EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • @derekmeegan:Browser Trace 技能提供 Agent 瀏覽器 100% 可觀測性。 「Browser Trace」技能讓 Agent 自動化瀏覽器過程擁有完整…
    Browser Trace 技能提供 Agent 瀏覽器 100% 可觀測性。
    「Browser Trace」技能讓 Agent 自動化瀏覽器過程擁有完整可觀測性,透過附加唯讀 CDP 客戶端記錄網路請求、DOM 內容、螢幕截圖及 CDP 日誌,並匯入可搜尋檔案系統,適用於逆向工程、自動研究迴圈及即時監控。
    核心功能
    Browser Trace 不主動驅動頁面,僅監聽 CDP 事件,搭配「browser」技能、「bb」、「Stagehand」、「Playwright」或其他 CDP 相容工具使用。主要用於:
    除錯瀏覽器自動化(如表單失敗、元素遺失、導航卡住、JS 例外)。
    中途附加追蹤至運行中自動化,不需重啟。
    分割 CDP 事件火管成網路、主控台、DOM、頁面等桶子。
    依時間戳記錄螢幕截圖 + DOM 快照。
    若僅需驅動瀏覽器,改用「browser」技能。
    運作機制
    Chrome DevTools 每個目標接受多個並發 CDP 客戶端,主自動化佔一個,Browser Trace 附加第二個,僅啟用觀測領域(Network、Console、Runtime、Log、Page),絕不發送動作指令。三個核心組件:
    Firehose:browse cdp 串流所有 CDP 事件為 NDJSON 格式,每行一 JSON 物件至 cdp/raw.ndjson。
    Sampler:輪詢迴圈每隔間隔(預設 2 秒)呼叫 browse --ws screenshot 及 browse --ws get html body,--ws 為一次性連線,不干擾主自動化。
    Bisector:執行後 bisect-cdp.mjs 走訪 raw.ndjson,按 CDP 方法切割成各桶 JSONL 檔案,並以頂層 Page.frameNavigated 事件為邊界,按頁切割。
    本地 Chrome 快速入門
    啟動 Chrome 帶除錯埠(9222)及隔離使用者資料夾:
    `
    "/Applications/Google Chrome.app/Contents/MacOS/Google Chrome" \
    --remote-debugging-port=9222 \
    --user-data-dir=/tmp/chrome-o11y \
    about:blank &
    `
    啟動追蹤:node scripts/start-capture.mjs 9222 my-run。
    對埠 9222 執行主自動化,如 browse env local 9222、browse open https://example.com。
    停止並切割:node scripts/stop-capture.mjs my-run、node scripts/bisect-cdp.mjs my-run。
    Browserbase 遠端快速入門
    使用 bb-capture.mjs 及 bb-finalize.mjs 處理平台會計。Browserbase 於最後 CDP 客戶端斷線即結束工作階段,務必用 --keep-alive 建立,並先附加自動化客戶端。步驟:
    建立 keep-alive 工作階段並啟動追蹤:node scripts/bb-capture.mjs --new my-run,輸出 session id、connectUrl 前綴及即時除錯 URL。
    驅動自動化:SID=$(jq -r .browserbase.session_id .o11y/my-run/manifest.json),然後 browse --connect "$SID" open https://example.com。
    停止、切割、拉取平台文物並釋放:node scripts/stop-capture.mjs my-run、node scripts/bisect-cdp.mjs my-run、node scripts/bb-finalize.mjs my-run --release。
    中途附加運行中工作階段:bb sessions list | jq -r '.[] | select(.status == "RUNNING") | .id' 選取 id,node scripts/bb-capture.mjs mid-flight-debug,無干擾。
    檔案系統結構
    輸出至 .o11y//:
    manifest.json:執行中繼資料(target、domains、startedat、stoppedat)。
    index.jsonl:每樣本一行 {ts, screenshot, dom, url}。
    cdp/raw.ndjson:完整 CDP 火管。
    cdp/summary.json:會話總計(sessionId、duration、totalEvents、pages[]),pages 依 Page.frameNavigated 順序索引,每頁含 pageId、url、計時、事件數、domains 統計(如 Network 錯誤數)、network 細項(requests、failed、byType)。
    分桶如 cdp/network/{requests,responses,finished,failed,websocket}.jsonl、cdp/console/{logs,exceptions}.jsonl 等。
    cdp/pages/000/ 等按頁子目錄,重複桶子結構。
    screenshots/.png 及 dom/.html:每間隔樣本。
    Browserbase 專屬 browserbase/:session.json(proxyBytes、status 等)、logs.json(常空)、downloads.zip。
    範例 summary.json 片段:
    `
    {
    "sessionId": "45f28023-…",
    "duration": { "startMs": 1777312533000, "endMs": 1777312609000, "totalMs": 76000 },
    "totalEvents": 420,
    "pages": [{ "pageId": 0, "url": "https://example.com/", "durationMs": 5886, "eventCount": 60, ... }]
