[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-minimax-m27-turns-agents-into-shipped-work-zh":3,"article-related-minimax-m27-turns-agents-into-shipped-work-zh":30,"series-model-release-8daa259f-2041-4f43-b5bc-f23f2fc3c769":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":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"8daa259f-2041-4f43-b5bc-f23f2fc3c769","minimax-m27-turns-agents-into-shipped-work-zh","MiniMax M2.7 把 agent 做成能交付","\u003Cp data-speakable=\"summary\">MiniMax M2.7 是一個偏實戰的 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 模型，適合拿來做 coding、文件修改和多步驟任務，重點是能直接抄 API 玩法。\u003C\u002Fp>\u003Cp>我用一堆 agent 模型用到現在，最煩的不是它不會講，而是它很會講。第一輪看起來都像樣，第二輪開始就飄：改 code 改到一半忘記規格，修文件修到格式整個炸掉，叫它做多步驟任務就像在跟一個會點頭的同事合作。你問它能不能做，它永遠說可以；你真的把 repo、log、文件丟給它，它就開始把事情做成聊天紀錄。\u003C\u002Fp>\u003Cp>MiniMax M2.7 讓我停下來看的原因，就是它沒有一直裝成萬能聊天\u003Ca href=\"\u002Fnews\u002Fdynaflip-robot-perception-motion-representation-zh\">機器\u003C\u002Fa>。它在 \u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002Fmodels\u002Ftext\u002Fm27\">官方頁面\u003C\u002Fa> 的說法很直白：這不是只會回話的模型，而是拿來做複雜 agent、軟體工程、Office 編修、環境互動的工作馬。這種定位我比較買單，因為我真的不缺回答問題的模型，我缺的是能把事情做完的模型。\u003C\u002Fp>\u003Cp>我這篇不是在幫它背書。我是把它的產品頁、API 範例、\u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 叙事拆開來看，看看哪些東西是真能拿去實作，哪些只是 launch 文案。原始來源就是 MiniMax 的 M2.7 頁面：\u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002Fmodels\u002Ftext\u002Fm27\">minimax.io\u002Fmodels\u002Ftext\u002Fm27\u003C\u002Fa>。我只拿它自己公開講的內容來拆，不靠外面亂傳的數字。\u003C\u002Fp>\u003Ch2>它賣的不是聊天，是把任務跑完\u003C\u002Fh2>\u003Cblockquote>Build a Complex Agent Harness Independently to Accomplish Highly Complex Productivity Tasks.\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：MiniMax 不想讓你只把 M2.7 當成 prompt 回答器，而是把它當成一個可以撐住長流程的執行核心。這句話很重要，因為很多模型都卡在「第一輪很聰明，第二輪就失憶」這個老問題。你如果只是問它一題，它會很會；你如果要它跨檔案、跨步驟、跨工具，很多模型就開始演戲。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780041824416-luq3.png\" alt=\"MiniMax M2.7 把 agent 做成能交付\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我之前做內部文件工作流時就很有感。模型可以先產出一份看起來不錯的摘要，但只要我要求它再根據最新限制改一版，它就會忘記前面講過的格式、語氣、欄位順序。這不是小 bug，這是 agent 的根本問題：它到底是在完成任務，還是在陪你聊天。\u003C\u002Fp>\u003Cp>所以我看 M2.7 的第一個重點，不是它會不會答得漂亮，而是它有沒有把「任務完成」放在核心。只要你要做的是長流程、要保留狀態、要在多次修正後還能交差，這個定位就比那些只會秀單輪效果的模型實際很多。\u003C\u002Fp>\u003Cp>實操上，我會這樣測：不要丟一個單點問題，直接給它三段式任務。先讀 repo 或文件，再提出修改方案，\u003Ca href=\"\u002Fnews\u002Ffair-final-weekend-checklist-zh\">最後\u003C\u002Fa>真的要求它產出 patch、更新說明，或整理成可交付格式。只要中間有一步掉鏈子，就代表它還不是你要的 agent 核心。\u003C\u002Fp>\u003Cul>\u003Cli>測多步驟，不測單輪聰明。\u003C\u002Fli>\u003Cli>看它能不能守住前面限制。\u003C\u002Fli>\u003Cli>看完成率，不要只看答題漂亮程度。