這不是旁枝末節，這就是發布本身。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780394599090-sbvs.png\" alt=\"Llama 把模型發布變成 playbook\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我在做內部模型和私有 SDK 時也碰過類似問題。存取太開，支援會爆、誤用會早早出現；存取太緊，大家就繞路。Llama 早期那套 case-by-case 的方式，是想在研究可用和控制之間找平衡，但外流事件直接告訴大家，需求一熱，這種平衡其實很脆。\u003C\u002Fp>\u003Cp>實操寫法：在 launch 前就把 access model 寫死，而且寫白話，不要只丟法務術語：\u003C\u002Fp>\u003Cul>\u003Cli>誰能拿到 weights 或 binaries。\u003C\u002Fli>\u003Cli>能不能商用。\u003C\u002Fli>\u003Cli>是申請制、註冊制，還是直接下載。\u003C\u002Fli>\u003Cli>如果被鏡像或轉傳，怎麼處理。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>不要把這些藏在沒人會看的法律頁。跟下載連結放一起，跟版本資訊放一起，別假裝大家都會自己找得到。\u003C\u002Fp>\u003Ch2>外流事件提醒我：發佈後就不是你一個人的事了\u003C\u002Fh2>\u003Cblockquote>On March 3, 2023, a torrent containing Llama's weights was uploaded, with a link to the torrent shared on the 4chan imageboard and subsequently spread through online AI communities.\u003C\u002Fblockquote>\u003Cp>這件事把 Llama 的語氣整個改掉了。原本是受控研究發布，瞬間變成公開 distribution 問題。\u003Ca href=\"\u002Ftag\u002Fmeta\">Meta\u003C\u002Fa> 發 takedown，Hugging Face 也配合下架，\u003Ca href=\"\u002Ftag\u002Fgithub\">GitHub\u003C\u002Fa> 也處理了，但權重還是照樣在社群裡流動。這件事最值得記住的不是「誰擋得住」，而是「只要權重出去了，就不是你能收回來的東西」。\u003C\u002Fp>\u003Cp>我從這裡學到的不是「那就全鎖死」，而是你要預設你的 release 會被複製、被鏡像、被重包裝、被摘要。你如果不能接受這件事，就不要輕易把權重大範圍放出去。你如果能接受，就要讓你的文件、license、版本號在外部流傳時還站得住。\u003C\u002Fp>\u003Cp>我自己寫內部文件也一樣。只要文件只能在公司 wiki 看懂，那它就是脆的。模型發布也是同理。社群一開始轉傳，你真正能控制的只剩清楚度。\u003C\u002Fp>\u003Cp>實操寫法：你要寫給鏡像站和轉載頁看，不只是寫給首頁看：\u003C\u002Fp>\u003Cul>\u003Cli>檔名和文件裡都放版本號。\u003C\u002Fli>\u003Cli>下載連結旁邊直接寫 license 摘要。\u003C\u002Fli>\u003Cli>base \u002F instruct \u002F code 版本要分清楚。\u003C\u002Fli>\u003Cli>changelog 要講清楚改了什麼、為什麼改。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這樣別人就算轉載，也比較不會把你的東西弄成猜謎遊戲。\u003C\u002Fp>\u003Ch2>商用權限一變，整個產品節奏就變了\u003C\u002Fh2>\u003Cblockquote>In a further departure from the original version of Llama, all models are released with weights and may be used for many commercial use cases.\u003C\u002Fblockquote>\u003Cp>這句其實是最重要的轉折。Llama 2 開始，Meta 從研究型 gated access，往更能被產品團隊評估的發佈方式走。它還不是嚴格意義上的 \u003Ca href=\"\u002Fnews\u002Fopenai-ipo-listing-guide-cfds-exposure-zh\">open\u003C\u002Fa> source，因為有 acceptable use policy 和限制，但對很多工程團隊來說，已經比「先申請、再等、再看能不能拿」好太多。\u003C\u002Fp>\u003Cp>我看過太多團隊卡在「它到底算不算 \u003Ca href=\"\u002Fnews\u002F7-claims-in-floridas-openai-lawsuit-zh\">open\u003C\u002Fa> source」這種無聊爭論。真正該問的是：我能不能在我的產品裡用？我的風險能不能接受？法務會不會簽？Llama 2 的價值就在這裡，它把這些問題變得比較能回答。\u003C\u002Fp>\u003Cp>實操寫法：如果你要發模型，最好把技術和授權拆成兩份文件：\u003C\u002Fp>\u003Cul>\u003Cli>技術說明：架構、訓練資料摘要、評測、預期用途。\u003C\u002Fli>\u003Cli>使用說明：商用權限、限制、禁止行為。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你是使用者，也別只看「有 weights」。先看 policy。很無聊，但比之後補洞便宜。\u003C\u002Fp>\u003Ch2>Instruction tuning 不是加分項，是另一個產品\u003C\u002Fh2>\u003Cblockquote>Starting with Llama 2, Meta AI released instruction fine-tuned versions alongside foundation models.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：這個模型家族同時在做兩件事，一個版本負責原始能力，一個版本負責可用性。現在看很理所當然，但以前很多團隊都會把 base model 當成可直接聊天的東西，然後再怪它怎麼這麼難用。\u003C\u002Fp>\u003Cp>我自己也做過這種事。先拉一個 base model 測，覺得它很聰明但很煩；再補一層 instruction，整個感覺才像產品，而不是實驗室樣本。