    }
    `
    查詢與分析工具
    scripts/query.mjs 互動探索:
    list:頁面表格。
    page 1:頁 1 摘要。
    page 1 network/failed:頁 1 失敗請求。
    errors:全錯誤,按頁歸因。
    hosts:頂級主機請求數。
    summary:完整摘要。
    進階 jq 配方如:
    所有失敗網路:jq -c '.params' .o11y//cdp/network/failed.jsonl。
    特定主機請求:篩選 url 含 "api\\.example\\.com"。
    4xx/5xx 回應:status >= 400。
    主控台錯誤:type == "error"。
    造訪 URL 序列:Page.frameNavigated 的 frame.url。
    最佳實務與疑難排解
    最佳實務:
    Browserbase 用 bb-capture.mjs,自動 --keep-alive 並記錄 debugger URL,手動易錯。
    非自有工作階段勿 --release。
    遠端順序:自動化客戶端先附加,--keep-alive 建立。
    輪詢勿快於 1 秒,預設 2 秒。
    精選領域,預設 Network/Console/Runtime/Log/Page;DOM 極吵。
    總執行 stop-capture.mjs,即使崩潰。
    bisect-cdp.mjs 單次 idempotent。
    疑難排解:
    browse cdp 即退出:目標不可及或工作階段結束,驗 bb sessions get 。
    raw.ndjson 空:確認主客戶端驅動頁面,閒置僅 ~5 行。
    截圖相同:查 index.jsonl url 未變。
    工作階段中斷:超 --timeout,調高 BBSESSIONTIMEOUT。
    logs.json 空:正常,CDP 火管為真實來源。
    rrweb 錄影棄用,用 screenshots/dom 取代。
    完整參考見 REFERENCE.md,範例除錯見 EXAM…
    5 min
  • @mitchellh:Ghostty 專案離開 GitHub,開發者 Mitchell Hashimoto 結束 18 年忠誠。 Mitchell Hashimoto 宣布「G…
    Ghostty 專案離開 GitHub,開發者 Mitchell Hashimoto 結束 18 年忠誠。
    Mitchell Hashimoto 宣布「Ghostty」終端模擬器專案將離開 GitHub,他是 GitHub 使用者編號 1299,自 2008 年 2 月加入以來,每天多次造訪超過 18 年,佔據他半生時間。這決定讓他「非理性地悲傷」,但 GitHub 頻繁中斷已讓它無法成為認真工作的場所,他希望未來能憑實績回歸。
    個人與 GitHub 的深厚情感連結
    Hashimoto 將 GitHub 視為人生最快樂的地方,無論失戀、大学熬夜至凌晨 4 點、蜜月妻子還在睡覺,都會抽時間 commit 程式碼,甚至度假時書籤 OSS 專案研究程式碼與維護者處理難題的流程。他承認自己「doom scroll GitHub issues」,視此為愛好、工作與熱情的交匯點。20 歲時,他開發首個成功 OSS 專案「Vagrant」,公開笑稱希望以此獲 GitHub 工作,雖然未實現,但 GitHub 一直是他的夢想職場,工程師與產品皆一流。
    公開批評與長期失望
    Hashimoto 最近公開猛烈抨擊 GitHub,承認自己「很刻薄、憤怒、傷害他人感受」,因為 GitHub「每天都在辜負我,這是極度私人化的」。過去一個月,他每日記錄中斷事件,幾乎每日期記「X」,寫文當天(2026 年 4 月 28 日)因 GitHub Actions 中斷,已無法 PR 審核 2 小時。他強調,這不再是「有趣的地方」,GitHub 不想讓他工作、不想讓他發佈軟體,儘管他深愛它「超過一個人該愛一件東西的程度」。
    頻繁中斷的嚴重影響
    GitHub 每日數小時中斷,已讓它無法支撐「認真工作」。Hashimoto 無法 PR 審核、無法發佈軟體,這阻礙 Ghostty 維護者與社群。他拒絕僅聽「言語與承諾」,要求「真正成果與改善」才考慮回歸。Kyle Daigle(GitHub 團隊)回應表示團隊將努力證明實績,並繼續支持 Ghostty;Hashimoto 感謝並回以同樣祝福。Merrill Lutsky 提及替代方案,Hashimoto 立即要求 email 討論,他們正尋找 Git+Issues/PRs 的新家,CI 已固定,但仍可轉向單一 forge 解決方案。
    遷移計畫與未來展望
    Ghostty 將逐步移除 GitHub 依賴,保留目前 URL 的唯讀鏡像。Hashimoto 與多供應商(商業與 FOSS)討論中,數月內公布新家;個人專案暫留 GitHub,Ghostty 是首要影響對象,後續視情況擴大。他們有明確計畫,採增量方式執行,預計花費時間清理依賴。Hashimoto 重申,這是 18 年後的痛苦決定,但 GitHub 已從「讓我最快樂的地方」淪為阻礙,凸顯雲端平台穩定性危機對 OSS 開發者的致命打擊。
    原文:https://easyvibecoding.app/curated/1021
    4 min
  • @OpenAI:AI 透過「GPT-5.4 Pro」解決60年懸案,數學能力躍升至研究級別。 OpenAI Podcast 討論 AI 數學能力從奧林匹克水準飛躍至解決開…
    AI 透過「GPT-5.4 Pro」解決60年懸案,數學能力躍升至研究級別。
    OpenAI Podcast 討論 AI 數學能力從奧林匹克水準飛躍至解決開放問題,研究員 Sebastien Bubeck 與 Ernest Ryu 強調這是奇蹟進步,將重塑科學研究,但警告過度依賴恐致淺層理解。
    研究員背景與數學奇蹟進步
    Sebastien Bubeck 擁有近20年數學與機器學習研究經驗,曾任普林斯頓教授、後轉微軟,現為 OpenAI 研究員,專注評估 AI 在困難數學問題的進展。Ernest Ryu 則為應用數學家,曾任 UCLA 數學系教授,近期加入 OpenAI,研究最佳化與機器學習理論。
    兩年前無推理模型,兩年後 AI 已助菲爾茲獎得主日常工作;一年半前研討會80%數學家認為擴展 LLM 無法解決開放問題,8個月後模型達研究級別。過去四年,數學基準清楚顯示進步,從四年前 Google「Minerva」僅能給平面點座標畫線,到今模型內建理解奧林匹克問題。