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>它的 coding 訴求，重點是交付不是炫技\u003C\u002Fh2>\u003Cp>MiniMax 在頁面上講得很明白：M2.7 在真實軟體工程、端到端專案交付、log 分析、code security、\u003Ca href=\"\u002Ftag\u002Fmachine-learning\">machine learning\u003C\u002Fa> 任務上有不錯表現。它還提到 \u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002Fmodels\u002Ftext\u002Fm27\">SWE-Pro benchmark\u003C\u002Fa> 上是 56.22%，VIBE-Pro 是 55.6%，Terminal Bench 2 是 57.0%。我不會把這種數字當聖旨，但我會把它當成產品定位的線索。\u003C\u002Fp>\u003Cp>翻譯一下就是：它不是只想證明自己會寫一段漂亮函式，而是想證明自己能在一個真的 codebase 裡活下來。這差很多。因為真實開發的難點從來不是語法本身，而是 conventions、tests、舊 code、奇怪依賴、log 噪音，還有一堆你不想碰但又不能不碰的歷史包袱。\u003C\u002Fp>\u003Cp>我看過太多模型在 toy task 上像神，進到真實 repo 就直接變笨。尤其是要它同時看 log、修 bug、補測試、回頭改 README 的時候，很多模型會開始亂猜，或是只會給你一個很像樣但不能落地的建議。M2.7 這種把 end-to-end delivery 擺在前面的說法，至少是對準了我真正會拿來驗證的場景。\u003C\u002Fp>\u003Cp>實操寫法很簡單：你自己做一個小型內部測試集。第一題是有 tests 的 bug fix，第二題是 log triage，第三題是要同時改 code 和文件的 feature request。評分不要看文筆，要看它有沒有真的完成、修改有沒有守住原本規格、最後能不能被人接手。\u003C\u002Fp>\u003Cul>\u003Cli>要求 patch、說明、測試計畫一起交。\u003C\u002Fli>\u003Cli>用你自己的 repo，不要拿乾淨 demo。\u003C\u002Fli>\u003Cli>加一個髒一點的 edge case。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Office 編修這塊，比很多人想的還實用\u003C\u002Fh2>\u003Cp>MiniMax 說 M2.7 在 Excel、PPT、Word 的複雜編輯能力有明顯提升，特別是多輪修改和高保真編修。它還提到 GDPval-AA 上的 ELO 是 1495，並說這是 open-source models 裡最高。這種數字我會先保留態度，但它想傳達的方向很清楚：這模型不只想進工程團隊，也想進辦公文件流程。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780041819356-t1jn.png\" alt=\"MiniMax M2.7 把 agent 做成能交付\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>白話一點講，這很重要，因為很多 agent 產品死在文件工作。它可以幫你寫一段摘要，但不能保留表格；它可以幫你改簡報，但改完故事線就散掉；它可以整理 Excel，但第二輪修改就把公式或欄位結構弄壞。真正麻煩的不是生成，而是修改，而且是反覆修改。\u003C\u002Fp>\u003Cp>我以前看過模型把一份季度報告改得更「順」，結果把所有表格都洗成純文字。語言上看起來更漂亮，實際上完全不能交。這就是我會特別在意「multi-turn modifications」和「high-fidelity edits」的原因。文件工作不是創作比賽，是保留結構、維持格式、讓人能接著用。\u003C\u002Fp>\u003Cp>實操寫法：拿一份有標題層級、表格、重點條列的 Word 文件去測它。先叫它改寫，再叫它做兩次局部修正，最後要求保留格式與結構。Excel 和 PPT 也一樣，重點不是它能不能產出，而是它能不能在第二輪、第三輪還不把東西改爛。\u003C\u002Fp>\u003Cp>如果你想對照相近產品，可以看 \u003Ca href=\"https:\u002F\u002Fwww.openai.com\u002Findex\u002Fintroducing-gpt-4o\u002F\">OpenAI 的 GPT-4o\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fnews\u002Fclaude-4\">Anthropic Claude 4\u003C\u002Fa>，以及 \u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002Fmodels\u002Ftext\u002Fm25\">MiniMax M2.5\u003C\u002Fa>。我不是要幫它拉踩，我只是說這些是比較合理的參照物。\u003C\u002Fp>\u003Ch2>環境互動才是 agent 真假分水嶺\u003C\u002Fh2>\u003Cp>MiniMax 說 M2.7 有能力跟複雜環境互動，在 40 個複雜技能案例、超過 2000 tokens 的情境下，skill adherence rate 還能維持 97%。它也提到在 \u003Ca href=\"\u002Ftag\u002Fopenclaw\">OpenClaw\u003C\u002Fa> 的使用上，M2.7 比 M2.5 好，並且接近最新的 Sonnet 4.6 在 MMClaw 的表現。\u003C\u002Fp>\u003Cp>這段我看得很認真，因為 agent 真正會翻車的地方，通常不是第一步，而是長流程裡的漂移。模型一開始很乖，工具一接、上下文一長、檔案一多，它就開始忘記自己在幹嘛。那種不是大爆炸，是慢慢歪掉，最難救。