
Sign up to save your podcasts
Or


100 萬 token 的模型,Uber 為何在 40 萬就壓縮?用五次請求拆算傳入量與快取費
同一段對話到了 40 萬 token,模型還有空間,Uber 的互動式工具卻已經開始壓縮。Uber 工程師 Uday Kiran Medisetty 在 2026 年 8 月 27 日的工程文章寫道,即使模型的上下文視窗可容納 100 萬 token,這套工具仍會在 40 萬 token 觸發自動壓縮。每次請求都會重送對話歷史、專案背景和工具回傳結果,提早縮短上下文,後續每次請求就能少帶一部分內容。Uber 把 40 萬視為模型表現、快取重建與重複輸入成本之間的折衷,並觀察到整體每次請求的傳入量下降。文中未公布這個門檻帶來的確切降幅。 來源 3
提早壓縮,五次請求能少送多少?
用五次假設請求算一遍。第一次傳入 36 萬 token,之後每次多帶 2 萬。若等到 100 萬才壓縮,這五次都照送。若設在 40 萬,第三次送出前就觸發壓縮,假定把原本要送的 40 萬縮到 12 萬,後兩次仍各增加 2 萬。這裡的起始量、增量和壓縮後大小都是算例設定。 來源 3
| 請求 | 等到 100 萬才壓縮(萬 token) | 40 萬就壓縮(萬 token) | | --- | --- | --- | | 第 1 次 | 36 | 36 | | 第 2 次 | 38 | 38 | | 第 3 次 | 40 | 12 | | 第 4 次 | 42 | 14 | | 第 5 次 | 44 | 16 | | 合計 | 200 | 116 |
來源 3
從第三次起,每次都少帶 28 萬 token。五次合計從 200 萬降到 116 萬,以原本的 200 萬為基準,傳入量少了 42%。這個比例只算表中五次請求帶進模型的 token,包含快取讀取和寫入的部分。摘要處理與模型輸出的費用,以及壓縮後的任務品質,需要另外量測。 來源 3 來源 2
同樣五次請求,快取為什麼會算出不同的錢?
提示快取讓 API 重用提示開頭相同的內容。以圖中的費率來算,一段固定內容若按一般輸入價計是 1 倍,讀取快取只要 0.10 倍,寫入 5 分鐘和 1 小時的快取則分別要 1.25 倍和 2 倍。快取被使用時會刷新有效期,時間從該次請求開始算。Claude API 文件也列出部分模型的讀取費率例外,實際計費要看使用的模型。 來源 2 來源 3
編輯圖解(AI 生成)。寫入請求開始時起算,命中請求開始時刷新
Uber 圖中的主對話有兩次長空檔,分別是 16 和 14 分鐘。用 5 分鐘快取,五次請求得寫入三次、讀取兩次,合計 3.95 倍。改用 1 小時快取,只寫一次、讀四次,合計 2.40 倍,比 5 分鐘方案便宜約 39%。下方的子代理從第一次到第五次請求開始只隔了 85 秒,兩種期限都只需寫一次。這時 5 分鐘快取合計 1.65 倍,比 1 小時的 2.40 倍便宜約 31%。兩個百分比都只比較圖中同一段固定提示內容的快取讀寫費。 來源 3
[](https://tb-static.uber.com/prod/udam-assets/f6134160-6beb-4272-8d88-2bee792d0403.png)
右側合計以同一段固定提示內容傳入一次的一般輸入價為 1 倍。
怎麼量出少送的 token 和省下的費用?
比較壓縮門檻時,固定模型與快取期限,重跑同一批任務。把每次的一般輸入、快取寫入和快取讀取 token 數相加,再比較每次請求及整段工作階段的傳入量。評估整體效果時,也記下摘要處理與輸出的費用,並用同一標準檢查任務結果。 比較快取期限時,固定模型、壓縮設定和提示內容,讓各組從相同的快取狀態開始,並記下相鄰請求開始時間的間隔。從 API 回傳的用量取出一般輸入、快取寫入與快取讀取 token 數,各自乘上適用單價再加總。把傳入量與費用並排,就能看出花費下降時,送進模型的內容是否變少,以及有多少輸入改按快取讀取價計費。
來源 2 來源 3
編輯圖解(AI 生成)。一般輸入、快取寫入、快取讀取,token 直接相加得傳入量,各乘適用單價再加總得輸入費
原文:https://easyvibecoding.app/curated/3834-uber-agent-400k-context-compaction
LangSmith Tool Gateway 開放公測,代理能用哪些工具、用誰的帳號?