    IMO 金牌與42年開放問題突破
    2025年夏天,ChatGPT 達國際數學奧林匹亞(IMO)金牌水準,相當頂尖人類高中生,但這些為「罐頭問題」,解決方案短且非新穎,非研究級別。
    Ernest Ryu 測試自身最佳化理論開放問題:Nesterov 加速梯度法是否在最壞情況發散?該問題42年未解,他先花40多小時失敗,後用 ChatGPT 互動12小時(3天,每晚4小時),扮演驗證者糾正錯誤、引導新穎路徑,最終獲正確證明。他在 Twitter 宣傳,此為 AI 解決開放問題最早案例之一。
    從日常數學到99%人口適用
    2023年初 ChatGPT 無法處理高中或日常問題,如三人露營17項費用平均分攤,或跨韓國、巴黎、加州 Zoom 排程。2025年初仍辦不到,但突變後模型解決 IMO 及研究問題。
    現除發明新數學的專業數學家,物理、化學家處理微分方程、微分幾何等皆可依賴 ChatGPT;99%人口數學需求全覆蓋。排程從三人簡單到複雜,模型內建工具無需外部計算器。
    Erdős 問題解決與爭議
    Paul Erdős 上世紀傑出數學家,寫1500篇論文、無固定住所、四處旅行提問,衍生「Erdős 數」(合作鏈距其論文距離,Sebastien 為2、Ernest 為3)。Thomas Bloom 網站追蹤約1000個開放 Erdős 問題,動態更新。
    本月「GPT-5.4 Pro」助解60年懸案;團隊測試後,模型掃描文獻、以不同語言連接不相關領域拼圖,Mark Selke 系統試驗獲10個標記開放問題解答,引發 Twitter 爭議——誤解為全新原創,實為深度文獻搜尋。數月後,超過10個全新解答可刊組合數學頂刊,全靠 ChatGPT 與內部模型。
    數學作為完美基準與長程推理
    數學問題無歧義、易驗證,為追蹤四年進步理想基準,已達飽和。關鍵在長時間一致思考:數週、數年推理鏈若單點錯誤即毀全論點,AI 獲此屬性可推廣他域,如人類訓練數學鍛鍊邏輯。
    非僅擴展 LLM,OpenAI 多項創新同時推進;模型自主推理無需工具,從秒級問題至小時、天級「AGI 時間」。
    對科學與自動研究員影響
    技術通用,非數學專屬,預期所有科學同步進步,如生物、材料科學。現為「教授-學生」互動:人類給問題、驗證,壓縮時間線(Ernest 從一個月減至12小時)。
    「自動研究員」指模型自主長時工作,超越當前互動,適用長期開放問題或濕實驗。Codex 示範長 workspace:類比數學筆記,處理超50頁思考,壓縮上下文、代理式操作龐大程式庫,未來數學研究同理——每日總結筆記,數月產30頁論文。
    論文「關於科學加速的早期實驗」(Early Experiments in Science Acceleration)用 GPT-5 驗證加速:數學家無程式經驗者用 Codex 做實驗,取代找研究生;非數學家用 ChatGPT 進階數學。
    人類角色與未來預測
    一年內模型思維數週、兩年數年,超越人類:找論文錯誤、提問啟發人類論文。重點非解決問題樂趣,而是理解環境、治癒疾病、建更好事物;AI 無此關懷,人類須控制引導重要問題。
    數學不會消亡,反開新分支;數學家解決更難更有趣問題,過程加速、多巴胺激增,但有痛苦。AI 連通超細分領域:過去論文僅5人讀、20年後埋檔,今 AI 浮現連結,100年後重用;存取未修領域結果,加速驗證300頁證明,過濾錯誤(許多發表數學有小錯、大錯)。
    潛在危險與專業價值
    過度信任 AI 致淺層理解:人類不練驗證技能、僅求簡單解釋。非數學家用工具產10頁錯證明頻現,需專業深懂推最先進。
    反對「無需科學家」論:需更多科學家,更高效強大;學術界須懂進步速度、奪回角色。AI 驗證加速:代理標記疑點,減人類負擔;社會結構變革,人類署名承責,傷聲譽防錯證。
    入門建議與數學新時代
    數學好奇者直接與 ChatGPT 聊天,從玩具問題如「浴缸裝多少 M&M」或「去年讀字數」起步,漸複雜。解釋背景求客製開放問題,模型提問優秀,變孤獨研究為社會互動。
    年輕一代速趕:青少年問麥克斯韋方程組獲美解釋,但仍需艱苦工作。視覺解釋工具助後期入行者,OpenAI 新增功能。數學更互聯、信任、可速移,數學家未來30年興奮。
    原文:https://easyvibecoding.app/curated/1012
    9 min
  • @amazon:AWS 與 OpenAI 擴大合作,將最新模型與 Agent 功能引入 Amazon Bedrock。 AWS 與 OpenAI 宣布重大合作擴張,將最新…
    AWS 與 OpenAI 擴大合作,將最新模型與 Agent 功能引入 Amazon Bedrock。
    AWS 與 OpenAI 宣布重大合作擴張,將最新 OpenAI 模型、Codex 程式開發 Agent,以及 Amazon Bedrock Managed Agents(皆限量預覽)帶入 Amazon Bedrock,讓企業能在信任的 AWS 基礎設施上使用前沿人工智慧。
    最新 OpenAI 模型上線 Amazon Bedrock
    最新 OpenAI 模型即日起透過 Amazon Bedrock 提供限量預覽,使用者可透過既有 Amazon Bedrock API 與控制機制存取,首次讓 AWS 客戶在單一服務中評估與部署 OpenAI 前沿模型,並與 Anthropic、Meta、Mistral、Cohere、Amazon 等供應商的模型並行。
    繼承完整企業控制:基於 IAM 的存取管理、AWS PrivateLink 連線、守護欄、靜態與傳輸中加密、透過 AWS CloudTrail 的全面記錄,以及與既有合規框架整合。
    無需額外基礎設施配置或學習新安全模型。
    OpenAI 模型使用量可計入既有 AWS 雲端承諾,簡化採購與財務治理,特別適合已在 AWS 管理大量雲端投資的組織。
    Codex 程式開發 Agent 登陸 Amazon Bedrock
    Codex 是企業內 AI Agent 最佳範例之一,每週超過 400 萬人使用它自動化程式碼工作、撰寫與重構程式碼、解釋複雜系統、產生測試,並加速軟體交付。
    企業團隊可在既有 AWS 環境中透過 Amazon Bedrock 存取 OpenAI 的 Codex,使用 AWS 憑證驗證、經 Bedrock 基礎設施處理推論,並將使用量計入 AWS 雲端承諾。
    初始支援 Bedrock API,包括 Codex CLI、Codex 桌面應用程式,以及 Visual Studio Code 延伸模組。
