[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-singnova-h-studio-local-ai-pc-risc-v-zh":3,"article-related-singnova-h-studio-local-ai-pc-risc-v-zh":30,"series-tools-0b978827-7d9e-452a-8344-b9b6b4107931":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":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"0b978827-7d9e-452a-8344-b9b6b4107931","singnova-h-studio-local-ai-pc-risc-v-zh","SingNova-H Studio把本機AI變成PC","\u003Cp data-speakable=\"summary\">我拆 SingNova-H Studio 怎麼把 200 TOPS、本機推理和 \u003Ca href=\"\u002Fnews\u002F5-risc-v-basics-for-builders-zh\">RISC\u003C\u002Fa>-V dataflow 組成可用的 local AI PC，最後附可直接套用的評估模板。\u003C\u002Fp>\u003Cp>我最近看一堆「AI PC」發表，老實說很膩。不是貼個 NPU 標籤就想算數，就是把雲端能力硬塞進本機，講得像使用者終於被照顧了，結果一用還是要登入、要連線、要交資料。我真正在意的不是行銷詞，是這台機器能不能把模型留在身邊跑，別再把本機推理講成附加功能。\u003C\u002Fp>\u003Cp>所以我看到 Nanyang Singtech 發表 \u003Ca href=\"https:\u002F\u002Fwww.manilatimes.net\u002F2026\u002F05\u002F21\u002Ftmt-newswire\u002Fglobenewswire\u002Fnanyang-singtech-debuts-singnova-h-studio-first-risc-v-dataflow-architecture-ai-pc-with-200-tops-for-local-large-models\u002F2348818\">SingNova-H Studio\u003C\u002Fa> 時，注意力直接被兩個字抓住：\u003Cstrong>\u003Ca href=\"\u002Ftag\u002Frisc-v\">RISC-V\u003C\u002Fa> dataflow\u003C\u002Fstrong>，再加上 \u003Cstrong>200 TOPS\u003C\u002Fstrong>。這不是單純換殼的筆電規格，而是想把 local large models 這件事\u003Ca href=\"\u002Fnews\u002Fgrokipedia-turns-ai-wiki-into-copy-loop-zh\">做成\u003C\u002Fa>一台真的能用的 PC。我先不信廣告，先拆它的方法論。\u003C\u002Fp>\u003Cp>Nanyang Singtech 說自己是由 \u003Ca href=\"https:\u002F\u002Fwww.ntu.edu.sg\u002F\">Nanyang Technological University\u003C\u002Fa> 孵化，並在 \u003Ca href=\"https:\u002F\u002Fwww.atsg.com.sg\u002F\">ATxSG\u003C\u002Fa> 首次亮相。這種資料通常很愛把技術講得很滿，但工程細節又藏得很深。我反而覺得這種時候最適合拆：到底是架構真的有料，還是只是把「AI PC」三個字包裝得比較像樣。\u003C\u002Fp>\u003Ch2>別再把 AI PC 當貼紙看\u003C\u002Fh2>\u003Cblockquote>\u003Cp>“...first RISC-V dataflow architecture AI PC with 200 TOPS for local large models.”\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779362179102-h90e.png\" alt=\"SingNova-H Studio把本機AI變成PC\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003C\u002Fblockquote>\u003Cp>翻譯一下就是：它想賣的不是一台「有 AI 功能的電腦」，而是一台把本機模型運算放在核心位置的機器。這差很多。前者是功能表上的一格，後者是整台機器的設計起點。你如果真的在做推理、\u003Ca href=\"\u002Ftag\u002Frag\">RAG\u003C\u002Fa>、embedding、code assistant，差別會很快浮現。\u003C\u002Fp>\u003Cp>我之前幫團隊整理本機推理環境時，最煩的就是這種名詞遊戲。廠商都說支援 local AI，但一問就露餡：沒有離線能力、沒有穩定 runtime、沒有持續負載下的數字。講白了，能 demo 不等於能工作。\u003C\u002Fp>\u003Cp>實操上，我現在都先問三件事：第一，離線能不能跑；第二，持續 30 分鐘後會不會掉速；第三，runtime 是不是你能真的拿來接工作流，不是只能看展示影片。