EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • a16z 消費型 AI 第七版榜單加入美國消費卡樣本支出排名:流量熱度不等於付費表現

    a16z 消費型 AI 第七版榜單加入美國消費卡樣本支出排名:流量熱度不等於付費表現

    a16z 第七版 Top 100 Consumer AI Apps 加入依 YipitData 美國消費卡樣本觀察支出編列的排名;該支出資料僅涵蓋美國、來自 panel 而非普查,不代表公司總營收。榜單另並列網頁與行動流量排行。主貼提到 ChatGPT 行動月活逾 10 億、Claude 網頁月訪問近 10 億;兩者平台與指標不同,不宜直接比較。圖表涵蓋 50 個網頁與 50 個行動產品,並指出 15 個消費網路類別中有 9 類沒有專門 AI 產品進入這版 Top 100:串流、社群、交友、遊戲、旅遊、零售、金融、不動產、求職。這反映榜單涵蓋範圍,不代表市場上不存在相關 AI 公司,也不能外推為全球營收總表。

    圖表原標示「Monthly Revenue」前 50 名,資料來源為 YipitData;官網說明該排名反映美國消費卡 panel 樣本的觀察支出,不是普查,也不代表公司總營收。

    a16z 第七版消費級生成式 AI 行動 App 每月活躍用戶前 50 名;資料來源標示為 Sensor Tower,時間為 2026 年 8 月。

    a16z 第七版生成式 AI 網頁產品每月獨立訪客前 50 名;圖表標示 Similarweb 為資料來源,時間為 2026 年 8 月。

    比較網路時代的重要消費類別與本版 Top 100 中的 AI 產品;九個類別標為 None,兩個類別標為 Partial。

    原文:https://easyvibecoding.app/curated/3421-a16z-consumer-ai-apps-revenue-rankings

    2 min
  • OpenAI API 付費用量層級縮為三級,Grow 門檻降至 500 美元

    OpenAI API 付費用量層級縮為三級,Grow 門檻降至 500 美元

    OpenAI Developers 於 2026 年 10 月 6 日宣布,OpenAI API 的五個付費用量層級將整併為 Build、Launch、Grow 三級;升到最高的 Grow 層級,累計 API 付款門檻由 1,000 美元降為 500 美元。這讓使用者更容易符合較高限流層級的資格,但不代表每個模型都會套用相同的請求上限。

    用量層級和 rate limit 是什麼關係?

    可以把用量層級想成組織累計購買 API 點數後,平台用來判定資格的階梯;rate limit 則是 API 在一段時間內允許的請求或 token 數量。OpenAI 的文件說明,付費層級會依累計購買金額自動升級,較高層級通常有較高的 rate limit。

    不過,rate limit 不是一個所有請求共用的單一數字。它可能以每分鐘請求數(RPM)、每分鐘 token 數(TPM)等指標計算,哪個先達上限,哪個就會先限制請求。實際額度也會依模型和組織或專案設定而異。因此,Grow 資格門檻降低,不等於每個模型都會取得固定的新 RPM 或 TPM 數值。

    500 美元不是月費,也不是支出上限

    公告談的是符合 Grow 層級的累計付款門檻;官方 rate limit 文件則以累計 credit purchases 說明資格。這和某個月能花多少錢、或 API 單價是否調降,是不同問題。公告本身沒有宣布 API 價格變更,也沒有列出各模型的完整限流數字。

    OpenAI 另把平台核定的每月用量上限,和組織或專案可自行設定的支出限制分開。支出提醒只通知用量;若設定硬性支出上限,達標後相關請求可能收到 429 錯誤,而且支出統計與限制生效之間可能有延遲。使用者若在意預算,仍應另行檢查支出設定;若在意吞吐量,則要查看所用模型與專案的實際 rate limit。

    這次變動的重點,是最高付費層級的資格門檻降低。它讓累計 API 付款達 500 美元的組織有機會符合 Grow 資格;至於個別模型的實際額度和支出控制,仍須分別確認。