    Amazon Bedrock Managed Agents 核心功能
    Amazon Bedrock Managed Agents(由 OpenAI 驅動,限量預覽)讓客戶快速輕鬆建置雲端生產就緒的 OpenAI 驅動 Agent,結合 OpenAI 前沿模型與 Agentic 能力,以及 AWS 全球基礎設施、安全與數百萬組織依賴的服務廣度。
    生產 AI 應用不僅需智慧,還需企業級基礎設施、安全與運營基礎,包括跨會話持續的記憶、編碼程式的技能、強制權限的身份,以及適合任務的運算選項;過去團隊需自行組裝這些元件,過程複雜。
    Bedrock Managed Agents 專為 AWS 上的 OpenAI 模型優化,內建 OpenAI agent harness,解鎖前沿模型潛力,提供更快執行、更敏銳推理,以及可靠引導長時間任務。
    安全與治理從部署即內建:每個 Agent 有獨立身份、記錄每項動作以供稽核,並在使用者環境內運行,所有模型推論均在 Amazon Bedrock。
    擴展至企業數十萬 Agent 時,受益於 AWS 全球可擴展基礎設施,以及靠近既有資料、應用與服務。
    Box(領先智慧內容管理平台,服務逾 115,000 組織)CTO Ben Kus 表示:「企業正尋求部署 Agent 以邁入 AI 下階段,Amazon Bedrock Managed Agents 結合 OpenAI 最新模型與 AWS 規模、安全與基礎設施,讓開發者建置優化生產規模 AI 應用,Agent 可持續學習、依使用者環境客製回應,並具備所需治理與稽核,全運行於信任雲端。」
    Bedrock Managed Agents 與 AgentCore 互補
    Bedrock AgentCore 是開放平台,用於使用任何模型與框架在大規模建構、連接與優化 Agent;Bedrock Managed Agents 則專為 OpenAI 前沿模型與 Agentic 能力優化建置 Agentic 解決方案。
    若使用 Bedrock Managed Agents,AgentCore 是自然補充,提供預設運算環境;隨著企業 Agent 足跡擴張,兩者將提供額外功能:
    授權政策強制執行。
    Agent 與 Agent 工具發現。
    可觀測性與評估能力。
    未來發展展望
    這是 AWS 與 OpenAI 更深度合作的開端,隨著 OpenAI 推動推理與 Agentic 能力前沿,雙方將持續將最新進展帶入 Amazon Bedrock,讓今日建置的模型與 Agent 持續受益於新突破。關注進展,即可率先獲取最新更新。
    原文:https://easyvibecoding.app/curated/1014
    5 min
  • @nvidia:NVIDIA 發布 Nemotron 3 Nano Omni 模型 來源:NVIDIA Blog 作者:Kari Briski 現今許多 AI…
    NVIDIA 發布 Nemotron 3 Nano Omni 模型
    來源:NVIDIA Blog
    作者:Kari Briski
    現今許多 AI Agent 系統在處理視覺、語音和語言時,往往需要分別使用不同的模型,這導致在模型間傳遞資料時,不僅耗費時間,還會造成上下文資訊的流失。
    NVIDIA 今日推出了 Nemotron 3 Nano Omni,這是一款開放式的多模態模型,將上述能力整合為一,讓 Agent 能夠跨越影片、音訊、圖像和文字,提供更快速、更智慧且具備進階推理能力的反應。
    這款同級最佳的模型為企業與開發者提供了一條生產路徑,能打造出更高效、更精準的多模態 AI Agent,並具備完整的部署靈活性與控制權。
    Nemotron 3 Nano Omni 為開放式多模態模型樹立了全新的效率標竿,不僅具備領先的準確度與低成本優勢,更在複雜文件智慧、影片與音訊理解等六項評測排行榜中名列前茅。
    目前已採用 Nemotron 3 Nano Omni 的 AI 驅動企業包括 Aible、Applied Scientific Intelligence (ASI)、@ekacareHQ、@hcompanyai 與 Pyler;而 @Amdocs、@Dell、@Docusign、@Infosys、@IQVIAglobal、@kdenseai、Lila、@Oracle、@PalantirTech、@Quantiphi、@TCS 與 Zefr 等公司也正在評估該模型。
    「要打造實用的 Agent,你無法等待數秒鐘讓模型去解讀一個螢幕畫面,」H Company 執行長 Gautier Cloix 表示。「透過以 Nemotron 3 Nano Omni 為基礎進行開發,我們的 Agent 能夠快速解讀全高畫質(Full HD)的螢幕錄影,這在過去是無法實現的。這不僅僅是速度上的提升,更是我們 Agent 在即時感知與互動數位環境方式上的根本性轉變。」
    Nemotron 3 Nano Omni 實現更快速、更精簡的多模態 Agent
    試想一個用於客戶支援的 AI Agent,它需要處理螢幕錄影,同時分析上傳的通話音訊並檢查資料日誌;或者是一個負責解析 PDF、試算表、圖表與語音備忘錄的金融業 Agent。現今大多數的 Agentic 系統都是透過獨立的視覺、語音與語言模型來完成這些任務。
    這種做法會因為重複的推論過程而增加延遲,導致上下文在不同模態間破碎化,並隨著時間推移增加成本與誤差。
    透過將視覺與音訊編碼器整合進其 30B-A3B 的混合專家(Mixture-of-Experts, MoE)架構中,Nemotron 3 Nano Omni 消除了對獨立感知模型的需求,進而提升了大規模推論的效率。使用此模型,AI 系統在保持相同互動性的前提下,吞吐量可達到其他開放式 Omni 模型 9 倍之多,這意味著在不犧牲反應速度的情況下,能降低成本並提升擴充性。
    在 Agentic 系統中,Nemotron 3 Nano Omni 可以與專有的雲端模型或其他 NVIDIA Nemotron 開放模型並肩運作——例如用於高頻率執行的 Nemotron 3 Super,或是用於複雜規劃的 Nemotron 3 Ultra——以及其他供應商的專有模型,為電腦操作、文件智慧與影音推理等 Agentic 工作流程提供動力。
    電腦操作 Agent (Computer use agents) — Nemotron 3 Nano Omni 為導航圖形使用者介面的 Agent 提供感知迴圈,針對螢幕內容進行推理,並隨時間推移理解使用者介面的狀態。H Company 最新的電腦操作 Agent 採用 Nemotron 3 Nano Omni,使用 1920x1080 像素的原生輸入解析度,實現了高保真的視覺推理。在 OSWorld 基準測試的初步評估中,此整合展現了在導航複雜圖形介面上的顯著飛躍,並充分利用了 Nemotron 3 Nano Omni 處理超高解析度圖像的能力。