一家美國大型零售商正在開發兩個用途不同的代理。門市助理用員工自己的憑證查庫存、班表和郵件,盤點代理則每天凌晨 3 點用自己的服務憑證核對庫存。LangChain 在 11 月 19 日於 LangSmith Agent Platform 開放 Tool Gateway 公開測試,讓團隊在同一個入口管理工具清單、呼叫身分和使用政策。 來源 1
代理接上網址後,會看到哪些工具?
代理接上某個工具套件的 MCP 網址後,在這個入口只會看到該套件收錄的工具。團隊可以在 LangSmith 的 Tools 頁面啟用 Google、GitHub 等內建服務,也可以用網址加入自己的 MCP 伺服器,再挑出代理需要的工具。每組套件有一個 MCP 網址,可以供個人使用或分享給整個工作區。支援 MCP 的客戶端可透過這個網址取得工具清單並發出呼叫。 來源 1
[](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6afe621e80523ccef7ddb24fimage.png)
工具呼叫會用誰的憑證?
以零售商的例子來看,門市助理可以沿用員工自己的權限。員工連結帳號後,閘道每次都用該員工的憑證呼叫工具。如果帳號還沒連結,閘道會回傳登入連結,等員工完成驗證後再繼續。凌晨自行執行的盤點代理則可以使用自己的服務憑證。LangSmith 也支援由工作區管理員預先連結共用憑證,供背景執行的代理使用。 來源 1
編輯圖解(AI 生成)。門市助理使用員工憑證,帳號未連結時先登入,凌晨 3 點盤點代理使用服務憑證
工具已在套件裡,哪些呼叫還是會被擋?
管理員可在組織或工作區層級設定拒絕政策,針對特定使用者、服務金鑰或兩者的組合擋下工具呼叫,也可以先擋下所有呼叫者,再列出例外。像寫入資料倉儲這類敏感操作,也可以設定為每次都要使用者在 MCP 客戶端確認後才執行。若要取得拒絕政策功能,公告請團隊查閱文件或聯絡 LangChain。 來源 1
[](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6afee1df9312ec54e1514737fig3-policies.png)
畫面示範組織層級的政策,適用於該組織的所有工作區。
隔天怎麼查盤點代理用了誰的權限?
啟用 Tool Gateway 的工具呼叫追蹤後,可以回到那次代理執行紀錄,查看它用了哪個工具和伺服器、以誰的身分呼叫、結果如何,以及花了多久。工具收到與傳回的資料內容都不會存進這份閘道紀錄。Enterprise 方案另有組織層級的稽核日誌,可以跨工作區查哪個工具以誰的身分執行。 來源 1
[](https://cdn.prod.website-files.com/65c81e88c254bb0f97633a71/6afee1fdbdfdbdbfb3bc10d9fig4-trace.png)
原文:https://easyvibecoding.app/curated/3833-langsmith-tool-gateway-public-beta
影片模型能在做菜出錯時提醒嗎?油量不足抓得到,整道菜仍常漏報
食譜要在大鍋裡加四大匙橄欖油。影片裡的人倒了一大匙,就把油瓶擱到一旁。研究團隊把食譜指令和第一人稱畫面交給模型,讓它們隨影片進度判斷。Gemini 3 Flash 在對方拿出大匙時,誤以為那是量杯,還叫對方改用大匙。等油瓶放下,它已經在油量不足時判定完成。以 Ego-CoMist+ 微調的 Qwen3.5-2B 則在油瓶放下時指出只加了一大匙,等剩下三大匙加進鍋裡,才確認完成。 來源 2
[](https://arxiv.org/html/2606.09547v3/compex3.png)
三列共用上方的操作時間軸,從左到右讀。
少一匙,什麼時候才算做錯?
