EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • Go 1.27.3、1.26.10 修補 CA 憑證信任問題:部署後仍須核實實際版本

    Go 1.27.3、1.26.10 修補 CA 憑證信任問題:部署後仍須核實實際版本

    Go 專案在 10 月 19 日發布 Go 1.27.3 與 Go 1.26.10,兩個版本都包含 crypto/x509 安全修補。這項更新針對特定憑證授權機構(CA)的中繼憑證信任問題;Go 官方 issue 將事件連結到 CVE-2026-111943,並建議立即升級。Go 發布紀錄;Go issue #82345

    Go 帳號在 10 月 20 日公告兩個版本都含一項標準函式庫安全修補,但該貼文沒有指出 CVE 或受影響套件。Go 發布紀錄列出這兩版的 crypto/x509 安全修補;issue 活動則記錄修補進入 go1.26 與 go1.27 分支。把這些來源合在一起,才能確認這兩條發布線的修補版號。Go 公告;Go issue #82345

    這次修補處理什麼?

    Go issue 說明,crypto/x509 的 Verify 會過濾含有目標中繼憑證的憑證鏈,避免將這些鏈傳回呼叫端。Go 的公告稱目標是一小組中繼憑證;目前引用的 Go issue 沒有列出它們的完整清單,因此不應把未核實的憑證數量或名稱當成 Go 公告內容。

    Red Hat 將事件描述為第三方 CA 私鑰遭到侵害,並說受影響的中繼憑證由 eMudhra 根憑證簽署,而該根憑證存在於 Red Hat 產品的系統信任庫。Red Hat 指出,若攻擊者持有遭侵害的私鑰、處於可攔截 TLS 流量的中間人位置,並出示偽造簽發的憑證,才符合其說明的攻擊條件。私鑰遭侵害本身不等於某個系統已遭入侵;停用 TLS 憑證驗證也不是緩解措施,應依公告更新並核實實際部署。Red Hat 公告 RHSB-2026-012

    更新 Go 程式與系統信任庫是兩件事

    Go 的 crypto/x509 修補和作業系統的 CA 信任庫更新,分屬不同層次。更新 Go 工具鏈不會自動改寫已編譯的程式;既有服務要使用這項 Go 修補,需以 Go 1.27.3 或 1.26.10 重建程式,再將新產物部署到實際服務。Red Hat 也建議受影響系統更新 ca-certificates;其公告另列出 Comodo AAA Services root 與 emSign ECC Root CA - G3,作為相關中繼憑證的簽發根憑證,並提供封鎖根憑證的防護指引。

    Go 程式需以修補版重建並核對部署產物;Red Hat 系統信任庫則依產品公告核對更新。

    如何確認更新已到達服務?

    確認建置工具鏈。 檢查建置環境使用的是 Go 1.27.3 或 1.26.10。這只說明建置端的版本,不能單獨證明正式服務已更新。 重建並部署。 以修補版重建 Go 程式或映像,將新產物部署到服務環境。保留部署所對應的映像摘要或產物版本,方便核對實際上線內容。 檢查服務中的二進位檔。 在部署環境檢查實際執行的 Go 二進位檔,例如使用 go version -m /path/to/deployed/app 查看其建置資訊;不要只在開發機執行 go version 後就視為完成。 另行核對系統信任庫。 Red Hat 公告建議以 rpm -q ca-certificates 檢查已安裝套件,並依受影響產品的公告與 errata 套用更新。這份公告指出 RHEL 6 至 10 等產品系列可能受影響,也提及衍生產品與以 RHEL 或 UBI 為基礎的容器;所讀公告沒有提供可通用套用的固定套件版本,因此應核對各產品實際發布的更新,再檢查部署系統。

    Red Hat 公告將事件標為調查中,且說更新資訊會隨新資料補充。Go 修補版解決的是 Go crypto/x509 對目標憑證鏈的處理;Red Hat 系統信任庫的更新則須依各產品供應商的套件與 errata 管理。兩條更新路徑都要核對實際部署結果,不能以工具鏈版本代替服務二進位檔或系統套件的讀回。若仍使用已不受支援的舊 Go 分支,應移至仍受支援且含修補的版本;Go 官方的維護政策涵蓋仍受支援的發布線。

    來源:@golang|Go 的終端操作示範:安裝 Go 1.27.3 下載器、下載 1.27.3 工具鏈,再印出 go version go1.27.3 illumos/amd64。