    文件智慧 (Document intelligence) — 能解讀文件、圖表、表格、螢幕截圖與混合媒體輸入,使 Agent 能夠連貫地針對視覺結構與文字內容進行推理。這對於企業分析與合規工作流程至關重要。
    音訊與影片理解 (Audio and video understanding) — 針對客戶服務、研究與監控工作流程,Nemotron 3 Nano Omni 能維持影音上下文,將所說、所見與所記錄的內容連結成單一的推理串流,而非斷裂的摘要。
    開放、可客製化,隨處皆可部署
    Nemotron 3 Nano Omni 以開放權重、資料集與訓練技術的形式發布,讓組織能完全透明地掌控模型的客製化與部署方式。
    開發者可以使用 NVIDIA NeMo 等工具進行客製化、評估與針對特定領域使用案例的優化。由於 Nemotron 系列模型是開放的,組織可以在符合法規、主權或資料在地化要求的環境中進行部署。Nemotron 3 系列(包含 Nano、Super 與 Ultra 模型)在過去一年中下載量已超過 5,000 萬次。Omni 將此系列的效能延伸至多模態與 Agentic 領域。
    該模型現已於 Hugging Face、OpenRouter 與 build.nvidia.com 上架,作為 NVIDIA NIM 微服務提供,並透過廣大的 NVIDIA 雲端合作夥伴、推論平台與雲端服務供應商生態系統提供支援。
    其開放且輕量化的架構,支援從 NVIDIA DGX Spark 與 DGX Station 等本地系統,到資料中心與雲端環境的一致性部署。
    請造訪 NVIDIA 技術部落格,獲取有關 Nemotron 3 Nano Omni 使用案例的教學、食譜(Cookbooks)與部署指南。
    訂閱 NVIDIA 新聞、加入社群,並在 LinkedIn、Instagram、X 與 Facebook 上追蹤 NVIDIA AI,以掌握 Agentic AI、NVIDIA Nemotron 等最新資訊。
    探索自學影片教學與直播。
    ---
    概覽
    是什麼 - 一個開放式的全模態推理模型,是同類產品中效率最高的開放式多模態模型,具備領先的準確度。
    處理內容 - 文字、圖像、音訊、影片、文件、圖表與圖形介面(輸入);文字(輸出)。
    適用對象 - 正在建構快速且可靠的 Agentic 系統,且需要多模態感知子 Agent 的企業與開發者。
    運作方式 - 在 Agent 系統中擔任「眼與耳」的角色,與 Nemotron 3 Super 和 Ultra 或其他專有模型並肩運作。
    重要性 - 具備領先的多模態準確度,且在保持相同互動性的前提下,吞吐量比其他開放式 Omni 模型高出 9 倍,在不犧牲反應速度的情況下降低成本並提升擴充性。
    架構 - 30B-A3B 混合專家模型(MoE),具備 Conv3D、EVS 與 256K context window。
    可用性 - 2026 年 4 月 28 日起,透過 Hugging Face、NVIDIA NIM 與 25 個以上的合作夥伴平台提供。
    原文:https://easyvibecoding.app/curated/1019
    7 min
  • @sundarpichai:Google「翻譯」工具20週年,演進至Gemini模型支援即時對話翻譯。 Google「翻譯」20年前以幫助人們跨越語言障礙為使命,從小實驗成長為每月服…
    Google「翻譯」工具20週年,演進至Gemini模型支援即時對話翻譯。
    Google「翻譯」20年前以幫助人們跨越語言障礙為使命,從小實驗成長為每月服務10億使用者的全球工具,如今已從簡單模式匹配進化至真正理解語言。
    歷史演進
    2006年,「Google Translate」依賴統計機器學習,僅在小詞群中尋找模式;2016年,Google開創神經網路轉移,超越逐字逐句的字面翻譯;今日則運用強大Gemini模型,讓翻譯更實用。
    最新功能
    從文字翻譯擴展至流暢即時對話,使用最新模型可將耳機變成個人口譯員,保留原聲調與節奏,提供驚人體驗。
    支援近250種語言,遠超人類能力,讓使用者能以多語言說「謝謝」。
    AI進步反思
    作者Sundar Pichai指出,AI進展讓人習以為常:若遇一人能在百種語言間瞬間翻譯,人們會驚嘆不已;如今單一產品已做到250語言,卻僅遭漠視。他強調,這成就不可輕忽,向10億使用者致謝(法文merci、印地文dhanyavaad、日文arigatō、西班牙文gracias,以及thank you),並展望未來20年。
    原文:https://easyvibecoding.app/curated/1006
    2 min
  • @ClaudeDevs:Claude Code 推出遠端控制與手機推播通知,提升本地程式開發的跨裝置連續性。 Claude Code 新增「Remote Control」功能,讓…
    Claude Code 推出遠端控制與手機推播通知,提升本地程式開發的跨裝置連續性。
    Claude Code 新增「Remote Control」功能,讓使用者從手機、平板或瀏覽器繼續本地工作階段,同時支援長任務完成或需使用者決策時的推播通知,無需綁在終端機前。
    啟用與基本運作
    Claude Code 的「Remote Control」處於研究預覽階段,所有方案皆可用,Team 與 Enterprise 方案預設關閉,需管理員在管理設定中啟用。使用者可在專案目錄執行 claude remote-control 啟動,或使用 VS Code 擴充功能的 /remote-control 指令,產生工作階段 URL 或 QR code 供遠端連線。Claude 持續在本機執行,不移轉至雲端,完整保留本地檔案系統、MCP 伺服器、工具與專案設定;@ 指令可自動補全本地檔案路徑。對話在所有連線裝置同步,使用者可從終端、瀏覽器或手機互換發送訊息。若筆電休眠或網路中斷,工作階段會自動重連。
    跨裝置連線方式
    直接在瀏覽器開啟工作階段 URL,連至 claude.ai/code。
    掃描終端顯示的 QR code(按空白鍵切換),直接在 Claude iOS 或 Android App 開啟。
    在 claude.ai/code 或 Claude App 的工作階段清單中,依名稱搜尋,線上狀態顯示綠點與電腦圖示。