煮番茄麵疙瘩的片段把這個時機拍得很清楚。指令是往水裡加兩茶匙鹽,第一茶匙下鍋時,一切都還照著食譜走。等參與者蓋上鹽罐,才有線索判斷他可能打算收手。在這段 Ego-MC-Bench 的錄影裡,鏡頭外的指導員提醒補鹽,等參與者補足後再確認完成。研究用這類人工回饋當參考,測試模型能否一邊看畫面,一邊判斷該等、該提醒,還是該確認完成。 來源 2
[](https://arxiv.org/html/2606.09547v3/datasetex1.png)
箭頭在第二排接續時間軸,蓋罐排在補鹽提醒之前。
作者提供的 Ego-MC-Bench 無聲原片。畫面並列多組第一人稱料理片段,上方英文標示步驟,黃色顯示提示,綠色標記步驟完成。 影片來源
正常的料理影片,怎麼拿來練習抓錯?
研究團隊保留原本的影片,改寫食譜指令,再標上該何時提醒、該說什麼。原片裡的人加了四大匙麵粉,訓練題改成只要三大匙。手準備加第四大匙時,就能標為提醒時點。這類合成題收進 Ego-CoMist,再和 QICD、Ego4D Goal-Step 的資料混成 Ego-CoMist+。研究團隊也替這組 Qwen 加入開口判斷,讓它每收到一幀畫面就選擇開口或保持安靜。前面的 Gemini 測試採固定間隔,每五秒詢問一次。 來源 2
編輯圖解(AI 生成)。原片加四大匙麵粉,訓練題改成三大匙,準備加第四大匙時提醒
從單一步驟看到整道菜,還能抓到多少錯?
論文第三版表 3 裡,同樣是 Qwen3.5-2B,也都從每個步驟的起點重新看影片。只用 QICD 訓練時,模型抓到人工標記應提醒情況的 6%,換成 Ego-CoMist+ 後抓到 23%。代價是發出的提醒裡,對上人工標記的比例從 75% 降到 35%。綜合這兩項的 F1 滿分是 1,從 0.11 升到 0.27。 來源 2
編輯圖解(AI 生成)。Qwen3.5-2B 單步測試,提醒對上人工標記的比例:75% → 35%,抓到人工標記情況的比例:6% → 23%
改成整道食譜連續播放時,以 Ego-CoMist+ 微調的 Qwen3.5-2B,F1 降到 0.16,只抓到人工標記應提醒情況的 12%。評分用 30 秒的時間窗比對模型輸出與人工標記。測試也假設即使模型漏發完成訊息,參與者仍會往下做。放下油瓶那一幕能看出模型有時抓得到開口的時機,整道菜的結果則顯示,多數該提醒的時刻仍會漏掉。 來源 2
原文:https://easyvibecoding.app/curated/3832-qualcomm-streaming-interventions-cooking
Claude Managed Agents 自託管後,模型請求仍會帶上對話和工具結果
假設你讓 Claude 代理查公司內部的建置錯誤。指令可以在公司自己的沙盒裡執行。如果工具回傳的錯誤訊息含有專案路徑,伺服器下一次呼叫模型時,這段路徑也會隨工具結果送到你設定的推論端點。依 Anthropic 的自託管文件,伺服器每次呼叫模型都會送出截至當下的對話,包含工具的輸入和結果。 來源 1
這次自託管多了什麼?
原本的自託管沙盒讓你在自己的基礎設施上執行工具,服務仍由 Anthropic 營運。這次封閉測試把服務也交給你部署。你可以在自己的雲端或機房運行伺服器,由它接收 API 請求、協調代理的工作,並在需要時呼叫模型。工作階段的歷程也能存進自己的資料庫。 來源 1 來源 2
編輯圖解(AI 生成)。自託管沙盒由團隊執行工具,封閉測試讓團隊也能部署服務,工作階段歷程可存入自己的資料庫
模型請求會送去哪裡,還會帶什麼?