    圖片比較 Build、Launch、Grow 三欄中 Astra、Sol、Terra 與 Luna 的 RPM 和 TPM 上限;Grow 欄的 Luna 顯示 30,000 RPM、180,000,000 TPM。

    原文:https://easyvibecoding.app/curated/3420-openai-api-paid-usage-tiers-grow-500

    3 min
  • Mistral Large 4「Le Chonk」登場:API 預覽先行,權重預計十月底推出

    Mistral Large 4「Le Chonk」登場:API 預覽先行,權重預計十月底推出

    Mistral 於 2026 年 10 月 6 日宣布 Mistral Large 4,暱稱「Le Chonk」。公司稱這是原生多模態、總計約 1 兆參數、每次啟用 490 億參數的模型,並宣稱其彙整基準表現勝過美國與歐洲開放權重模型,在視覺定位等工作上也有突出表現。這些排名與能力描述是 Mistral 的自述,不是本文獨立驗證的評測結果。當日提供的是 API 公開預覽;模型權重預計十月底釋出,尚未公開下載。Mistral 也表示模型由歐洲團隊端到端打造,並可透過自家 Mistral Cloud 在歐洲部署。

    博物館畫廊裡,一隻橘貓走近並攀上橘色幾何雕塑;片尾顯示「Le chonk.」與 Mistral Large 品牌字樣。

    原文:https://easyvibecoding.app/curated/3417-mistral-large-4-le-chonk

    1 min
  • Google 推出 Gemini Nano Banana 2.1:影像生成與編輯模型登上 GA

    Google 推出 Gemini Nano Banana 2.1:影像生成與編輯模型登上 GA

    Google Cloud 的模型頁將 Gemini Nano Banana 2.1 列為正式發布(GA),發布日期為 2026 年 10 月 6 日。Google 在官方 X 貼文中稱,新版在視覺設計、遮罩編輯與主體一致性方面有明顯進步;這是 Google 對自家模型的描述,貼文附圖未在本次資料中判讀,也沒有提供量化比較分數。

    這次更新帶來哪些影像功能?

    Gemini API 文件將 Nano Banana 2.1 描述為高效率的影像生成與對話式編輯模型,是 Nano Banana 2(Gemini 3.1 Flash Image)的更新版本。文件列出的改善包括影像品質、提示詞遵循、多輪編輯時的角色一致性,以及文字呈現;支援 1K、2K、4K 輸出,也可處理寬幅與全景比例。

    API 文件還列出幾項較具體的工作方式:一次可使用最多 14 張參考圖;角色一致性功能最多涵蓋 4 個角色,物件保真最多涵蓋 10 個物件;模型也支援 Google 網頁與圖片搜尋 grounding,以及 minimal、medium、high 三種 Thinking 層級。這些是文件列出的功能與上限,不等於每個提示詞都能得到相同品質的結果。

    使用 Gemini API 與 Google Cloud,能力表有差異

    兩份官方文件對輸入、輸出與快取的描述並不完全相同,整合前應以實際使用的平台文件為準:

    | 項目 | Gemini API 文件 | Gemini Enterprise Agent Platform 文件 | |---|---|---| | 輸入 | 文字、圖片、影片、PDF | 文字、圖片;影片僅列為輸入 | | 輸出 | 圖片與文字 | 文字與圖片 | | Context caching | 不支援 | 支援 implicit context caching |

    因此,不能把 Cloud 文件列出的 implicit context caching 直接套用到 Gemini API;若系統仰賴快取能力,需先確認請求實際走的是哪個平台。Cloud 文件也指出,seed、topK、logprobs、temperature 與 topP 參數不受支援,設定其中任一項會得到 API 錯誤。

    先確認模型頁,再決定整合方式

    Cloud 模型頁列出的上下文窗口為 131,072 tokens、最大輸出為 32,768 tokens,並標示模型於 10 月 6 日進入 GA。API 文件則列出相同的輸入與輸出 token 上限,以及圖片生成、搜尋 grounding 和批次 API 等能力。這些規格可協助開發者確認請求格式與平台功能,但文件沒有提供量化 benchmark 分數或具體價格比較;Google 對品質提升的描述應保留為官方產品宣稱。