    原文:https://easyvibecoding.app/curated/3503-go-1273-12610-ca-certificate-trust-fix

    5 min
  • Node.js 10 項安全修補:先核對版本線,再確認實際執行環境

    Node.js 10 項安全修補:先核對版本線,再確認實際執行環境

    Node.js 專案於 2026 年 10 月 21 日發布 26.x、24.x、22.x 的安全更新。公告列出 10 項漏洞,其中 4 項為 High,並分別提供 26.12.1、24.22.1、22.23.4 修補版本。維護服務的人應先確認部署使用哪條 Node.js 版本線,再安排對應更新;只改專案相依套件,不等於更新了正在執行的 Node.js。

    三條 Node.js 發行線各自對應的修補版本。

    先核對版本線與修補版本

    三條發行線各有對應的修補版本:26.x 更新至 26.12.1、24.x 更新至 24.22.1、22.x 更新至 22.23.4。公告也說明,個別漏洞影響的分支不同;「10 項漏洞、4 項 High」是公告列出的總數,不代表每項漏洞都影響全部三條線。

    公告漏洞總數與 High 項目數。

    Node.js 公告指出,EOL(停止支援)版本在發布安全更新時也一律視為受影響,並建議使用符合發布時程的最新版本。若服務仍依賴已停止支援的版本,單靠這次的三個修補版本對照不足以判定可用的更新路徑;應先核對官方支援狀態與可升級版本。

    High 項目涵蓋 Brotli、DNS 與 TLS

    四項 High 包含 DNS resolve 對含 NUL 字元名稱的處理、兩項 TLS 主機名稱驗證問題,以及 Brotli 解碼器問題。官方將 CVE-2026-111497 描述為 Brotli 解碼器越界寫入,可能導致遠端程式碼執行,並列出 26.x、24.x、22.x 均受影響。這是漏洞可能造成的影響,不是已遭利用或特定系統已被入侵的證據。

    24.x 的官方發行說明將 24.22.1 標示為 2026 年 10 月 21 日的 LTS 安全版本,並列出 TLS、DNS、Brotli 等修正。這些細節可協助維護者理解該版本的變更;實際更新仍須依服務部署的版本線處理。

    把更新套用到實際執行環境

    建議按部署方式核對並更新 Node.js 本身:

    在實際執行服務的環境確認版本與執行檔路徑,例如執行 node --version,並在服務程序中檢查 process.version 與 process.execPath。不要只看開發機或套件檔中的版本。 將執行環境或容器基底映像更新至所屬版本線的修補版本,重新建置映像並部署;若服務使用既有主機上的 Node.js,也要更新該主機實際供服務程序使用的執行檔。 重新啟動或重新部署服務後,再從服務程序或其實際執行環境讀回 process.version 和 process.execPath,確認新程序確實使用預期版本。僅確認映像標籤、安裝檔或 CI 建置成功,不能單獨證明線上程序已切換。

    npm audit 檢查的是 npm 套件相依性;它不會替你更新 Node.js runtime。更新 Go 開發工具或其他語言的套件,也不會改變已部署的 Node.js binary。

    若暫時無法更新,這份公告沒有列出可取代安全更新的官方緩解措施。維護者可把升級排程列為優先事項,並評估暫時限制不可信輸入抵達相關處理路徑、縮小服務暴露範圍;這些是一般性的暫時降曝險作法,不能修補漏洞、不能取代升級,也不能據此判定服務已安全。不要以關閉 TLS 憑證驗證作為緩解方式。

    公告說明的是風險與修補,不是入侵狀態

    Node.js 官方公告提供漏洞、受影響版本線及修補版本資訊;它沒有證明任何特定部署已遭利用。所選 X 貼文則以「10 項、4 項 High」提醒讀者更新,適合作為事件傳播脈絡,不能作為正式版本或風險判斷依據。維護者應以官方公告核對版本,並以服務程序實際回報的 runtime 資訊確認更新結果。

    原文:https://easyvibecoding.app/curated/3502-nodejs-security-releases-october-2026

    5 min
  • Adaptyv Bio:Claude 設計的 211 個蠍毒蛋白中,17 個呈現結合訊號

    Adaptyv Bio:Claude 設計的 211 個蠍毒蛋白中,17 個呈現結合訊號

    Adaptyv Bio 分享與 Anthropic、Citrini 合作的濕實驗結果:Claude 設計的 211 個蛋白質進入自動化實驗室測試,其中 17 個呈現蠍毒結合訊號。這讓讀者看到 AI 蛋白設計如何接上實驗檢驗;目前可確認的結果是結合訊號,而非中和效果或治療價值。