這三題過不了，AI PC 這個名詞我就先打折。\u003C\u002Fp>\u003Cp>如果你也在看這類產品，我建議先把 \u003Ca href=\"https:\u002F\u002Friscv.org\u002F\">RISC-V International\u003C\u002Fa> 的基本資料看過，再把 \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FTOPS_(computer_performance_measure)\">TOPS\u003C\u002Fa> 當成粗略指標，不要當聖經。TOPS 能告訴你大概有多少吞吐，但不能告訴你這台機器在真實工作負載下到底順不順。\u003C\u002Fp>\u003Ch2>RISC-V 的重點不是潮，是可改\u003C\u002Fh2>\u003Cblockquote>\u003Cp>“...RISC-V dataflow architecture...”\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>這句話的白話版是：這台機器不是只靠一顆通用 CPU 硬扛，而是想用更可客製的架構去處理模型運算。RISC-V 本身的價值，不在於它比較帥，而在於它讓硬體團隊比較能自己調整路徑，不必完全卡在單一大廠的節奏裡。\u003C\u002Fp>\u003Cp>我會特別注意 dataflow，因為 local AI 真正麻煩的地方，常常不是算力不夠，而是資料怎麼流、怎麼搬、怎麼餵進去。模型推理很多時候就是大量矩陣運算、\u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa> 流動、\u003Ca href=\"\u002Fnews\u002Fgithub-copilot-cli-1-0-49-hooks-memory-fixes-zh\">記憶\u003C\u002Fa>體搬移。如果架構是為這種模式設計的，熱、耗電、延遲就比較有機會壓下來。\u003C\u002Fp>\u003Cp>我看過太多「加速」其實只是把 CPU 包裝一下，名字換得很玄，體感還是一樣卡。dataflow 這件事比較像正經路線，因為它關心的是資料路徑本身，不是只看峰值跑分。這種設計如果做得好，最直接的好處就是少一些無謂等待。\u003C\u002Fp>\u003Cp>實操寫法很簡單：你在看硬體時，不要只問「支援什麼模型」，要問「這顆晶片是為什麼工作型態設計的」。再來是 memory bandwidth、precision、scheduler 在持續負載下怎麼表現。這些細節通常比任何「AI-ready」標章更有用。\u003C\u002Fp>\u003Cul>\u003Cli>先看它是不是為持續推理設計，不是只看 burst 數字。\u003C\u002Fli>\u003Cli>問清楚記憶體路徑，因為很多 local model 都死在這裡。\u003C\u002Fli>\u003Cli>確認是不是有針對 workload 的加速，而不是泛用算力口號。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>200 TOPS 很大聲，但不等於很好用\u003C\u002Fh2>\u003Cblockquote>\u003Cp>“...with 200 TOPS for local large models...”\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779362186020-t04p.png\" alt=\"SingNova-H Studio把本機AI變成PC\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003C\u002Fblockquote>\u003Cp>這句話的意思是：它想讓你相信本機跑大模型是可行的。這我不反對，但我會先把 200 TOPS 當成門票，不當成答案。因為峰值吞吐跟真實工作體感，常常是兩回事。跑 benchmark 很漂亮，接上你自己的 prompt chain 就開始喘，這種戲碼我看太多了。\u003C\u002Fp>\u003Cp>「local large models」這幾個字其實比 TOPS 更重要。它代表目標不是只做小型 edge inference，而是希望你真的把模型留在本機，少碰雲端。這對隱私、延遲、離線使用、還有避免月租帳單，都是實打實的好處。\u003C\u002Fp>\u003Cp>我之前做過一個內部 code-assist flow，模型單獨跑還行，一加上 retrieval、\u003Ca href=\"\u002Ftag\u002F長上下文\">長上下文\u003C\u002Fa>和幾個並發請求，硬體就開始露出原形。那次我學到一個很不爽但很有用的事：峰值算力不是可用吞吐，尤其不是你每天要面對的吞吐。\u003C\u002Fp>\u003Cp>實操上，我會把 200 TOPS 當起點，然後追問 sustained throughput、token latency、記憶體大小、量化支援、還有 30 分鐘後的熱穩定性。比較時不要只拿規格表對規格表，直接拿一個真實工作流測：一段 prompt、一個 retrieval、一段 generation。這樣比較不會被數字騙。