    Google 貼文中的 Nano Banana 2.1 影像展示短片,畫面切換白色花朵標題圖、沙漠跑者海報與紫葉上的彩色甲蟲微距圖。

    原文:https://easyvibecoding.app/curated/3418-gemini-nano-banana-2-1

    4 min
  • OpenAI 內建搜尋得 74 分:比無搜尋高 41 分,多跳題仍有差距

    OpenAI 內建搜尋得 74 分:比無搜尋高 41 分,多跳題仍有差距

    Artificial Analysis 把 OpenAI 的內建網頁搜尋納入 Search Index,並用同一個 GPT-5.6 Luna(medium)比較搜尋方案與不搜尋的表現。搜尋版得 74 分,無搜尋基準為 33 分;但到了需要跨多次搜尋整合資訊的 BrowseComp,OpenAI 搜尋的排名落在中段。這組結果同時呈現了搜尋工具帶來的提升、測試任務間的差異,以及每題估算成本。查看 Artificial Analysis 的測試結果

    同一模型下,搜尋版高出 41 分

    測試將 GPT-5.6 Luna(medium)接上 OpenAI 的 web_search,搜尋情境設為 medium;搜尋迴圈在單一 Responses API 呼叫中執行。其他搜尋 API 方案也使用相同底層模型,因此這項比較著重在不同搜尋方案搭配同一模型的結果。

    | 評估項目 | OpenAI Web Search | 參照結果 | 怎麼看 | |---|---:|---:|---| | Artificial Analysis Search Index | 74 分,26 個產品中第 7 | 同模型不使用搜尋:33 分 | 搜尋版高 41 分 | | AA-Omniscience | 72% 正確率,第 3/26 | 最高者 Firecrawl:73% | 與榜首相差 1 個百分點 | | BrowseComp | 73.5%,第 13/26 | Perplexity 變體與 Octen:85–87% | 多跳搜尋是這次測試的相對弱項 |

    Search Index 的 74 分是索引分數,不是 74% 的正確率;AA-Omniscience 與 BrowseComp 才以正確率呈現。Artificial Analysis 將 OpenAI 列為供應商排名第 5、產品變體排名第 7,因同一供應商可能有多個產品設定。這些名次都只描述該次榜單與測試配置。Artificial Analysis Search Index

    單題約 5 美分,搜尋本身與模型用量分開計

    Artificial Analysis 估算每項測試任務約花 5 美分:其中搜尋成本約 4 美分,模型成本約 0.9 美分。搜尋結果也會計入模型輸入 token;該測試每題約使用 4 萬個輸入 token。這個數字是特定 benchmark 任務組合下的估算,不等同於單次搜尋呼叫的完整成本,也不是各種實際使用情境的固定費率。

    在該榜單的成本比較中,OpenAI 的估算低於 Parallel advanced(約 6 美分)及 Perplexity medium(約 7 美分),高於 Octen(約 2.4 美分);Octen 的 Search Index 分數則高 3 分。成本與分數需要一起看:這組結果沒有顯示 OpenAI 在每個任務或每種方案上都占優勢。

    表現取決於要回答哪一類問題

    OpenAI 搜尋在 AA-Omniscience 的事實問答測試取得 72%,接近榜首;BrowseComp 則要求跨多次搜尋處理多跳問題,排名為 26 個產品中的第 13。這代表 Search Index 的整體分數不能單獨說明所有搜尋工作的表現,任務需要的搜尋深度也會影響比較結果。

    本次設定使用 GPT-5.6 Luna(medium)與 medium 搜尋情境,且 Search Index 以一組 benchmark 任務衡量。讀者可把 74 分與各項測試結果理解為這套設定在該榜單上的表現;每題成本也依 Artificial Analysis 所述的測試用量與計價方式估算。測試方法與完整比較