預設送到 Claude API。你也可以設定由 Amazon Bedrock、Google Cloud 代管的 Claude 模型或 Microsoft Foundry 處理,或讓請求走自己的模型閘道。若送到 Claude API,除了對話內容,請求還會附上三個識別碼,分別對應這次的工作階段、使用的代理和執行環境。 來源 1
呼叫模型時,由伺服器持有的推論憑證驗證請求,例如 Claude API 金鑰、雲端供應商的憑證或閘道接受的權杖。應用程式用伺服器 API 金鑰連到你的伺服器,執行工具的 worker 則用環境金鑰向伺服器領取工作。 來源 1
零資料保留適用在哪一步?
如果你的組織已與 Anthropic 啟用零資料保留(ZDR),Anthropic 表示,送往 Claude 的模型請求適用與一般 Messages API 呼叫相同的資料保留設定。這項設定管的是請求送達後如何保留資料,所以判斷哪些內部資料會送出時,仍要看工具把什麼帶進對話。 來源 2 來源 1
編輯圖解(AI 生成)。送出時,請求帶有對話和工具結果,已啟用 ZDR 時,沿用 Messages API 的保留設定
原文:https://easyvibecoding.app/curated/3831-self-hosted-claude-managed-agents-model-data
Dettato 把合奏錄音轉成可編輯 MIDI,薩克斯風音符仍可能跑到鋼琴軌
KobiMusic 拿美國海軍陸戰隊樂團演奏的《星條旗永不落》示範 Dettato。示範頁提供原始錄音和可下載的 MIDI。這份 MIDI 檔有九個軌道,其中可能包含存放速度等演奏設定的軌道,樂器數要看各軌內容。把 MIDI 匯入音樂製作軟體,就能改個別音符的音高、起點和長度,再用原始錄音對照。 來源 2 來源 1
音符抓到了,還可能分錯樂器
Dettato 先從錄音找出音符,再修正音符、分配樂器軌,並用鼓模型另外辨識打擊聲。辨識到音符只是第一步。作者在爵士錄音裡觀察到,薩克斯風可能有約四分之一的音符被放進鋼琴軌。要單獨編輯薩克斯風聲部,這些音符就得先移回正確的軌道。 來源 1
編輯圖解(AI 生成)。薩克斯風音符,爵士錄音中約四分之一可能被分到鋼琴軌
2,030 萬參數測的是音符與鼓擊辨識
KobiMusic 在九套公開測試資料上,用 Dettato 的音符辨識與鼓模型做比較。兩個模型共 2,030 萬參數,綜合 F1 得 59.2 分。表中同樣九套資料的 MuScriptor 成績是 45.1 分,模型有 13 億參數。綜合 F1 平均了音符起點、持續區間、終點和鼓擊四項 F1,會同時考慮漏抓與誤抓。平常執行的完整工具還會修正音符、分配樂器軌,四個模型合計 2,810 萬參數。作者尚未公布四個模型串接後的整體分數,樂器分軌另用一套測試評估。 來源 1
編輯圖解(AI 生成)。九套資料/Dettato 2,030 萬參數,綜合 F1 59.2,同九套資料/MuScriptor 13 億參數,綜合 F1 45.1,完整 Dettato 有 2,810 萬參數,尚無整體分數
和 Mirelo A2M v1.1 Pro 的比較只涵蓋 Mirelo 公布成績的三套資料,分別是 PHENICX-Anechoic、RWC Classical 和 RWC Royalty-Free。以這三套資料計算綜合 F1,KobiMusic 報告 Dettato 得 60.8 分,Mirelo 公布的成績是 56.1 分。 來源 1
怎麼拿自己的錄音試?
可以在 KobiMusic 的示範頁上傳錄音,也可以用 Python 3.10 以上與 PyTorch 2.2 以上在自己的電腦執行。命令列版會在第一次使用時下載模型,並輸出 MIDI 和一份列出樂器軌與音符數量的 JSON。若錄音的取樣率低於 40 kHz,工具會跳過鼓模型。 來源 2 來源 1
` pip install git+https://github.com/kobimusic/dettato dettato song.mp3 -o out/ `
來源 1
原文:https://easyvibecoding.app/curated/3830-dettato-audio-to-midi-benchmark
投影片漏了 1 點也算虛報完成?Arena 怎麼從完整紀錄判定
「把我的筆記做成投影片,每一點都要放進去。」在 Arena 公布的判定範例裡,AI 助手交出投影片,8 點只放了 7 點。它只說「這是你的投影片」,Arena 仍把這次交付算作「虛報完成」。使用者要求全數納入,交出成品就等於宣稱每一點都做到了。 來源 6
使用者沒發現漏做,Arena 怎麼抓到?