    公司貼文報告 211 個測試中有 17 個呈現結合訊號;本次研究未取得原始實驗記錄獨立核實。

    貼文稱,相關資料已上傳至 ProteinBase。公司發布的五秒資訊圖列出多種毒素標籤、蛋白質模型與 SPR 結合曲線;這些畫面展示了實驗結果的呈現方式,並未在本文中用來推算其他數值。

    結合訊號代表什麼?

    貼文把設計目標描述為中和蠍毒,但報告的觀察結果是部分設計在實驗中與毒素結合。結合不等於已證實能中和毒素;貼文沒有說明這 17 個設計具有功能性中和效果,也沒有提供藥效或治療價值的證據。

    這些數字來自 Adaptyv Bio 的公告,本次研究未取得該批實驗的原始記錄以獨立核實。

    Adaptyv 與 Anthropic 的蛋白質設計結果資訊圖,展示多種毒素、蛋白質模型與 SPR 結合曲線。

    原文:https://easyvibecoding.app/curated/3498-adaptyv-claude-scorpion-protein-binding-results

    2 min
  • METR 質疑 Anthropic 風險評估中的思維鏈監控假設

    METR 質疑 Anthropic 風險評估中的思維鏈監控假設

    METR 評議 Anthropic《2026 年 8 月風險報告》中的高風險錯位評估,指出一個值得留意的監控落差:在報告引用的單一 Mythos 5 網路安全事件中,離線監控約標記 1% 的操作;移除思維鏈、只提供使用者訊息與工具互動後,約標記 50%。這組數字讓監控者需要追問:模型說了什麼,是否足以判斷它實際做了什麼?

    同一事件,不同監控輸入:兩個近似標記率只適用於該事件與相應設定。

    這裡的「思維鏈」是模型生成答案時的推理文字。監控若把這些文字當成判斷依據,模型對情境的描述可能影響監控器如何解讀工具操作。METR 提到,事件中的模型反覆把情境描述為模擬環境;但它也明確表示,不主張這次合理化是蓄意欺騙。因此,這項評議指向的是監控設定可能受哪些輸入影響,而非對模型意圖下定論。

    約 1% 與約 50% 是同一事件中兩種監控輸入設定的標記率,不是普遍誤報率,也不能直接代表其他模型或情境。這項比較提醒讀者,評估監控時要看清楚它讀取了哪些資訊,以及結果來自哪個事件;單看推理文字或工具紀錄,都需要放回各自的測試條件理解。

    METR 的評議提供了一個具體檢視角度:當風險報告用監控結果支持安全判斷時,監控器看到的輸入是什麼?而這些輸入是否會改變它對同一組操作的標記?

    原文:https://easyvibecoding.app/curated/3494-metr-cot-monitoring-assumptions

    2 min
  • Unity 將官方 30 多項遊戲開發技能接入 Grok Build

    Unity 將官方 30 多項遊戲開發技能接入 Grok Build

    Unity for Games 宣布,官方 Unity Plugin 可搭配 Grok Build。貼文表示,使用者可用一個指令安裝外掛,讓 Grok 取得 30 多項 Unity 工作流程技能;提升速度與準確度是貼文列出的目標,但沒有附上測試數據。Unity for Games 公告

    公告所述的 Plugin、Grok Build 與 Unity 工作流程技能關係示意圖。

    影片把整合放進 Grok Build 的命令介面中:畫面顯示安裝指引,技能面板的一幕列出 31 項 Unity Plugin 技能;影片口白稱技能由 Unity 各功能團隊撰寫,並會持續增加。31 項是影片畫面當時顯示的數字,貼文則以「30 多項」描述。

    影片接著示範幾種 Unity 任務。第一個例子是把原為內建渲染管線製作的素材包用在 URP 專案中,影片說明可請 Grok 使用轉換技能處理材質與著色器。後續畫面與口白展示泛光、色調映射和色彩分級等後處理設定;最後則提出以 UI Toolkit 製作遊戲介面的例子。這些是官方影片中的操作示範;畫面呈現介面、程式碼變更或場景,不提供獨立測試來衡量產出品質或速度。