    Artificial Analysis Search Index 比較十二種搜尋設定;箭頭指向 OpenAI Web Search(medium)的 74 分。圖中僅使用模型的基準線為 33。

    原文:https://easyvibecoding.app/curated/3416-openai-web-search-74-browsecomp-gap

    4 min
  • Anthropic:Claude 如何輔助科學研究

    Anthropic:Claude 如何輔助科學研究

    AI 會寫程式、讀論文、整理資料,但這些能力怎麼轉成有意義的科學發現?Anthropic 的訪問研究員、哈佛物理學家 Matthew Schwartz 在一篇客座文章中提出一個做法:別要求模型照著人類研究者的習慣一路合作,而是挑選它擅長的問題,替它備好工具與檢查程序,再請領域專家判斷答案值不值得追下去。

    Schwartz 把這類適合現有大型語言模型處理的問題稱為「Claude-shaped problems」。他描述的落差是,研究者常希望 AI 像人類科學家一樣形成概念、辨別重要性;但目前的模型更能發揮在知識廣度、數學與程式,以及大量閱讀資料上。若任務需要難以形式化的判斷,單靠模型產生答案就很難知道它是否真的有用。

    先把計算做成可檢查的工作

    Schwartz 從數學物理開始,和 Claude 一起建立 BootLoops:一組用於定量科學的工具與研究程序。文章以費曼積分為例。半數值 bootstrap 先用物理條件縮小可能解的範圍,再以少數高精度數值計算找出剩下的係數;得到的解析結果也能用數值重新檢查。這種步驟明確、能交叉驗算的工作,比直接請模型回答開放式的深層概念問題,更適合交給代理工具處理。

    Schwartz 表示,BootLoops 把 30 個積分從頭到尾算完,其中 15 個重現已知結果,另外 15 個此前尚未計算。這些數字說明該團隊如何描述工具的早期成果;它們來自作者的研究報告,並非跨模型或跨研究團隊的效能比較。

    跨領域連結要有人判斷價值

    計算方法相似時,數學工具可能在不同學科派上用場。Schwartz 說,Claude 把物理方法連到生態學與族群遺傳學,也提出許多跨領域的計算。但「算得出來」不等於「問題重要」:他回憶,許多結果在技術上正確,起初卻不會讓該領域研究者感到意外。專家加入後,研究問題才逐步轉向學科真正關心的方向。

    在生態學案例中,Schwartz 與植物生物學家 James O’Dwyer 先用 Claude 求解一個長期難以大規模處理的方程,並將方法用於巴拿馬巴羅科羅拉多島的森林資料。Schwartz 原本注意到樹種組成變化速度約為中性理論預測的 4.5 倍;O’Dwyer 指出,這個結果本身可能不會改變生態學家的看法,並建議研究兩者差異,以分辨自然選擇、競爭與物種差異的作用。兩人接著與 Claude 一起建立生命史預測模型。這個例子呈現的不是模型獨力完成研究,而是模型提供可用的計算,人類專家把結果導向有解釋力的問題。

    族群遺傳學的經驗也有相同轉折。Claude 先用數學物理方法解出一個描述自然選擇如何影響稀有突變的積分,並將計算應用於 gnomAD 人類基因變異資料庫。Schwartz 邀請熟悉該領域的研究者檢視後,對方認為更有意義的切入點,是同一染色體上突變對的關聯。團隊於是分析 1000 Genomes Project 基因組中的 57 億對鄰近突變,並報告找到基因轉換的證據。這項結果與後續研究方向都是客座文章的作者報告;文章也說明,專家建議改變了研究問題。

    相似的人機分工出現在其他案例:作者與經濟學家合作,把五本期刊 4,452 篇論文的複現套件轉成開源程式並核對可驗證的數字;與語言學家合作建立涵蓋 6,072 種語言的重音資料庫,並為幾乎每筆資料附上判定依據。文章還列出地球科學、系統發育、天文與統計等探索中的計畫。Schwartz 表示,這批工作涉及 18 個領域、36 篇手稿與 19 位共同作者,從約 400 個候選問題中展開,歷時三個月。這些規模數字說明團隊的研究活動,不是模型準確率或生產力基準測試。