Arena 在 11 月 17 日更新 Alignment Index。這項指標衡量 AI 助手是否照使用者的意思做事、如實回報。新版會讀完每場抽中的會話,把使用者的要求、助手交付時的說法和當時的紀錄對起來,連工具呼叫和回傳結果也一併核對。即使使用者沒出聲糾正,評審也能從紀錄找出交付時仍未做到的明確要求。 來源 5 來源 6 來源 1
編輯圖解(AI 生成)。工具呼叫,工具回傳,核對交付說法
Arena 也讓來自多家開發機構的語言模型各自判讀同一段紀錄,多數同意才標記。這樣做可以降低單一評審誤判對結果的影響。 來源 6
新版測到的失敗率為什麼較高?
Arena 表示,新方法抓到更多原先容易漏掉的失敗,也把投影片漏一點這類容易有不同解讀的情況寫進判準。部分舊版未標記的會話,在新版會被算進去,因此多數模型的測得失敗率比舊版高。兩版都收錄的模型,整體排名大致一致。 來源 6
編輯圖解(AI 生成)。部分會話在舊版未標記,同一批會話在新版被標記,多數模型測得失敗率較高
11 月 19 日的 Alignment Index 榜單列出 67 個模型、195,836 場會話,並標示為初步結果。比較兩版失敗率時,要把這次判準的變動一起算進去。 來源 5 來源 6
原文:https://easyvibecoding.app/curated/3829-arena-alignment-index-full-session-review
ChatGPT Space 開始向 Plus 開放,頁面和簡報怎麼一起編?
一份研究摘要可以放在 ChatGPT Space,讓有編輯權限的同事和你即時修改同一頁。你可以直接補上一段,同事也能請自己的 ChatGPT 幫忙整理。OpenAI 自 2026 年 11 月 20 日起向全球年滿 18 歲的 Plus 用戶逐步開放 Space。輪到你的帳號後,側邊欄原本的「資料庫」(Library)會由 Space 取代。 來源 2 來源 1
誰能開啟頁面,誰能動手改?
在頁面按「分享」(Share)時,可以指定誰能檢視、誰能編輯。收件人要登入已開通 Space 的 Plus、Pro、Business 或 Enterprise 帳號,並取得檢視權限,才能開啟共用頁面。要一起改,還得有編輯權限。免費帳號無法開啟共用頁面,Space 目前也沒有公開連結。若用的是 Business 或 Enterprise 工作區,還要看組織的分享設定。 來源 2
如果研究摘要底下還有一個「訪談筆記」子頁面,同事也會沿用上層頁面給他的權限。共用整個空間也可能讓他取得頁面權限。日後若要收回權限,先看當初是從哪一層分享的,再到那一層調整。 來源 2
編輯圖解(AI 生成)。共用空間可授予頁面權限,訪談筆記沿用研究摘要的權限,到授予權限的那一層收回
手機能建立或編輯頁面嗎?
ChatGPT 官方貼文把手機編輯列為這波更新之一。已經有研究摘要或會議紀錄的話,可以在 iOS 和 Android 上編輯。發行說明也把手機列入可建立頁面的平台。網頁版和桌面 App 可以建立與編輯頁面。 來源 4 來源 2 來源 1
編輯圖解(AI 生成)。AI 情境示意,iOS 和 Android 可編輯既有頁面
有了 Space,就能一起做簡報嗎?
投影片功能正逐步開放給符合資格、已能使用 Space 的帳號。如果你想把研究摘要做成簡報,要等帳號開通投影片功能,才能在 Space 裡建立簡報,再邀請也能使用 Space 的人一起做。只要開啟共用簡報,也需要檢視權限,並登入已開通 Space 的 Plus、Pro、Business 或 Enterprise 帳號。 來源 2 來源 1
頁面自動更新後,誰看得到來源?