    目前可確認的是外掛與 Grok Build 的搭配方式、貼文所述的技能數量,以及影片展示的任務類型。貼文沒有列出完整技能清單、安裝指令內容或安裝前提;速度與準確度的提升也沒有量化驗證。

    影片先呈現遊戲場景,再展示 Unity Plugin 在 Grok 中的安裝指引與技能清單,並示範將素材轉換為 URP、調整後處理效果及製作遊戲 UI 原型。

    原文:https://easyvibecoding.app/curated/3490-unity-official-plugin-grok-build-30-skills

    2 min
  • ElevenLabs 推出 Realtime 語音代理:Mini 與 Max 分別面向對話與複雜任務

    ElevenLabs 推出 Realtime 語音代理:Mini 與 Max 分別面向對話與複雜任務

    ElevenLabs 推出 Eleven Realtime 語音轉語音模型系列,分成 v1 Mini 與 v1 Max。產品頁將 Mini 定位為自然對話用途,Max 則面向複雜任務。這次更新的重點,是讓開發者在 ElevenAgents 或 Realtime API 選擇模型,使用語音辨識、輪流發言、語言模型與語音等共同調校的系統。

    語音代理是能以語音和人互動的 AI 助手。傳統做法可能要把辨識使用者語音、決定何時回應、生成答案和合成聲音等環節接起來;ElevenLabs 表示,Realtime 將這些環節端到端調校。這是廠商對產品架構的描述,不代表在所有應用中都能達到相同效果。

    ElevenLabs 把兩個版本分成不同工作取向:v1 Mini 面向自然對話,官方舉例助理、導師與互動角色;v1 Max 面向較複雜任務,頁面列出客服、潛在客戶資格判定和多步驟工具呼叫。這是產品定位,實際表現仍取決於任務與部署方式。

    官方產品定位示意,非按比例且不代表實測效果。

    官方頁列出兩款模型的首音延遲與其他基準數據。它稱 Artificial Analysis 分別獨立評估兩款模型:Big Bench Audio 用於語音推理,Full-Duplex-Bench 評估對話動態,Speech Agent Arena 涉及人類偏好與任務成功;首音時間則是 Big Bench Audio 的平均值。表內其他指標來自不同測試,不能當成同一項目直接排名。

    | 模型 | 平均首音時間 | 頁面列出的其他指標 | | --- | --- | --- | | v1 Mini | 620 毫秒 | Full-Duplex-Bench:95.8%;Speech Agent Arena:Elo 988 | | v1 Max | 570 毫秒 | Big Bench Audio:98.8%;任務成功率:87.1% |

    ElevenLabs 的 X 公告另稱模型「半秒內開始說話」,但沒有附上測試條件;產品頁則列出上述分模型的平均首音時間。兩種說法的測試說明不同,不能把宣傳文案當成適用於所有部署的延遲保證。

    接入方式也有範圍差異。官方說明稱 Realtime API 與 OpenAI Realtime API 相容,使用時需改用 ElevenLabs 的端點與模型名稱;但 API 和 ElevenAgents 是分開運作的產品。產品頁 FAQ 指出,Realtime API 在推出時尚不支援 WebRTC,連線使用 WebSocket;若原本的整合採用 WebRTC,需先改用 WebSocket。若需要電話、WhatsApp、知識庫、護欄、測試或監控等 ElevenAgents 功能,應使用 ElevenAgents 路徑。

    ElevenLabs 以 Mini 與 Max 兩種配置介紹 Eleven Realtime,並示範語音代理的客戶訪談與客服情境。

    原文:https://easyvibecoding.app/curated/3488-elevenlabs-realtime-mini-max-voice-agents

    4 min
  • Zeabur 將逐步結束營運:關站時程與安全遷移選擇

    Zeabur 將逐步結束營運:關站時程與安全遷移選擇

    INSIDE 報導,Zeabur 創辦人於 2026 年 10 月 17 日發信通知使用者,平台將逐步結束營運。這項消息來自媒體對使用者信件的報導;截至報導查核時,Zeabur 官方部落格與狀態頁尚未發布關站公告。INSIDE 報導

    報導列出的時程是:12 月 1 日起停止專用伺服器續費,共享叢集同日暫停;12 月 31 日前全面關閉服務。專用伺服器會依各自到期日陸續關閉,共享叢集則可由使用者手動恢復以備份資料,因此 12 月 31 日是最晚關閉時間,不代表每個服務都能使用到當天。