\u003C\u002Fp>\u003Cp>如果你想看主流市場怎麼講 local AI，我會順手看 \u003Ca href=\"https:\u002F\u002Fwww.intel.com\u002Fcontent\u002Fwww\u002Fus\u002Fen\u002Fproducts\u002Fdetails\u002Fprocessors\u002Fcore-ultra.html\">Intel Core Ultra\u003C\u002Fa> 跟 \u003Ca href=\"https:\u002F\u002Fwww.amd.com\u002Fen\u002Fproducts\u002Fprocessors\u002Fryzen-ai.html\">AMD Ryzen AI\u003C\u002Fa>。不是因為它們一定更強，而是因為它們代表主流敘事。你先知道大廠怎麼定義「本機 AI」，才看得出新產品到底是補位，還是真的不一樣。\u003C\u002Fp>\u003Ch2>真正的產品是 local large models，不是那台機殼\u003C\u002Fh2>\u003Cblockquote>\u003Cp>“...for local large models...”\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>這句話我會直接翻成：它不是賣一台普通 PC 再附送 AI，而是把「本機跑模型」當成主要用途。這個差別很大。因為只要你開始跑 embeddings、reranking、code generation、甚至多模態流程，硬體就不再是背景板，而是整個工作流的地基。\u003C\u002Fp>\u003Cp>我喜歡 local large models，是因為控制權回來了。你決定資料在哪裡跑、模型怎麼換、更新怎麼控，不用每次都看雲端 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 臉色。這點很現實。尤其是你做產品或內部工具時，最煩的就是外部服務一改版，你的流程就跟著壞，還得跟團隊解釋「不是我寫爛，是對方偷偷改了」。\u003C\u002Fp>\u003Cp>實操寫法是先畫需求表，不要先看硬體。列出你要跑的模型大小、context 長度、是否需要 embedding、是否要同時做 generation、並發數多少。再回頭看機器能不能 cover。這樣你比較不會被「可跑某某模型」這種話術牽著走。\u003C\u002Fp>\u003Cp>還有一個常被忽略的點是 runtime。硬體再漂亮，runtime 不順就是廢。你要看有沒有標準工具、有沒有文件、有沒有 API，至少不要把自己鎖進一個只能看 demo 的黑盒子。能接工作流，才叫產品。\u003C\u002Fp>\u003Cul>\u003Cli>先定義你要跑的模型，再買硬體。\u003C\u002Fli>\u003Cli>不要只看吞吐，要看延遲和穩定性。\u003C\u002Fli>\u003Cli>確認 runtime 能不能離開 vendor demo 獨立使用。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>NTU 孵化代表它不是純嘴砲，但也別先高潮\u003C\u002Fh2>\u003Cblockquote>\u003Cp>“...a deep-tech company incubated by Nanyang Technological University (NTU)...”\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>這句話的白話版是：它背後大概率有研究底子，不是完全空手喊口號。這對我來說是加分，但不是蓋章通過。學術孵化通常意味著團隊真的碰過架構問題、效率問題、硬體限制，不是只會做簡報。\u003C\u002Fp>\u003Cp>不過我也踩過這種坑：研究型團隊很會做 prototype，不代表很會做產品。從實驗室走到能給開發者用，中間差的是文件、SDK、支援、供應鏈，還有一堆很無聊但很致命的細節。這些東西不性感，可是少一個都會卡。\u003C\u002Fp>\u003Cp>實操上，我會去看研究和落地中間那條橋。它有沒有 developer page？有沒有 SDK？有沒有範例？有沒有明確的 workload 定位？如果答案都很空，那你看到的可能只是研究成果的包裝版，不是能進工作流的東西。\u003C\u002Fp>\u003Cp>NTU 本身是可信的錨點，這沒問題。問題是，可信不等於可買。硬體世界最常見的教訓就是：第一版發表通常只是開始，真正決定它是不是有用的，是後面能不能讓開發者直接上手。\u003C\u002Fp>\u003Ch2>ATxSG 這種場子，最會把半成品照得很漂亮\u003C\u002Fh2>\u003Cblockquote>\u003Cp>“At this year’s ATxSG technology exhibition...”\u003C\u002Fp>\u003C\u002Fblockquote>\u003Cp>這句話的意思是：它是在一個很懂基礎建設、連線、邊緣部署的場子亮相。這其實選得不錯，因為 local AI PC 本來就不是純消費電子，它牽涉的是延遲、資料流、部署成本、還有本機算力怎麼跟現場需求對接。\u003C\u002Fp>\u003Cp>但展會也很會騙人。燈打亮、demo 跑順、講者語氣很穩，很多看起來很厲害的東西，一離開 booth 就沒了。我對這種發表一向都只給「有意圖」分數，不直接給「可用」分數。因為那中間差很遠。\u003C\u002Fp>\u003Cp>實操寫法是：你看到展會發表，不要只問它多新，要問它離開展場後還剩什麼。文件在哪？SDK 在哪？定價在哪？支援窗口在哪？如果這些都沒有，那就是表演。如果有，才值得進一步測。\u003C\u002Fp>\u003Cp>我也會建議去看 \u003Ca href=\"https:\u002F\u002Fwww.atsg.com.sg\u002F\">ATxSG 官方網站\u003C\u002Fa>，先理解這個場子到底在對誰說話。