    預設僅在明確執行 claude remote-control、claude --remote-control 或 /remote-control 時啟用;執行 /config 可設定「Enable Remote Control for all sessions」為 true,讓所有互動工作階段自動啟用。
    手機推播通知
    當「Remote Control」啟用時,Claude 可主動發送推播通知至手機,通常在長時間任務完成或需使用者決策時觸發,使用者也可於提示中要求,例如「notify me when the tests finish」。需 Claude Code v2.1.110 或更新版本。設定步驟:
    安裝 Claude 行動裝置 App 並以 Claude Code 帳號登入。
    允許通知權限。
    在終端執行 /config,啟用「Push when Claude decides」。
    如 @ClaudeDevs 公告,離開終端後,Claude 會在任務完成或需輸入時推播通知,讓使用者「走開終端,我們會通知你完成」。
    需求與相容性
    需 Claude Code v2.1.51 或更新版本(推播需 v2.1.110+),檢查版本用 claude --version。
    訂閱:Pro、Max、Team、Enterprise 方案可用,API 金鑰不支援;Team/Enterprise 需管理員啟用。
    認證:執行 claude 並用 /login 登入 claude.ai。
    Workspace 信任:首次在專案目錄執行 claude 接受對話框。
    與網頁版 Claude Code 不同,「Remote Control」在本機執行,存取本地 MCP 伺服器與工具;網頁版則在 Anthropic 雲端基礎設施運行。
    連線安全與流程
    本地工作階段僅發出 HTTPS 請求,不開啟入站埠;啟動時向 Anthropic API 註冊並輪詢工作,遠端裝置透過串流連線經 API 路由訊息,所有流量使用 TLS 加密,憑證短暫且單一用途獨立過期,與一般 Claude Code 工作階段相同安全水準。
    限制與注意事項
    每個互動程序僅支援一個遠端工作階段(伺服器模式除外)。
    本地程序須持續運行,關閉終端或 VS Code 即結束工作階段。
    網路中斷超過約 10 分鐘,工作階段逾時並退出程序。
    啟用 ultraplan 工作階段會斷開現有「Remote Control」。
    部分指令僅限本地 CLI,如 /mcp、/plugin 或 /resume,因需終端互動選擇器。
    這些限制反映本地執行的本質,強調穩定本地環境但需維持程序活躍。詳細文件見 https://code.claude.com/docs/en/remote-control#mobile-push-notifications。
    原文:https://easyvibecoding.app/curated/1039
    5 min
  • @zachlloydtweets:Warp 現已開源 今天我們宣佈 Warp 的開發方式將有根本性的轉變:Warp 用戶端現已開源,社群可以透過我們雲端 Agent 編排平台 Oz 所管理…
    Warp 現已開源
    今天我們宣佈 Warp 的開發方式將有根本性的轉變:Warp 用戶端現已開源,社群可以透過我們雲端 Agent 編排平台 Oz 所管理的 Agentic 程式開發工作流程來參與建置。OpenAI 是這個全新開源 Warp 儲存庫的創始贊助商,而新的 Agentic 管理工作流程則由 GPT 模型驅動。
    透過由 Agent 驅動的儲存庫進行開源,是我們對未來軟體開發方式的願景。由人類大規模管理 Agent 來建置生產級軟體是目前的模型,而在公開環境中實踐此模型,將能讓軟體以最快的速度進化。
    簡單來說:我們相信,由擁有獨特想法的多元貢獻者、具備結構化流程的 Oz Agent,以及豐富的上下文與自我改進迴圈所組成的集合,將能創造出超越我們內部開發能力的魔法產品。
    為什麼是現在
    主要原因是我們認為,如果我們選擇開源並與社群合作,共同監督龐大的 Agent 團隊,我們就能更快地交付更好的 Warp。開發過程中最大的瓶頸不再是撰寫程式碼,而是圍繞在程式碼周圍的所有「人類參與」活動:定義產品規格與驗證行為。坦白說,我們內部團隊能做的事情以及我們想要推進的速度都受到了限制。
    我們發現 Agent 可以非常出色地處理繁重的實作工作。這讓貢獻者能夠專注於槓桿效應更高的工作:塑造產品的樣貌並確保其正確性。
    邀請社群參與管理 Agent 的流程將會是一個巨大的突破。我們現在對 Oz 在我們的規則、上下文與驗證下所生成的程式碼充滿信心,因此任何貢獻者在編寫功能時,都有很高的機率能成功且正確地完成。此外,依賴 Agent 也為我們帶來了壓力,促使我們必須完善編排、記憶、交接,以及所有其他屬於 Agentic 程式開發核心的業務。這形成了一個良性循環。
    第二個原因則是為了讓開發者有機會塑造未來。目前市場上還沒有一個功能完整的開源 Agentic 開發環境,我們希望為社群提供一個替代方案,以對抗那些由大型企業提供的封閉原始碼選項。沒有人能確切知道 Agentic 程式開發的未來會是什麼樣子,我們認為社群應該有權參與並塑造它。
    Warp 支援多模型與多種 harness,我們希望進一步強化這種開放性。開源將使我們能更積極地回應使用者,與他們共同處理我們待辦事項清單中的長尾需求,使 Warp 成為市場上最棒的 ADE (Agentic Development Environment)。
    秉持著這種精神,我們在這次發布中加入了一些重大的產品改進,讓 Warp 變得更加開放且可自訂。
    首先,我們今天在 Warp 中啟動了對更廣泛開源模型的支援,包括最新的 Kimi、MiniMax 和 Qwen 模型,以及一個新的「auto (open)」模型路由版本,它會自動為任務選擇最合適的開源模型。
    其次,我們讓自訂 Warp 體驗變得更加容易——無論你只是想要一個終端機,還是需要一些用於改進 Agentic 程式開發的最小化功能(如 diff 檢視和檔案樹),甚至是內建 Agent 的完整 ADE,都能輕鬆達成。
    最後,我們發布了一個(早就該有的)設定檔,讓使用者和 Agent 能夠以程式化的方式控制設定,並在不同裝置間輕鬆遷移。
    運作方式
    Warp 的原始碼現已在 github.com/warpdotdev/warp 上提供,並採用 AGPL 授權。