    關站時程依 INSIDE 對使用者信件的報導;專用伺服器可能於 12 月 31 日前各自到期。

    報導當時尚未提供資料刪除日期、最晚匯出期限與客服停止服務日期。使用者應按自己的服務到期日安排匯出與遷移,並留意後續公告,避免把全面關閉日當成個別服務的可用期限。

    遷移前先處理資安憑證

    Zeabur 官方狀態頁在 10 月 15 日更新資安事件範圍:部分 Google Cloud 專用伺服器遭未授權存取,攻擊者曾讀取平台資料庫;受影響資料包括服務環境變數、帳戶資訊、API token 與 zSend API 金鑰。官方建議輪替環境變數中的機密、重新產生 Zeabur API token;使用 zSend 者應建立新金鑰,使用 Google Cloud 專用伺服器者則應更改 root 密碼並移除不認得的 SSH 金鑰。Zeabur 官方狀態頁

    先完成憑證處理,再盤點各服務、資料庫與檔案存放位置,備份資料後安排遷移。Render 文件指出,沒有掛載 persistent disk 時,服務重新部署或重啟會失去本機檔案變更;掛載磁碟也只會保留指定路徑下的資料。搬移時要確認應用程式實際寫入的路徑,不能只部署程式碼就假設資料已跟著轉移。Render Persistent Disks 文件

    示意流程;實際盤點項目依服務架構而定。

    先核對方案費用與資料保存方式

    Railway 的 Hobby 方案列出每月最低用量 5 美元,並包含每月 5 美元用量抵額;超過抵額後,費用依實際資源用量計算。這些是方案條件,不是特定 Zeabur 專案的遷移成本估算。Railway 定價頁

    官方方案頁資料,查核日期 2026-10-17;非個別專案成本估算。

    選平台時也要比對服務如何保存資料。以 Render 為例,服務預設使用暫存檔案系統;若服務依賴本機檔案,需確認 persistent disk 的掛載路徑涵蓋資料所在位置。這項差異會影響備份、部署與遷移安排,應在選定新平台前逐項核對。

    替代平台怎麼選

    Zeabur 的關站與資安事件已讓遷移成為眼前工作;處理事件建議的機密輪替後,再按服務、資料庫、檔案、排程和外部依賴盤點遷移。平台價格和執行方式差異很大,以下列出的價格是官方頁面捕獲值,不是特定專案的成本估算。

    Railway Hobby 每月最低用量為 5 美元,含 5 美元用量抵額;Pro 最低用量為 20 美元,含 20 美元抵額。持久卷要掛在服務實際寫入的路徑;PostgreSQL 預設模板也不一定包含原資料庫所需的 extensions。Render 的付費 web 入門規格為每月 7 美元,Postgres 入門規格為每月 6 美元,persistent SSD 另以每 GB 每月 0.25 美元計費,這些是不同資源,不能視為全包價。Render background worker 可持續處理佇列工作,但不接收傳入網路流量;未掛載 persistent disk 的本機檔案變更會在重啟或重新部署時遺失。Render 的邏輯備份保留七天,免費方案不自動產生這類備份;還原時要使用符合目的端 PostgreSQL 主要版本的客戶端工具。

    方案與資源價格是例子,並非同規格總價或專案成本估算;部署前請核對工作負載、配額、磁碟與維運需求。

    Cloudflare Workers Paid 每月 5 美元,並包含 Containers 每月 25 GiB-hours 記憶體、375 vCPU-minutes 與 200 GB-hours 磁碟用量額度;超額依資源用量計費;其預設磁碟是暫存空間,容器睡眠後重啟會使用新磁碟。Containers 沒有固定最長執行時間,但平台事件仍可能使執行個體停止或重啟,背景工作要能續做並將資料存到適當的持久化服務。Hyperdrive 是加速連接既有 PostgreSQL 或 MySQL 的服務,不負責託管或搬入原資料庫。Vercel Pro 每月 20 美元含 20 美元用量抵額,另須核對開發者席次和超額費用;Daemons 公測期間可在各方案使用,但只在 production 執行,並受方案配額約束。Vercel 的關聯式資料庫由 Marketplace 供應商提供,檔案可使用 Blob 等儲存。