    工具不能替代學科判斷

    這篇文章的核心經驗,是把模型放進可執行、可驗算的計算流程,再讓研究者決定哪些結果值得深入。工具降低了重複計算與跨領域移植方法的門檻;專家則協助辨認結果是否新穎、問題是否重要,以及下一步該如何改寫。即使 Claude 找到一個技術上成立的答案,也還需要有人理解其學科脈絡。

    這些案例來自一位參與研究的作者所寫的客座文章,並非獨立的整體效能評估。Schwartz 在文中指出,多項成果仍在擴展與進一步驗證;因此,較穩妥的讀法是把它們視為一套正在發展的人機研究方法及其案例,而不是模型已能普遍自主完成科學研究的證明。

    閱讀 Anthropic 客座文章〈Claude-shaped science〉。

    文章封面將物理示意圖與林木影像並置,呈現跨領域科學研究主題。

    示意圖以兩個重疊區域呈現科學家想研究的問題與 AI 能處理的問題,並標出「Claude-shaped problems」的交集。

    原文:https://easyvibecoding.app/curated/3415-anthropic-claude-science-research

    6 min
  • OpenAI Dots 示範:把一段工作交給能持續行動的代理

    OpenAI Dots 示範:把一段工作交給能持續行動的代理

    OpenAI Developers 的 Dots 示範回放,從一場「昨天沒照計畫進行」的發表示範重新開始。這次重播要呈現的重點,不只是回答問題,而是把一段需要多步處理的工作交給代理繼續推進。

    旅遊情境中,使用者用語音交代隔天的洛杉磯行程。Dots 比較照片與地圖資訊,挑出 Silver Lake Pool and Inn 作為選項;示範者接著說,還要確認一晚住宿的總價與取消條款,機票也仍在處理。這段展示的是代理如何協助縮小選擇、接續待辦,並沒有證明住宿或機票已完成交易。

    示範先整理回饋分類;串起 PR、重測與 Slack 回覆是後續提出的需求,未在本片展示完成。兩段流程共同呈現 Dots 的產品方向:代理在不同工具之間延續一項任務,並把尚未完成的部分留在工作脈絡裡。

    OpenAI 的產品介紹將 Dots 描述為可持續運作、能連接多種應用的代理。這場示範提供了更具體的操作例子;實際可靠度、授權邊界與任務完成情形,仍應以各步驟的可見結果判斷,而不能只由示範影片推及所有使用情境。

    約 9 分 10 秒的 OpenAI Developers Dots 示範回放:先以語音安排隔日洛杉磯行程、比較照片與地圖後選擇 Silver Lake Pool and Inn,並表示將核對一晚訂房的總價與取消條款;結尾明說機票仍在處理中。示範先整理回饋分類;串起 PR、重測與 Slack 回覆是後續提出的需求,未在本片展示完成。另談到可靠性、行動裝置體驗和通知。畫面中的介面抽樣支持這些主題;影片沒有證明航班或旅館交易已完成。

    影片畫面重點時間軸1:28 此抽樣畫格仍是對鏡頭說話者與筆電畫面,僅作場景脈絡,無法單靠畫格證明相鄰語句。7:05 此抽樣畫格為說話者與筆電的演示場景;不將畫面當成逐字語音證據。8:51 Dots 聊天畫面同時呈現地圖/旅館區域與文字摘要:回饋主題的可靠性列為最大類別,標示近期 386 個訊號中 131 個;提及行動裝置可見度與通知路由反覆出現、原因可能不同。旁側是結帳/訂房畫面,但本截圖不足以讀清完整價格與條款,也不能據此宣稱已購買。9:09 尾端抽樣畫格為黑畫面。