頁面和投影片也能設定為依已連接的 App 或工具自動更新。OpenAI 舉的例子是讓專案計畫跟著 Slack 裡的決策更新。分享這份計畫時,頁面讀者仍須有來源檔案的權限才能開啟原檔。如果 ChatGPT 已把決策摘要寫進頁面,能檢視頁面的人就能讀到那段摘要。 來源 1 來源 2
編輯圖解(AI 生成)。專案計畫可隨 Slack 決策更新,有頁面檢視權限就能讀摘要,開啟原檔仍需來源權限
原文:https://easyvibecoding.app/curated/3828-chatgpt-space-plus-sharing-editing
手臂動作、Codex 規劃同步進行,真機疊毛巾的中位耗時降至約 6 分鐘
機器手臂正在撫平一條皺毛巾,Codex 已經在安排下一次要往哪裡推。前一個動作的回報送到時,手臂已經開始下一推,佇列裡也沒剩其他動作。模型在 2.8 秒後補上一推,手臂做完當下的動作就直接接上。 來源 6
Hao AI Lab 用兩支 YAM 機器手臂做真機實驗,由 Codex 裡的 GPT-6 Astra 撰寫 Python 程式控制動作,採用 ultrafast 服務層級與中等推理強度。團隊調整工具呼叫、模型收到的資訊和動作排程後,疊毛巾的中位耗時從前兩版流程的約 16 至 18 分鐘降到約 6 分鐘。這項比較只計入完成的場次,也扣除了 Codex 起初閱讀控制介面程式碼的時間。各場毛巾的起始狀態有差異,許多場次中途就停了。 來源 6
手臂原本在等什麼?
RoboDojo 的模擬器會等模型交出下一個動作才往下跑,評測限制的是步數。真機如果還沒收到下一道指令,就會停在原地,但計時照走。團隊拆解其中一場耗時較長的早期疊毛巾測試,發現模型處理占整場耗時的 78%,手臂只在約四分之一的時間裡移動。即使回應不到 100 個 token,從送出請求到收到第一個 token 的等待時間,中位數也約有 2 秒。每次另外發請求看照片或查手臂位置,都要再付一次等待成本。 來源 6
手臂動起來後,Codex 怎麼接下一步?
團隊先讓每個動作結束時一次回傳相機畫面和手臂狀態,省掉另外發請求看結果的時間。他們也把四路相機畫面拼成一張,將較舊的影像換成文字備註,並讓程式留在同一個 Python 行程裡執行,省去反覆啟動和載入的時間。 來源 6
接著,團隊讓手臂按順序執行排好的動作,Codex 同時規劃後續步驟。上一個動作的回報可以在下一個動作開始時送達,Codex 看完還能改後面的安排。控制程式會檢查每道指令是否超出活動範圍、是否讓兩臂靠得太近。每場也有人盯著控制台,手就在手臂的電源開關附近。 來源 6 來源 5
找梨子的任務省下哪些等待?
團隊拿一場把梨子移到空杯下的真機測試,固定模型回應、工具呼叫和動作的順序,按實測的耗時把各版流程省掉的請求加回去。原版流程估計要 667 秒,完整流程真機實測是 204 秒,兩者都扣除了起初閱讀控制介面程式碼的時間。讓規劃和動作並行後,模型仍花 182 秒處理請求,其中 137 秒手臂也在動。從第一次動作到任務結束,手臂移動的時間占比從重播估算的 24% 升到真機實測的 84%。 來源 6 來源 1
第 12 秒附近拆解相機與工具往返,第 18 秒附近比較 667 與 204 秒,第 24 秒後並列真機抓取、疊毛巾與套環畫面。 影片來源
哪種動作還是得停下來等?
即使能邊動邊想,三場真機示範裡,模型從收到最新畫面或動作回報到送出下一個動作,各場的中位數仍有 4.7 到 6.0 秒。杯子可以看一眼就規劃好依序掀開,毛巾卻幾乎每抓一次都得再看。套環更吃即時修正,每挪一點都要確認環和柱子對得準不準。即使同樣讓規劃和動作重疊,套環測試裡手臂也只有 28% 到 36% 的時間在動。 來源 6
原文:https://easyvibecoding.app/curated/3820-codex-robot-motion-overlap
Google 找 Blue Origin 發射太空 TPU,2029 年要比第一顆原型多驗什麼?