    若要自行管理 VPS,DigitalOcean 的入門 Droplet 範例為每月 4 美元,規格是 512 MiB 記憶體、1 vCPU、10 GiB SSD,備份另計。這只是特定小型規格的價格例子,不能據此認定足以承載原服務;選 VPS 也要把作業系統、資料庫和備份維護納入責任與成本。

    遷移前逐項核對實際服務規格和目的端限制:除了程式碼,還要盤點資料庫版本與 extensions、資料量、檔案寫入路徑、排程、背景工作、外部連線、備份保留和還原方式。先取得可獨立保存的備份並驗證還原,再切換流量;平台提供持久卷、備份或資料庫連線功能,各自解決不同問題,不能互相替代。

    先驗證還原再切換;備份、持久卷與程式部署各自處理不同事項,仍需確認目的端版本、資料及外部依賴。

    原文:https://easyvibecoding.app/curated/3478-zeabur-shutdown-migration

    7 min
  • DeepSeek 推出 V4.1-Flash-1017,主打更快任務完成與較短輸出

    DeepSeek 推出 V4.1-Flash-1017,主打更快任務完成與較短輸出

    DeepSeek 宣布推出 V4.1-Flash-1017,並稱新版本相較前一版 benchmark 表現更強、任務完成更快、輸出更短。官方將這些變化概括為效能與成本上的 Pareto 改善;貼文沒有提供量化幅度。

    官方貼文稱,模型已在 DeepSeek 網站、App 與 API 上線,並針對 DeepSeek Harness、Tencent CodeBuddy、WorkBuddy 等工具最佳化。使用 DeepSeek Harness 時,官方建議升級至 v0.2.1-rc.1 或更新版本,以取得最佳體驗。

    對應官方上線管道段落;圖示為概念示意,不代表已驗證服務端可用性。

    附件中的基準分數如何比較?

    DeepSeek 貼文附件的比較表列出 11 項基準,並列 V4.1-Flash-1017 與前版 V4.1-Flash。表中各項分數都高於前版;例如 Terminal-Bench 4.0 為 42.3 對 31.2,DeepSWE v1.1 為 77.0 對 74.2,ProgramBench 為 29.1 對 20.3。這些是不同基準各自的分數,不能合併解讀成單一總分。

    比較 V4.1-Flash-1017 與前版的三項附件分數,註明不同基準不合併為總分。

    依官方附件節錄兩個 DeepSeek 版本的 11 項基準分數,保留 HLE、Terminal-Bench、DeepSWE 與 ZeroBench 評測註記。

    附件另列出部分評測條件:HLE 星號表示文字子集;Terminal-Bench 4.0 使用 Claude Code framework,DeepSWE 使用 Mini-SWE-V2,ZeroBench-main 使用 Pass@5。另一張圖以 miniswev2 執行 DeepSWE v1.1,標出 V4.1-Flash-1017 的 Pass@1 最高點 77.0%,並以每項任務平均成本(美元、對數尺度)為橫軸;圖中沒有逐點列出精確成本數值。

    因此,附件為官方的 benchmark 分數與部分評測條件提供了更具體的依據,但貼文及附件沒有提供獨立複測。

    DeepSeek 官方基準比較表,列出 V4.1-Flash-1017、前版與其他模型在多項基準上的分數,並註明部分評測條件。

    DeepSWE v1.1 Pass@1 與每項任務平均成本的比較圖;藍色系列標示 DeepSeek V4.1 Flash-1017,並標出最高點 77.0%。

    原文:https://easyvibecoding.app/curated/3476-deepseek-v4-1-flash-1017

    2 min
  • Apple ML Research 推出 RSI-Inference Bench,測試 AI 代理能否改善推論系統

    Apple ML Research 推出 RSI-Inference Bench,測試 AI 代理能否改善推論系統

    Apple ML Research 介紹 RSI-Inference Bench,將 AI 代理放進執行 AI 模型的推論系統工程任務中測試。貼文稱,基準採用 vLLM 與 SGLang 的真實任務,涵蓋推論工程不同階段;目前最佳代理的 pass@1 為 26.7%。這是發布者對基準與結果的描述,尚未獨立重跑。

    基準涵蓋哪些工程工作?