Llama 的發布節奏把這件事常態化了：base model 不是 app，instruction model 才比較接近 app。\u003C\u002Fp>\u003Cp>實操寫法：你在文件裡一定要把 instruction path 單獨寫出來：\u003C\u002Fp>\u003Cul>\u003Cli>用了哪些 instruction data。\u003C\u002Fli>\u003Cli>有沒有 human annotation。\u003C\u002Fli>\u003Cli>這層 tuning 想改善什麼。\u003C\u002Fli>\u003Cli>還剩哪些 failure mode。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這樣下游團隊才不會拿 base checkpoint 硬塞進 chat UI，然後再把問題算在模型頭上。\u003C\u002Fp>\u003Ch2>版本更新要告訴我變了什麼，不是只告訴我上線了\u003C\u002Fh2>\u003Cblockquote>The latest version is Llama 4, released in April 2025.\u003C\u002Fblockquote>\u003Cp>這句看起來很短，但真正有用的是它背後那串變化。Llama 3、3.1、4 不只是分數變好而已，還牽涉到架構、context window、模態、資料來源和部署方式。到 Llama 4 這個階段，這已經不是「更大一點」的模型，而是整個系統的打法都變了。\u003C\u002Fp>\u003Cp>我最在意的是這件事對工程的影響。我要的不是一篇像慶功文的發布稿，我要的是 changelog：我需不需要重跑 prompts、\u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa> budget 要不要重算、延遲假設要不要改、eval suite 要不要重寫。Llama 的版本史好用，就是因為它的差異真的會影響工作。\u003C\u002Fp>\u003Cp>實操寫法：每次新版本上來，第一屏就回答四件事：\u003C\u002Fp>\u003Cul>\u003Cli>架構變了什麼。\u003C\u002Fli>\u003Cli>訓練資料或 tuning 變了什麼。\u003C\u002Fli>\u003Cli>context length 或 modality 變了什麼。\u003C\u002Fli>\u003Cli>部署或授權變了什麼。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果這四點講不清楚，release note 就只是公告，不是文件。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Model Release Note Template\n\n## 這個版本是什麼\n[Model name] 是一個 [base \u002F instruction-tuned \u002F code \u002F multimodal] 模型家族，主要用在 [primary use case]。\n\n## 這次改了什麼\n- Version:\n- Architecture:\n- Parameter sizes:\n- Context window:\n- Modalities:\n- Training data summary:\n- Fine-tuning summary:\n\n## 它適合做什麼\n- Best for:\n- Not for:\n- Known failure modes:\n\n## Benchmarks\n- Metric 1: [score] on [dataset]\n- Metric 2: [score] on [dataset]\n- Evaluation setup notes:\n- What this does NOT prove:\n\n## Access and licensing\n- Weight access:\n- Commercial use:\n- Redistribution:\n- Prohibited uses:\n- Approval required:\n\n## Operational notes\n- Hardware expectations:\n- Latency considerations:\n- Memory footprint:\n- Recommended deployment pattern:\n\n## Release checklist\n- [ ] Base model documented\n- [ ] Instruction model documented\n- [ ] License summary written in plain English\n- [ ] Evaluation caveats listed\n- [ ] Changelog updated\n- [ ] Download link and version match\n\n## 一句短版介紹\n[Model name] 是一個給 [audience] 用的 [short description]，重點是 [key sizes] 與 [key constraints]。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板就是我想從 Llama 身上抄走的東西。不是它有多會講故事，而是它把模型發布拆成能被工程團隊直接使用的格式。\u003C\u002Fp>\u003Cp>我對原始來源的拆解主要來自 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLlama_(language_model)\">Wikipedia 的 Llama 條目\u003C\u002Fa>，搭配它連到的官方材料：\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fblog\u002Flarge-language-model-llama-meta-ai\u002F\">Meta 早期公告\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama2\u002F\">Llama 2\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fai.meta.com\u002Fllama3\u002F\">Llama 3\u003C\u002Fa>、以及 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmeta-llama\u002Fllama-models\">meta-llama\u002Fllama-models\u003C\u002Fa>。