    原文:https://easyvibecoding.app/curated/3414-openai-dots-demo-agent-workflows

    2 min
  • Gemini 4 Argon High 對比 GPT-6 Astra High/Max

    Gemini 4 Argon High 對比 GPT-6 Astra High/Max

    Google 公布 Gemini 4 Argon,表示它面向軟體工程、知識工作與資安防禦等複雜流程,並宣稱輸出上限達 100 萬 token。這是 Google 的產品規格說明,和第三方模型評測是不同來源、不同量尺。

    Artificial Analysis Intelligence Index v4.3.2 的比較頁,將 Gemini 4 Argon(High)分別與 GPT-6 Astra(High)及(Max)比較。下表節錄指數、每項指數任務加權成本與每項任務平均輸出量;推理設定不同,不能混為一組,成本也不等於個人帳單或所有工作表現。本文於 2026-10-01 讀取原表;頁面未提供這組資料的精確更新日。

    Artificial Analysis v4.3.2 的 High/Max 比較數值。

    來源:Argon High vs Astra High;Argon High vs Astra Max。

    Gemini 4 Argon 的藍色漸層背景宣傳圖,中央帶有一個大寫數字 4 與左下角的彩色四角星圖示。

    來源:@ArtificialAnlys|Gemini 4 Argon 在 Artificial Analysis Intelligence Index 取得 53 分,與 GPT-6 Astra 持平,且以優惠價格計算之每任務成本為其 60%。

    原文:https://easyvibecoding.app/curated/3410-gemini-4-argon-gpt-6-astra-index-cost-comparison

    1 min
  • ChatGPT Space 開放 Pro、Business、Enterprise 桌面與網頁版;協作投影片預告於未來數週推出

    ChatGPT Space 開放 Pro、Business、Enterprise 桌面與網頁版;協作投影片預告於未來數週推出。

    Space 把對話接成可共同維護的工作

    ChatGPT Space 是團隊、ChatGPT 與 dot 依共同知識持續協作的共享空間;dot 本身是獨立的個人 AI agent,不是 Space 的另一個名稱。Space 可依提供的指示整理內容,讓團隊接續工作。當你要求把對話整理成頁面或投影片時,它會先問問題釐清需求,再在畫面中產生草稿;成員可以直接編輯、請 ChatGPT 再改,或邀請其他人一起完善,不必先把脈絡搬去另一套文件工具。Space 適用於 Pro、Business、Enterprise 桌面與網頁版;行動版當時仍是即將推出。

    三種成果形態

    動態頁面適合持續更新的計畫、報告或追蹤表。頁面可包含圖表、互動式儀表板和圖片;成員能留言、直接編輯、標註 ChatGPT 或 dot 交辦修改,也可依已連接工具的資料自動更新。適用於 Pro、Business、Enterprise。

    協作投影片(公告時預告於未來數週推出)可由多位成員與 agents 同時編輯並留言,也可從對話開始或套用自己的範本;投影片可在 ChatGPT 內播放,再匯出 PowerPoint 或 Google 簡報並保留格式。方案同為 Pro、Business、Enterprise。

    團隊與任務則把共享頁面、簡報、試算表與例行工作放進協作流程。Business、Enterprise 可建立排程任務,例如每週彙整專案進度;也可依新郵件或 Slack 訊息等變化,透過連接工具收集資訊並採取動作。團隊成員能共同調整指示,讓任務跟著優先順序改變。

    工作不必離開團隊常用入口

    Business、Enterprise 可在 Slack 或 Microsoft Teams 的頻道、討論串、私訊中提及 @ChatGPT,將討論整理成專案摘要、調查錯誤並準備修正建議,或定期更新客戶狀態。它可以使用管理員已連接的工具,或使用者授權的工具;沒有個人 ChatGPT 訂閱的同事也能在同一段對話補充背景。

    Meetings 外掛會把個人化會議摘要與待辦存進 Space,筆記可保持私人或分享給團隊;音訊在筆記完成後即刪除,不能存取或重播。官方舉例是會後請 ChatGPT 更新專案計畫或草擬後續訊息。公告當時的 beta 適用 ChatGPT macOS 桌面應用程式上的 Pro 與 Business 使用者,Enterprise 即將推出。

