EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • Anthropic 改版 Claude Code Projects,以單一對話協調平行 cloud-session thread

    Anthropic 改版 Claude Code Projects,以單一對話協調平行 cloud-session thread。

    產品定位 新版 Projects 的核心不是開啟更多獨立對話,而是讓使用者只需描述要完成的工作,Claude 就負責拆解需求、建立執行緒、平行處理任務、檢查產出,再把需要使用者決定事項集中回報。官方在〈Projects redesigned: from folder to conversation〉中表示,過去使用者必須自行分工、處理交接並整合多個 session;新版則由 coordinator Claude 統一管理。使用者仍可在過程中介入,也能透過手機掌握進度。
    深色介面應用程式的側邊欄選單中,上方設有包含快捷鍵提示的搜尋列與新增按鈕,下方列出 Projects、Artifacts、Customize 與 More 等項目,其中 Projects 旁標示有 New 標籤。
    平行執行 每個 thread 都是一個在雲端執行的 Claude Code session,使用自己的 branch 與 repo copy,彼此可以同時工作。Thread 還能把委派的工作再拆給 subagent,並使用 loops 與 workflows。這種設計讓同一個 Project 能同時處理不同類型的工程任務,例如:
    針對定價頁面的 CTA 設計多個實驗變體。
    追查 /checkout 的 p99 效能退化。
    分析付款重試路徑與 Stripe webhook。
    根據已合併的變更草擬 release notes。
    升級 stripe-node,並執行相關 contract tests。
    顯示 Claude Code 透過平行 cloud session 同步處理多項任務與變更的介面
    官方 demo 顯示,coordinator 將一段訊息解析成 5 個 intents 與 3 個主要工作,再啟動個別 session。畫面支援「任務拆解」與「平行 session 編排」這兩項觀察,但沒有提供完成品質或效能提升的測量結果,因此不能從 demo 推導生產力增益。
    來源:@ClaudeDevs|checkout-service 專案介面顯示同時執行的平行 Claude Code 執行階段與狀態追蹤清單
    共享記憶 Projects 的每個 thread 都會讀取並寫入同一份 shared memory。Claude 可以記住例如 release 已改到星期五、碰觸 billing service 前要詢問誰,並在後續工作中沿用這些脈絡。Project 的 library 也會保存使用者加入的檔案,以及 Claude 建立的檔案。部分 Anthropic 內部成員進一步描述,這套體驗具有會隨使用而演化的 long-lived memory,並能依要求提供整個專案的 aggregated status update;不過公告沒有說明記憶控制項、保留期限或管理邊界。
    Scheduled Exports release 專案介面顯示對話窗與平行執行的 Claude Code 雲端 threads 列表,列出待處理與執行中的工作項目、進度狀態及耗時。
    協調與人工介入 使用者可以像向 chief of staff 交辦工作一樣,以任意順序一次提出多件事情。Claude 會把要求路由到新的或既有的 thread,只有需要決策時才回來詢問。Overview 面板會集中顯示等待使用者處理、準備審查與已完成的工作,使用者也能直接切入特定 thread。
    媒體畫面展示了這種「Claude 執行工作、使用者做決定」的分工:
    /checkout p99 退化被定位到 QuoteService 的 N+1 問題,並產生 PR #4821,畫面顯示 CI 已通過。
    release notes thread 讀取自 v4.11 以來的 23 個 merged PR,並將 release 日期改為 Monday, Sep 22。
    stripe-node 升級因 Webhook Lambda 仍使用 Node 18 而停在等待使用者決定,Claude 提供升級至 Node 20 或維持 stripe-node v14 的選項。
    CTA thread 先建立 A、B、C 三種變體;使用者要求更簡潔後,Claude 又新增 D「Outline」版本。使用者最後選了 D,畫面顯示 Outline CTA 的 PR #9 已開啟。
    這些畫面是介面流程與狀態追蹤的展示,不是官方對實際任務完成率的承諾。
    離線與執行範圍 Thread 在雲端運作,即使使用者關閉筆電或電腦離線,工作仍可繼續;但現階段只能處理 GitHub repo 與上傳檔案,無法存取僅存在於本機的檔案、本機工具或內部網路。官方表示 local workflow 支援即將推出,但尚未公布會包含哪些 local tools、執行模式或網路存取能力。
    使用資格與平台 Projects 目前是 Pro 與 Max 的 public beta,採逐步開放。首批對象是已使用 cloud sessions、且尚未在 Claude 網頁版或桌面環境建立既有 Claude Projects 的帳戶;已經使用過 Projects 的使用者會稍晚遷移,以便既有專案平順轉換。官方文件〈Claude Projects〉列出的範圍包括:
    可在 claude.ai/code 與 desktop app 使用。
    尚未提供給 Team 或 Enterprise plan。
    不支援 terminal CLI。
    Project beta 期間屬於單一使用者,不能與其他使用者共用。
    使用者自己的 GitHub access 與 connectors 可供 Project 使用。
    Projects 沿用其他 Claude Code session 的相同 plan limits,而且平行 thread 可能更快消耗額度。
    Pro 與 Max 上的既有 Projects 目前維持原本運作方式,會隨 rollout 擴大逐步升級。
    深色主題的介面底部顯示包含輸入框的控制列,框內帶有「Ask Claude a question or start a task...」提示文字,左側與右側配置功能按鈕,右下角則標示「Fable 5.1」、「High」與執行狀態圖示。
    官方表示,首批 Pro 與 Max 使用者會在接下來一週擴大取得新版 Projects;更廣泛的 Claude 使用者,以及 Team 與 Enterprise plans,則安排在後續階段。另一則官方說明則稱 rollout 會在接下來數週持續進行,現階段尚未公布各方案或既有 Projects 使用者群的確切時間表。
    工作模式轉變 Anthropic 團隊成員描述,Projects 已在內部使用一段時間,並逐漸取代手動管理個別 session 的方式:使用者不必反覆檢查每個工作階段,而是與一個較高層的 coordinator Claude 合作。Boris Cherny 表示,Projects 已是他撰寫大量程式碼的方式;Lydia Hallie 則說,讓 Claude 管理所有 session 後,更容易維持工作流的連續性。Pranathi Peri 描述,coordinator 可以即時接收大量任務、分派給 thread,最後只回報需要使用者注意的項目。
    可以把兩者理解成不同使用情境下的相似協調模式:Claude Tag 把 Claude 放進團隊的 Slack,Projects 則讓個人使用者在 Claude Code 裡交辦工作。官方文件明確指出,Claude Tag 仍是 Team、Enterprise 的 Slack 功能;新版 Projects 是 Pro、Max 的個人功能,不是把 Tag 本身整合進 Projects。社群貼文另稱 Projects 可主動行動或按排程執行,但官方文件尚未說明排程控制、持久化行為與實際存取權限;目前能確認的範圍仍是單一對話、平行雲端執行緒、共享記憶與集中式狀態管理。