上面這些事實是原始資料，我這篇多做的是把它翻成台灣開發者真的能拿去用的版本。","我拆 Llama 的發布策略，整理成一份可直接套用的模型發布模板，讓你少吵 licensing，多交付。","en.wikipedia.org","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLlama_(language_model)",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780394605347-478t.png","tools","zh","ccd69f56-66e3-4418-81fc-76cf8a87f621",[17,18,19,20,21,22],"Llama","model release","playbook","instruction tuning","benchmark","licensing",[24,25,26],"模型發布要拆成 base、instruction、variant 與 operational constraints 四塊","benchmark 只能當起點，不能直接等於上線決策","授權、存取與版本說明要跟 weights 一起被寫清楚",4,"2026-06-02T10:02:51.124789+00:00","2026-06-02T10:02:51.099+00:00","ddbe17bf-4560-43f7-af76-3e7d6e08e601",{"tags":32,"relatedLang":42,"relatedPosts":46},[33,36,37,39,40],{"name":34,"slug":35},"LLaMA","llama",{"name":21,"slug":21},{"name":20,"slug":38},"instruction-tuning",{"name":19,"slug":19},{"name":18,"slug":41},"model-release",{"id":15,"slug":43,"title":44,"language":45},"llama-turns-model-releases-into-playbook-en","Llama turns model releases into a playbook","en",[47,53,59,65,71,77],{"id":48,"slug":49,"title":50,"cover_image":51,"image_url":51,"created_at":52,"category":13},"63d8b456-ad6b-475e-86e9-d4677ca226aa","magenta-realtime-2-score-inside-daw-zh","Magenta RealTime 2 讓你在 DAW 裡即時改曲","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781046204038-8tox.png","2026-06-09T23:02:55.9651+00:00",{"id":54,"slug":55,"title":56,"cover_image":57,"image_url":57,"created_at":58,"category":13},"f60261ff-a42e-4cfb-9f90-97785e633289","open-source-ai-tools-beat-claude-paid-tiers-zh","開源 AI 工具在價值上已經贏過 Claude 付費方案","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781045266035-on7t.png","2026-06-09T22:47:20.195939+00:00",{"id":60,"slug":61,"title":62,"cover_image":63,"image_url":63,"created_at":64,"category":13},"8520cd4f-2531-4808-a95d-26f590239d7a","500-ai-agent-projects-show-where-agents-work-now-zh","500 個 AI agent 專案，現在能做什麼","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781033591132-c0nh.png","2026-06-09T19:32:37.03924+00:00",{"id":66,"slug":67,"title":68,"cover_image":69,"image_url":69,"created_at":70,"category":13},"c557ef1c-7fde-4c86-918e-4fb9680ee9df","chocolatey-go-package-policy-installs-zh","Chocolatey 的 Go 安裝變成政策","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781029110289-xkbh.png","2026-06-09T18:18:05.078435+00:00",{"id":72,"slug":73,"title":74,"cover_image":75,"image_url":75,"created_at":76,"category":13},"90b2df54-df6e-417d-9e16-91e9ad2f53d7","go-support-policy-turns-releases-into-a-checklist-zh","Go 支援政策把發版變清單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781028200122-3m4u.png","2026-06-09T18:02:49.50176+00:00",{"id":78,"slug":79,"title":80,"cover_image":81,"image_url":81,"created_at":82,"category":13},"119c23c6-8ae7-4c4e-820e-1eba0730d702","rustdesk-self-hosting-secure-remote-access-zh","RustDesk 自架遠端存取部署指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781017373324-g7et.png","2026-06-09T15:02:24.118819+00:00",[84,89,94,99,104,109,114,119,124,129],{"id":85,"slug":86,"title":87,"created_at":88},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":130,"slug":131,"title":132,"created_at":133},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]