97% 的 adherence 如果測試方法站得住腳，代表 MiniMax 至少有在正面處理這個問題。\u003C\u002Fp>\u003Cp>我碰過太多 agent 在工具輸出、檔案狀態、使用者臨時改需求之間直接迷路。最煩的是它不會當場承認自己迷路，它會繼續講得很完整，然後做錯。這種 drift 比明顯失敗更討厭，因為你還得花時間找出它到底在哪一步偏掉。\u003C\u002Fp>\u003Cp>實操寫法：自己做一個簡單 harness，裡面放目錄、log、checklist，讓模型先檢查、再修改、最後回報。中間故意插入一個額外限制，觀察它有沒有延續前面的約束。若你做 browser agent 或 desktop agent，再加 retry 和 interruption，才看得出它會不會回到正軌。\u003C\u002Fp>\u003Ch2>身份與情緒不是裝飾，是產品穩定性\u003C\u002Fh2>\u003Cp>MiniMax 也說 M2.7 在 identity preservation 和 emotional intelligence 上表現不錯，還提到除了 productivity use cases，也能延伸到 interactive entertainment。這句話如果放在別家我大概會翻白眼，但放在 agent 模型上，我反而覺得合理，因為有些產品本來就不是拿來寫報告，而是拿來維持一種一致的互動感。\u003C\u002Fp>\u003Cp>白話一點講，如果你做的是陪伴、角色扮演、遊戲 NPC、長對話互動產品，模型會不會突然失去人格，真的是 bug，不是風格差異。使用者不一定會說得出來，但他們會明顯感覺到：剛剛那個角色不見了。這種斷裂感一出現，體驗就直接掉下去。\u003C\u002Fp>\u003Cp>我也看過模型在同一段對話裡忽然從沉穩變成過度熱情，或是從角色語氣跳回教科書口吻，整個產品感立刻死掉。所以這裡的重點不是「情緒智商」這種漂亮詞，而是它能不能在多輪互動裡維持一致的身份與語氣。\u003C\u002Fp>\u003Cp>實操寫法：如果你的產品不是純 productivity，就一定要測 persona。先給一個角色設定，再丟進打斷、糾正、情緒變化，看看它會不會保留身份。對\u003Ca href=\"\u002Fnews\u002Ftv-recap-colbert-meyers-cancellation-take-zh\">娛樂\u003C\u002Fa>或陪伴型產品來說，這不是加分項，這是基本盤。\u003C\u002Fp>\u003Ch2>我最在意的是 API 夠不夠好接\u003C\u002Fh2>\u003Cp>MiniMax 在頁面上直接放了 API 範例，還分成 M2.7 與 M2.7-highspeed 兩個版本，說結果相同但 highspeed 更快。它也說 cache support 是自動的，不用另外設定。API endpoint 是 \u003Ca href=\"https:\u002F\u002Fapi.minimax.io\u002Fv1\u002Ftext\u002Fchatcompletion_v2\">api.minimax.io\u002Fv1\u002Ftext\u002Fchatcompletion_v2\u003C\u002Fa>，整體看起來就是標準 chat completion 風格，不需要你先跟奇怪 SDK 打架。\u003C\u002Fp>\u003Cp>這才是我會真正停下來看的地方。很多 model launch 最大的問題不是模型不行，是接入太煩。你要先研究一堆奇怪參數，再處理 cache、再處理版本差異，最後還沒開始測，時間就先燒掉一半。MiniMax 至少在這裡看起來有在想實際用法，而不是只想讓你為了 demo 興奮一下。\u003C\u002Fp>\u003Cp>我也喜歡它把 access 分成標準 API、\u003Ca href=\"\u002Ftag\u002Fai-coding-tools\">AI coding tools\u003C\u002Fa>、MiniMax Agent integration。這表示它知道不同團隊的入口不一樣。有些人要原始 API，有些人想直接接 coding 工具，有些人是要整套 agent 平台。這種產品切法比較正常，不會逼大家都走同一條死路。\u003C\u002Fp>\u003Cp>實操寫法：先用標準 API 起跑，再拿 highspeed 去跑你自己的 workload。不要預設快的就一定適合，實測 latency、輸出穩定性、token 成本才是重點。如果你在做 agent 產品，cache 行為要早點測，因為它會直接影響成本結構。\u003C\u002Fp>\u003Cp>你可以先從 \u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002Fmodels\u002Ftext\u002Fm27\">M2.7 頁面\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fapi.minimax.io\u002Fv1\u002Ftext\u002Fchatcompletion_v2\">API endpoint\u003C\u002Fa>、還有 \u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002F\">MiniMax 官網\u003C\u002Fa> 這三個地方看起來，先確認它的產品面是不是對得上你的需求。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># MiniMax M2.7 agent starter template\n\n用在你想把模型當成任務執行器，而不是聊天機器人的時候。\n\n## System prompt\nYou are an execution-focused agent.\n\nRules:\n- Finish the task, do not just discuss it.\n- Preserve constraints from earlier turns.