    你可以在 CONTRIBUTING.md 中了解更多關於貢獻流程的資訊,但簡單來說,我們希望由 Agent 負責繁重的工作(程式撰寫、規劃、測試等),而社群成員則協助提供想法、方向與驗證。Warp 團隊將協助引導開發的內容、時程與方式,但我們認為 Warp 從根本上將成為我們與社群共同努力的成果。對於那些想要與 Warp 團隊密切合作,並為一個擁有近百萬活躍開發者、成長迅速的應用程式做出貢獻的人來說,這是一個絕佳的機會。
    Warp 全新的開源 Agent 工作流程由 OpenAI 模型驅動,OpenAI 也正支持著下一代協作式軟體開發。你當然可以自由使用其他程式撰寫 Agent 來進行貢獻,但我們更傾向使用 Oz,因為它內建了正確的技能與驗證迴圈。
    開源長期以來一直是開發者學習、建置並推動領域進步的核心。我們很高興能支持這些實驗,探索 AI 如何協助維護者與貢獻者在大規模協作中更有效率地運作。
    Thibault Sottiaux, 工程負責人, OpenAI
    最後,作為此次變革的一部分,我們正從封閉的產品開發流程轉向開放流程。這意味著公開的 GitHub Issues 將成為追蹤功能的唯一事實來源。我們將公開 ADE 的發展藍圖,並針對 ADE 的問題進行公開的技術與產品討論。
    結語
    開源的初衷源於我們想要建立成功企業的渴望。我們正在與其他資金雄厚、封閉原始碼的競爭對手競爭,我們認為開源並提供資源讓社群改善 Warp,是我們加速產品開發的明智之舉。沒錯,我們是一家由創投資助的新創公司,但我們沒有資源在價格上競爭,也無法大規模補貼使用成本——我們必須透過為最熱情的社群提供最棒的產品來建立我們的業務。
    撇開商業目標不談,我們也認為由社群親自塑造未來本身就具有價值。Warp 是一個獨特的產品,背後有五年的工程積累,我們希望它能為社群提供一個引人注目的起點,用來建置 Agentic 程式開發的未來,這將超越任何其他的開源替代方案。
    我們本可以維持現有的模式,私下猜測發展藍圖,並在內部擴展越來越多的 Agent 來進行開發,但那感覺就像錯失了機會。那將會錯失讓社群塑造方向、對產品進行駭客式開發,以及真正與 Agent 合作以打造出最棒產品的機會。
    當我們 5 年前首次以終端機的形式推出 Warp 時,計畫就一直是將用戶端開源。以下是 Warp 最初在 Show HN 發布的文章:
    我們每年都在爭論是否要開源,而今年我們第一次清楚地意識到,由於 Agent 的興起,天平已經傾斜了。我擔任開發者已經很長一段時間,從未見過像現在這樣巨大的變革。Warp 的使命一直是賦能開發者,讓他們能更快地交付更好的軟體,我希望透過改變我們的開發方式,能讓我們離實現這個使命更近一步。
    原文:https://easyvibecoding.app/curated/1020
    8 min
  • @claudeai:Claude 推出創意工具連接器,助專業人士加速工作流程。 Anthropic 於 2026 年 4 月 28 日發布「Claude for Creati…
    Claude 推出創意工具連接器,助專業人士加速工作流程。
    Anthropic 於 2026 年 4 月 28 日發布「Claude for Creative Work」,透過與 Blender、Autodesk、Adobe 等夥伴合作,推出連接器,讓 Claude 直接整合創意專業人士熟悉的軟體,擴展 ideation 速度、技能範圍,並處理重複性任務,避免手動勞務。
    連接器清單
    Anthropic 今日發布多款連接器,專為創意工作設計,讓 Claude 存取平台並操作工具:
    Ableton:以 Live 和 Push 官方文件為基礎,提供精準回應。
    Adobe Creative Cloud:涵蓋 Photoshop、Premiere、Express 等 50 多款工具,讓使用者透過 Claude 活化圖像、影片與設計。
    Affinity by Canva:自動化批量圖像調整、圖層重新命名、檔案匯出等重複任務,並直接在應用程式中產生自訂功能。
    Autodesk Fusion:Fusion 訂閱使用者可透過對話建立與修改 3D 模型。
    Blender:提供自然語言介面存取 Python API,便於探索複雜設定與文件查詢。
    Resolume Arena 和 Resolume Wire:讓 VJ 與即時視覺藝術家用自然語言即時控制 Arena、Avenue 和 Wire,用於現場表演與 AV 製作。
    SketchUp:將 Claude 對話轉為 3D 模型起點,如描述房間、家具或場地概念後開啟精修。
    Splice:音樂製作人可在 Claude 中搜尋免版稅樣本目錄。
    創意應用方式
    Claude 可應用於多種創意任務,強調學習、擴展與自動化:
    學習與掌握工具:充當即時導師,解釋 modifier stack、合成技巧或陌生功能,並示範操作。
    程式碼擴展工具:Claude Code 撰寫腳本、plugin 與生成系統,如自訂 shader、程序動畫或參數模型,並提供可重用文件化程式碼。
    管道橋接工具:轉換格式、重組資料、跨專案同步 asset,避免設計、3D 與音訊工具間的手動交接。
    快速探索與移轉:新產品「Claude Design」(Anthropic Labs 出品)視覺化軟體體驗想法、依回饋迭代,並匯出至 Canva 等工具。
    重複生產工作:處理批量 asset、專案架構設定或場景程序變更,減少瑣碎勞務。
    Blender 專屬整合
    Blender 為免費開源 3D 創作套件,廣用於獨立遊戲開發、動態圖形、建築視覺化與電影製作。Blender 開發者打造 MCP 連接器,已正式適用 Claude,例如 3D 藝術家可分析與除錯完整 Blender 場景、建置自訂腳本批量變更物件,或透過 Python API 直接新增 Blender 介面工具。Anthropic 加入 Blender Development Fund 贊助,支持 Python API 開發,使此類整合成真;連接器基於 MCP,也開放給其他 LLM,體現 Blender 開源與互通承諾。
    教育合作計畫
    Anthropic 與藝術設計課程合作,支持創意運算教學,第一階段三個程式包括 Rhode Island School of Design 的「Art and Computation」、Ringling College of Art and Design 的「Fundamentals of AI for Creatives」,以及 Goldsmiths, University of London 的 MA/MFA Computational Arts 程式。學生與教職員獲 Claude 與新連接器存取權,其回饋將助了解創意從業者的需求,未來將擴大至更多機構。