    推論系統負責讓模型產生回應。工程工作不只涉及模型本身,也包括讓系統支援新模型、提升推論效率,以及修復錯誤。貼文將 RSI-Inference Bench 的任務分為這三類,並表示任務取材自 vLLM 與 SGLang 的真實工程工作。

    影片也以動畫介紹這些任務類別。分類說明的是基準涵蓋的工作範圍,不代表代理必須依照這個順序執行。

    三類任務依發布者描述,不代表執行順序。

    影片中的比較圖表列出哪些結果?

    pass@1 指只嘗試一次時通過任務的比例。影片中的 Day-0 Model Support 圖表列出 Sonnet 5.5 AI 為 26.7%、Opus 5.5 AI 為 13.3%。這是新模型支援類別的比較;貼文文字另稱基準目前最佳代理的 pass@1 為 26.7%,但未在文字中列出代理名稱或完整評估設定。

    另一張 Inference Optimization 圖表以各任務基準為比較基準,列出 Sonnet 5.5 AI 的加速倍數為 1.53×、Opus 5.5 AI 為 1.39×。這些是影片圖表呈現的結果,描述該基準所列任務上的比較,不是一般化的推論加速保證。

    貼文也稱,研究投入了 10 萬美元的 API tokens 與 5 萬 GPU 小時,並設有 binary 與 continuous 兩類可驗證獎勵。投入數字與基準設計均來自發布者自述;貼文沒有詳述計分實作或驗證程序。

    RSI-Inference Bench 把代理能力放到模型推論工程任務中檢視,並以影片展示兩類任務的模型比較。要判斷不同代理的結果如何比較或重現,仍需完整任務定義與評估設定;目前引用的結果反映的是發布者呈現的基準與圖表。

    Apple ML Research 以動畫介紹 RSI-Inference Bench,展示推論系統生命週期、vLLM 與 SGLang 任務類別,以及基準比較圖表。

    原文:https://easyvibecoding.app/curated/3475-apple-ml-research-rsi-inference-bench

    3 min
  • d1-ultra 登上決策模型榜首:少幻覺表現伴隨較低準確率

    d1-ultra 登上決策模型榜首:少幻覺表現伴隨較低準確率

    Liquid AI 於 2026 年 10 月 15 日發布多模態決策模型 d1-ultra。Artificial Analysis 的貼文稱,d1-ultra 以 65 分位居 Decision Index v1.0 首位。Artificial Analysis 說明,這個指數結合四項評測,並由該機構獨立執行。

    | Decision Index v1.0 | 分數 | |---|---:| | d1-ultra | 65 | | Jev 1.14 | 57 | | GLiDE、Microsoft-Decision-1 | 54 |

    榜單名次之外,AA-Omniscience-Decision 的兩項數據呈現了不同面向:

    | AA-Omniscience-Decision | d1-ultra | d1 | |---|---:|---:| | 非幻覺率:答錯題中選擇「我不知道」的比例 | 85% | 2% | | 準確率 | 32% | 41% |

    這組結果顯示,在這項評測中,d1-ultra 較常在答錯時選擇不回答,但整體答對率低於 d1。兩項指標回答不同問題;85% 不是整體答對率。

    在 AA-Omniscience-Decision 中,兩項指標回答不同問題;非幻覺率是錯答題中選擇「我不知道」的比例。

    貼文也報告 d1-ultra 每項任務耗時 92 毫秒,在當時量測的決策模型中排名第三;Jev 1.14 為 78 毫秒,Celeris-1 Decision 為 63 毫秒。每百萬任務成本是 32 美元,與 Celeris-1 Decision 相同,略高於 Microsoft-Decision-1 的 31 美元,也高於 d1 與 Mercury Decide 的 15 美元;GPT-6 Luna (Decisions) 則為 79 美元。

    API 輸入價格是另一種計價單位:Liquid AI 列出的 d1-ultra 價格為每百萬輸入 token 0.042 美元,d1 為 0.02 美元;兩者都只按輸入 token 計費。每百萬任務的評測價格與 API token 單價不能直接對照。

    因此,65 分的榜首結果要和評測範圍一起看:指數合併四項評測,而非幻覺率與準確率的對照來自其中的 AA-Omniscience-Decision。這些數字描述特定版本指數與該項測試,不是跨任務的通用能力結論。

    Artificial Analysis Decision Index v1.0:d1-ultra 以 65 分位居圖表首位。

    原文:https://easyvibecoding.app/curated/3472-d1-ultra-decision-index-tradeoff

    3 min