\n- If the task involves files, logs, code, docs, or spreadsheets, inspect them before proposing changes.\n- When you modify something, explain exactly what changed and why.\n- If you are unsure, ask one focused question instead of guessing.\n- Prefer small, reversible steps.\n- Keep formatting intact unless the user explicitly asks for a redesign.\n\n## User prompt template\nTask: {describe the task}\n\nContext:\n{paste relevant files, logs, requirements, or constraints}\n\nExpected output:\n1. Short plan\n2. Execution steps\n3. Final result\n4. Risks or follow-ups\n\n## API request example\nimport requests\n\nurl = \"https:\u002F\u002Fapi.minimax.io\u002Fv1\u002Ftext\u002Fchatcompletion_v2\"\npayload = {\n  \"model\": \"MiniMax-M2.7\",\n  \"messages\": [\n    {\n      \"role\": \"system\",\n      \"content\": \"You are an execution-focused agent. Finish the task, do not just discuss it.\"\n    },\n    {\n      \"role\": \"user\",\n      \"content\": \"Task: inspect this repo, find the failing test, propose a fix, and summarize the patch.\"\n    }\n  ]\n}\nheaders = {\n  \"Authorization\": \"Bearer YOUR_API_KEY\",\n  \"Content-Type\": \"application\u002Fjson\"\n}\n\nresponse = requests.post(url, json=payload, headers=headers, timeout=60)\nprint(response.text)\n\n## Evaluation checklist\n- Did the model keep state across steps?\n- Did it complete the task end-to-end?\n- Did it preserve code, doc, or spreadsheet structure?\n- Did it handle long context without drifting?\n- Did it give a usable final artifact, not just commentary?\n\n## Good test tasks\n- Fix a failing test in a real repo\n- Rewrite a Word doc while preserving headings\n- Update a slide outline based on new requirements\n- Analyze logs and identify the likely root cause\n- Edit a spreadsheet summary without breaking formulas\n\n## What to watch for\n- Over-explaining instead of acting\n- Forgetting earlier constraints\n- Breaking formatting on multi-turn edits\n- Losing thread in long tool chains\n- Refusing to commit to a concrete next step\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段就是我會直接複製進專案的版本。不是那些漂亮卻空的 launch 文案，而是 prompt 結構、API 呼叫、評估清單。你要把 agent 做成能交付的東西，關鍵就是 system prompt 要獎勵執行、user prompt 要帶真實上下文、evaluation checklist 要懲罰漂移。少一個都很容易變成「看起來很忙，其實沒交貨」的假自動化。\u003C\u002Fp>\u003Cp>我自己的判斷很簡單：如果模型撐不住有狀態、有 artifacts、還要反覆修正的任務，我就不會把它放到使用者前面。M2.7 至少看起來是朝這個門檻設計的，所以我才覺得它比一般模型發布文案更值得拆。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002Fmodels\u002Ftext\u002Fm27\">https:\u002F\u002Fwww.minimax.io\u002Fmodels\u002Ftext\u002Fm27\u003C\u002Fa>。這篇是我根據 MiniMax 自己公開的內容做的開發者拆解，模板段落則是我把它整理成可直接複製的版本。