    原文:https://easyvibecoding.app/curated/1017
    5 min
  • @wjwang2003:World-R1透過強化學習喚醒影片模型內在3D能力,無需架構變更或影片資料。 World-R1框架於2026年arXiv論文(arXiv:2604.24…
    World-R1透過強化學習喚醒影片模型內在3D能力,無需架構變更或影片資料。
    World-R1框架於2026年arXiv論文(arXiv:2604.24764)中提出,由Weijie Wang領軍,結合浙江大學、Microsoft Research及獨立研究者開發,利用強化學習(RL)對齊文字到影片生成與3D約束,解決現有影片基礎模型的幾何不一致問題。該方法不改變基礎影片模型架構、不需大量3D監督資料或額外推論成本,僅用3K純文字提示進行優化,即顯著提升3D一致性,同時保留視覺品質與動作多樣性。
    核心創新機制
    World-R1的核心在於將相機軌跡嵌入擴散噪聲中,實現零額外模組的相機感知潛在初始化,無需修改基礎影片架構。
    文字提示中的相機指令(如「camera move left」「camera push in」「camera orbit right」)轉換為明確軌跡,透過噪聲包裝(noise wrapping)注入初始影片潛在空間,提供隱式相機條件。
    使用Flow-GRPO進行後訓練優化,結合3D感知獎勵與美學獎勵,來自預訓練3D基礎模型與視覺語言模型的回饋。
    3D獎勵具體包括Depth Anything 3與Qwen3-VL作為幾何評審,提供meta-view評估、重構一致性及軌跡對齊獎勵,強制結構一致性。
    週期性解耦訓練策略
    為平衡剛性幾何一致性與動態場景流暢度,World-R1採用週期性解耦訓練,避免模型過擬合靜態剛性場景。
    基礎階段聚焦純文字世界模擬分類法(pure-text world-simulation taxonomy),涵蓋自然景觀、都市建築、微觀靜物、奇幻超現實及藝術風格。
    週期性動態專屬訓練階段,使用高熵動態提示(如獅子咆哮、士兵齊步行進、無人機走廊飛行),以動態場景提示正規化模型,提升動作多樣性,同時保留已學3D一致性。
    此策略確保建築物保持剛性(如層狀岩石峽谷壁),旗幟仍能飄揚,展現大尺度幾何、流體結構與大氣一致性。
    生成結果展示
    World-R1在多類提示下產生具代表性影片,涵蓋靜態到動態場景,證明3D一致性大幅提升。
    自然景觀:深層峽谷壁(camera move left)、極地冰原(camera push in)、發光巨型真菌森林(camera orbit right then push in);水景如苔蘚懸崖瀑布、深海珊瑚礁、海洋漩渦;天氣如野花田(camera orbit right)、星夜湖映(camera pan left)、夜林落雪(camera move left)。
    都市與建築:歐洲中世紀廣場(camera orbit right)、現代玻璃摩天大樓(camera move left)、未來城市(camera push in);室內如歌劇院觀眾、無尾擴骨展覽、洗衣店洗衣機;基礎設施如廢棄工業區(camera pan left)、巨型橋樑、無人巴士站。
    微觀與靜物:馬卡龍下午茶組、乾野花排列、蠟燭靜物(camera move right then push in);微縮景觀模型(camera move left)、晶體微結構(camera orbit right);材質如威士忌冰塊(camera orbit right)、鑽石寶石、發光水母鐘形細節。
    奇幻超現實:融化鐘樹枝(camera pull out)、雲上浮寺(camera orbit left)、奇想城市景(camera pull out)。
    藝術風格:日本橋水百合池、中國水墨場景(camera push in)、浮世繪木刻風格。
    動態子集:獅吼風中鬃毛抖動、士兵同步行軍、無人機走廊飛行、駭客狂打鍵盤、戰機表演、湖上鳥群起飛。
    技術實現與開源細節
    專案網站(https://aka.ms/world-r1)、論文(https://huggingface.co/papers/2604.24764)及程式碼(https://github.com/microsoft/World-R1)已公開,基於Wan2.1-T2V-14B-Diffusers模型,提供完整訓練與推論腳本。
    環境設定:Python 3.10+、CUDA、PyTorch(cu124),安裝diffusers、transformers、peft、wandb等核心套件;額外3D獎勵套件如lpips、trimesh、moviepy、Depth Anything 3、Qwen3-VL。
    訓練流程:單節點使用scripts/runsinglenode.sh,指定MODELPATH、SERVERVISIBLEDEVICES、TRAINVISIBLEDEVICES、NUMPROCESSES=6;多節點需預啟reward servers,提供REWARD3DSERVERURL與GENERALREWARDSERVERURL。
    工具腳本:
    - scripts/trainworldr1.py:主RL訓練入口。
    - scripts/inferwanlora.py:批次推論WAN檢查點或LoRA。
    - scripts/noisewrapablation.py:視覺化潛在包裝效果。
    - scripts/servereward3d.py與scripts/servegeneralreward.py:獎勵服務後端。
    資料集:內建dataset/final/(基礎提示分割,用於訓練、驗證、動態正規化)與dataset/enhanced/(擴充提示變體)。
    授權為MIT,第三方如Flow-GRPO、Depth Anything 3保留原授權;致謝Wan2.1、Flow-GRPO、Depth Anything 3、Qwen3-VL開源貢獻。
    方法優勢與影響
    相較既有方法,World-R1避免架構修改帶來的計算成本與可擴展性限制,證明影片模型已內含3D知識,僅需RL「喚醒」。評估顯示,其有效彌補影片生成與可擴展世界模擬的差距,保留基礎模型視覺品質,適用自然景觀大尺度幾何、都市透視正確性、微觀材質保真度及非歐幾何奇幻場景。開源實現降低門檻,預期推動文字到影片生成向真實3D世界模擬邁進,無需影片訓練資料即達此效,凸顯RL在多模態生成中的高效潛力。
    原文:https://easyvibecoding.app/curated/1030
    6 min