你會更容易判斷這台機器是給開發者、企業採購，還是只給媒體標題用的。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># local AI PC 評估模板\n\n用在任何宣稱能跑本機大模型的機器上。\n\n## 1) 廠商怎麼說\n- 產品名稱：\n- 架構：\n- 宣稱 TOPS：\n- 記憶體配置：\n- 支援的模型類型：\n- runtime \u002F 軟體堆疊：\n\n## 2) 我一定要驗證的事\n- 能不能完全離線跑一個有用的模型？\n- 持續 30 分鐘後延遲有沒有飄？\n- 多請求並發時會不會崩？\n- 記憶體壓力上來後表現如何？\n- runtime 能不能離開 demo 獨立使用？\n- docs、SDK、API 是否真的存在？\n\n## 3) 我的測試工作流\n- 模型：\n- context 長度：\n- prompt 類型：\n- retrieval 步驟：\n- 輸出長度：\n- 並發數：\n- 功耗 \u002F 散熱限制：\n\n## 4) pass \u002F fail\n- 峰值吞吐：\n- 持續吞吐：\n- token latency：\n- 散熱表現：\n- 離線可靠度：\n- 開發者體驗：\n\n## 5) 最後決定\n- 買 \u002F 再測 \u002F 不買\n- 原因：\n- 什麼會讓我改變判斷：\n\n## 6) 丟給廠商的短問題\n1. 這台機器最適合什麼 workload？\n2. 持續性能是多少，不是峰值。\n3. 本機實際能跑多大的模型？\n4. 開發者第一天拿得到什麼工具？\n5. runtime 壞掉時怎麼支援？\n\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這段是我把原始發表拆完之後，整理成能直接拿去問廠商、做 PoC、做採購比對的版本。原始來源是 \u003Ca href=\"https:\u002F\u002Fwww.manilatimes.net\u002F2026\u002F05\u002F21\u002Ftmt-newswire\u002Fglobenewswire\u002Fnanyang-singtech-debuts-singnova-h-studio-first-risc-v-dataflow-architecture-ai-pc-with-200-tops-for-local-large-models\u002F2348818\">The Manila Times \u002F Globe Newswire 這篇\u003C\u002Fa>；前面那些判讀和模板是我自己的整理，不是原文照抄。\u003C\u002Fp>","我拆 SingNova-H Studio 怎麼把 200 TOPS、本機推理和 RISC-V dataflow 組成可用的 local AI PC，最後附可直接套用的評估模板。","www.manilatimes.net","https:\u002F\u002Fwww.manilatimes.net\u002F2026\u002F05\u002F21\u002Ftmt-newswire\u002Fglobenewswire\u002Fnanyang-singtech-debuts-singnova-h-studio-first-risc-v-dataflow-architecture-ai-pc-with-200-tops-for-local-large-models\u002F2348818",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779362179102-h90e.png","tools","zh","f915d006-a80b-435e-a93c-a9a0b30dbd17",[17,18,19,20,21],"RISC-V","local AI PC","TOPS","dataflow architecture","on-device inference",[23,24,25],"AI PC 別只看貼紙，先驗證離線、持續負載和 runtime。","RISC-V dataflow 的價值在資料路徑與工作負載匹配，不是名詞本身。","200 TOPS 只能當門票，真正該測的是 latency、散熱和實際工作流。",34,"2026-05-21T11:15:53.381962+00:00","2026-05-21T11:15:53.33+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":31,"relatedLang":42,"relatedPosts":46},[32,34,36,38,40],{"name":21,"slug":33},"on-device-inference",{"name":19,"slug":35},"tops",{"name":20,"slug":37},"dataflow-architecture",{"name":17,"slug":39},"risc-v",{"name":18,"slug":41},"local-ai-pc",{"id":15,"slug":43,"title":44,"language":45},"singnova-h-studio-local-ai-pc-risc-v-en","SingNova-H Studio turns local AI into a PC","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"]