\u003C\u002Fp>","我拆 MiniMax M2.7 的 agent 方法論，整理成可直接套用的 API 與評估模板，給想做 coding、文件與多步驟任務的開發者。","www.minimax.io","https:\u002F\u002Fwww.minimax.io\u002Fmodels\u002Ftext\u002Fm27",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780041824416-luq3.png","model-release","zh","b1e270c8-51cf-46f4-b010-33e8c686aa9b",[17,18,19,20,21],"agent model","API","coding","office editing","multi-step tasks",[23,24,25],"M2.7 的重點不是聊天，而是把多步驟任務真正跑完。","它的 coding 與 Office 訴求，核心都在交付與結構保留。","最值得直接抄的是 system prompt、user prompt 與評估清單。",5,"2026-05-29T08:03:09.374447+00:00","2026-05-29T08:03:09.352+00:00","0ccb5d2e-69f1-4354-a3e0-cb370221cd95",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,33,35,37,39],{"name":19,"slug":19},{"name":21,"slug":34},"multi-step-tasks",{"name":20,"slug":36},"office-editing",{"name":18,"slug":38},"api",{"name":17,"slug":40},"agent-model",{"id":15,"slug":42,"title":43,"language":44},"minimax-m27-turns-agents-into-shipped-work-en","MiniMax M2.7 turns agents into shipped work","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"466021f3-b8a4-4ecb-ad64-8070beaf9cbc","gemini-1-5-pro-002-flash-002-2-0-flash-update-zh","Gemini 1.5 與 2.0 Flash 更新上線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780999389960-97qh.png","2026-06-09T10:02:27.849751+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"66ce4542-3c93-4a0c-ab52-5e6f90a36212","minimax-m3-kai-fang-quan-zhong-xie-cheng-shi-reng-neng-ying-zh","MiniMax M3 證明開放權重在寫程式上仍能贏","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780968786191-lele.png","2026-06-09T01:32:30.829528+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"948a7dc4-b172-42f9-9bef-abcbbffaca18","gemini-35-flash-pricing-benchmarks-zh","Gemini 3.5 Flash 價格與長上下文解析","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780840978961-6b9n.png","2026-06-07T14:02:29.835438+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"5507f140-5223-4f68-ade6-30d9e5457638","gemma-4-12b-specs-benchmarks-run-locally-zh","怎麼做 Gemma 4 12B 本地部署","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780777971165-4bit.png","2026-06-06T20:32:24.857611+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"ef42a437-8b06-4ff5-a135-ece7662c01f4","best-kimi-models-2026-k2-5-vs-k2-thinking-zh","2026 最佳 Kimi 模型：K2.5 對 K2 Thinking","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780770790333-x3lk.png","2026-06-06T18:32:39.410186+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"fd2ad557-5c09-4758-964d-cda1c3c87a4c","kimi-k2-6-open-source-coding-agent-swarm-zh","Kimi K2.6 開源加上 Agent Swarm","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780761795960-0zg9.png","2026-06-06T16:02:21.702099+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"]