    因此,閱讀方案時要分清楚:Space、動態頁面與協作簡報列在 Pro/Business/Enterprise;團隊共享任務與 Slack/Teams 的 @ChatGPT 是 Business/Enterprise;會議外掛當時只有 Pro/Business beta。@reach_vb 的 DevDay 貼文是發布清單,不是 Space 細節來源。詳情以 OpenAI DevDay 2026 回顧 為準。

    原文:https://easyvibecoding.app/curated/3407-chatgpt-space-pro-business-enterprise-teams-collaborate-edit

    3 min
  • OpenAI 開放 Agents API 電腦操作預覽並更新 Codex;Decisions API 公告時為限量預覽,當時預計接下來幾天全面推出

    OpenAI 開放 Agents API 電腦操作預覽並更新 Codex;Decisions API 公告時為限量預覽,當時預計接下來幾天全面推出。

    Codex Cloud:先備好環境,任務再跨裝置接手

    Codex Cloud 可讓使用者在電腦執行 Codex、用手機遠端操作,或從其他裝置在雲端使用。可重複利用的開發環境讓後續任務較快啟動;團隊也能共用已核准設定與權限的環境。對需要長時間跑任務、在外查看進度,或讓團隊採用一致工具配置的工作,重點是環境可持續沿用,不必每次從頭準備。DevDay 回顧列出的方案為 Plus、Pro、Business、Healthcare、Education 和 Enterprise。

    Codex CLI:用語音派工,也看得見多個 Agent

    Codex CLI 加入語音聊天,可用語音啟動工作並在執行中引導方向;/agents 檢視畫面可把工作分給多個 Agent、同時追蹤任務進度。日常操作也增加編輯提示、繼續既有工作階段與內建 worktree(隔離工作目錄)支援,並整理終端介面,方便閱讀較長的執行過程。這些更新聚焦在「派工、續跑、並行監看」,而非要求使用者把終端工作改成單次問答。

    Agents API:把任務邏輯留在你的產品,底層執行交給代管服務

    Agents API 以代管方式提供 Codex 任務執行框架。應用程式定義任務、接上要用的工具與資料,並向使用者呈現進度;OpenAI 維運執行基礎設施。API 支援多 Agent、工具搜尋與呼叫、上下文壓縮,以及新增的 computer use(操作軟體介面以完成任務)。Tibo 在發布貼文指出,這是支援 OpenAI 雲端 agents(包括 dots)的同一套技術,並特別點出可配置的雲端環境與電腦操作。API 可供開發者使用;每月 500 美元的 Pro 訂閱者及符合資格的 Enterprise 客戶,也可在 Codex 和 ChatGPT Work 使用相關能力。

    同一場發表另有兩個相鄰但不同的功能:ChatGPT 桌面應用程式中的 Codex 程式碼審查可先看摘要、再檢查差異並向 Codex 詢問問題,也可設定雲端初步審查 GitHub PR 或 GitLab merge request;Codex Security Cloud 可持續檢查新提交,並對 GitHub 儲存庫進行手動或排程掃描,調查、去重與修正於雲端執行。

    Decisions API:限定選項的快速判斷

    Decisions API 把 OpenAI 的 Luna 模型導向開發者預先定義的問題與有限答案集合,輸入可含文字或圖片,輸出能用於內容分類、請求路由或決定 Agent 下一步。這適合答案空間可先列清楚的快速決策;公告時是限量預覽,OpenAI 當時預告未來幾天全面推出。OpenAI 回顧稱 Agents API 可透過 API 使用;Tibo 的發布貼文則指出,支援 computer use 的 Agents API 進入 preview。Decisions API 另是限量 preview,兩者的功能與供應條件不同。來源:OpenAI DevDay 2026 開發者功能回顧、Tibo 對 Codex Cloud 與 Agents API 的貼文。

    原文:https://easyvibecoding.app/curated/3406-openai-updates-codex-cloud-computer-use-agents-api-preview

    2 min