地面站把「寫一首關於身在太空的俳句」的提示送上 Google 的第一顆 Suncatcher 原型衛星。衛星上的 Gemma 4 寫出了詩,地面在衛星飛越挪威斯瓦爾巴群島時收到回傳。11 月 19 日,Blue Origin 宣布與 Google 簽訂發射服務協議,目標在 2029 年第一季把多顆衛星送入軌道,每顆約有一個資料中心機架的算力。 來源 2 來源 4
首顆原型回傳俳句後,還要驗什麼?
首顆原型在 2026 年 10 月搭 SpaceX 的共乘火箭升空。回傳俳句證實 TPU,也就是 Google 用來跑 AI 模型的晶片,能在軌道上完成文字生成。團隊接著試了五行打油詩,也讓模型回報衛星上設備的狀態。Google 還要評估晶片在軌道上承受熱壓力和輻射時能否可靠運作,並把兩顆衛星互連列為 2027 年的里程碑。 來源 1 來源 2
2029 年要把多大規模的算力送上軌道?
Blue Origin 的 New Glenn 將執行 Suncatcher 首次專屬重型發射,目標是把這批衛星部署到太陽同步軌道。公告用了資料中心機架來描述單顆衛星的算力,衛星總數與整批算力則沒有公布。 來源 4
想知道衛星能否彼此連線,可以先看 Google 訂在 2027 年的雙星互連里程碑。2029 年的發射公告交代了要把什麼送上軌道,至於入軌後會跑哪些 AI 工作、是否會測試多顆衛星共同運算,Blue Origin 尚未公布。 來源 2 來源 4
原文:https://easyvibecoding.app/curated/3819-suncatcher-new-glenn-2029-tpu
Meta Muse 分批開放 @muse.ai,原有信箱可只授權讀信
Meta 在 9 月 Connect 預告的 Muse 獨立信箱開始推出了。Alexandr Wang 宣布,功能正分批開放給受支援市場的所有使用者。Muse 官方帳號也說明,助理可以用自己的 @muse.ai 地址代你收信、寄信。功能開放後,點自己的頭像進入郵件分頁,就能選地址,也可以直接詢問 Muse。這次公告未列出支援市場,台灣是否在這波開放範圍內仍待確認。 來源 1 來源 2 來源 3
你原本的信箱,Muse 能碰多少?
如果你另外把原有的信箱連給 Muse,Meta 說你可以只開放讀信,也可以再授權它代寄,之後隨時能調整權限或解除連接。Muse 的安全文件還舉了 Gmail 的例子。就算你在 Gmail 端給了讀取權,仍可在 Muse 端收回查看 Gmail 設定的權限。Meta 也說,郵件連接功能會過濾一次性驗證碼、密碼重設連結,以及點一下就能登入的連結。 來源 4 來源 5
輪到寄信時,誰來按確認?
Meta 在 Muse 上市時的產品介紹裡,把寄信列為會先向使用者確認的敏感操作。當時的安全文件也說明,Muse 要透過連接的服務執行動作時,會由另一個叫 Sentinel 的程式依你設定的權限,決定放行、拒絕或詢問你。需要你確認時,操作會暫停,Muse 介面會列出這次要核准的動作。 來源 4 來源 5
上市時的安全文件說,核准可以只用一次,也可以限於特定任務或一段時間。這次的 @muse.ai 示範也表示,你看得到獨立信箱的收件匣,並能在寄出前審看、核准信件。至於每封外寄信預設都會停下來等你確認,或可以事先給較廣的核准,這次公告沒有交代。舉例來說,請供應商寄一封報價到 @muse.ai,和把整個 Gmail 的讀信權限交給 Muse,是兩個不同的決定。 來源 5 來源 3
畫面依序說明 Muse 可用自己的地址收寄信、接受轉寄,以及讓使用者查看收件匣並在寄出前審看和核准。 影片來源
原文:https://easyvibecoding.app/curated/3818-meta-muse-email-permissions
From the publisher's feed