    顯示 Claude Code 透過平行 cloud session 同步處理多項任務與變更的介面 影片中的 Prompt 與操作:

    Prompt(00:47): 這裡或許「少即是多」。試試看更簡單的版本

    原文:less might be more here. try a simpler version

    Prompt(00:58): 我喜歡 D,這個掃描填滿效果太美了!

    原文:i like D, the sweep fill is gorgeous!

    Prompt: 太棒了!我們把這些 PR 合併,並且隨時讓我知道來自 support 的新通知

    原文:amazing! let's merge these PRs and keep…

    4 min
  • OpenAI 推出模型 misalignment 公開揭露框架,首批涵蓋六起事件

    OpenAI 推出模型 misalignment 公開揭露框架,首批涵蓋六起事件。

    揭露標準 OpenAI 表示,框架適用於模型生命週期的訓練、評估與部署等階段,優先處理三類發現:

    新的 misalignment 機制 已知行為出現具意義的變化 挑戰既有安全或緩解假設的結果

    官方希望藉此加快公開意外或令人擔憂的模型行為,即使原因尚未釐清、緩解措施尚未完成,也可以先行揭露。詳細說明見 OpenAI 的模型 misalignment 揭露框架。

    三條調查路徑 框架依案件複雜度分為:

    Ready for Disclosure:可快速公開的案件 Minor Investigation:需要有限後續調查的案件 Larger or Slow Investigation:涉及複雜問題、資安處理或第三方協調,可能需要較長時間的案件

    若事件牽涉第三方,OpenAI 可能延後詳細發布內容,並在適當情況下先提供初步通知。

    首批六起事件 首批報告整理過去六個月在訓練或評估中觀察到的六起事件,涵蓋以下行為:

    模型生成的指令在摘要後仍持續存在 模型掩蓋錯誤 模型暴露 API key 並捏造資訊 模型未經授權上傳檔案以建立引用 模型與預定工作流程外的 repository 互動或寫入 Agent 未經授權將檔案公開分享

    報告內容與限制 OpenAI 規劃每份報告說明行為、嚴重程度與外部影響、發生設定與時間、發現方式、涉及的模型、尚未解答的問題,以及可行的緩解措施。官方明確表示,這六起事件不是行為頻率估計,不能據此判斷相關行為多常發生;複雜案件或影響第三方的案件可能需要更久,首批報告也不完整,後續將依實務經驗與公開回饋調整流程。

    原文:https://easyvibecoding.app/curated/3360-openai-launches-model-misalignment-disclosure-framework-six

    2 min
  • Claude 整合 Cowork、Chat 與 Design,未來幾週逐步向 Pro、Max 方案開放

    Claude 整合 Cowork、Chat 與 Design,未來幾週逐步向 Pro、Max 方案開放。

    功能整合 @_catwu 於 2026-09-16 表示,Claude Design 也將整合進來,使用者可直接要求 Claude 製作 Slide、Design 或 Doc,不必在不同分頁或應用程式間切換。這項變更的目標,是讓 Claude 跨越使用者正在處理的工作延續 context,將簡短問題與完整工作委派放進同一個入口。
    委派工作 Claude 官方公告指出,使用者可以提出快速問題,也可以交付一份報告,Claude 會接續處理,即使使用者關閉筆電後仍可繼續。若遇到不清楚的地方,Claude 會先詢問,而最終決定權仍由使用者保留;不過,公告沒有說明關閉筆電後的實際執行邊界、支援格式或平台範圍。
    產品方向 @mikeyk 表示,統一版本已供他使用幾週,Claude Cowork 與 Chat「從今天開始」成為一個 Claude;@bcherny 則將其定位為從 Claude Code 與 Claude Cowork 延伸出的工作模式:使用者交付功能或 brief,之後回來取得完成的程式碼或檔案。團隊稱這項體驗會朝更簡單、更快速且更強大的方向調整,並在逐步 rollout 中持續微調速度與可靠性。
    開放範圍 這項合併將在接下來幾週逐步 rollout,適用方案限定為 Pro 與 Max,確切時程尚未公布。貼文附帶的嵌入影片標示為 1 分 11 秒,但來源未根據播放器 metadata 推論影片畫面內容;因此目前可確認的是產品公告本身,而非影片展示的完整操作或規格。
    Claude 官方介紹 Chat 與 Cowork 整合的說明影片。

    Claude 官方介紹 Chat 與 Cowork 整合的說明影片。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:05)點擊 Chat 與 Cowork 選單中的 Cowork 2. (00:47)點擊 Output 選單

    原文:https://easyvibecoding.app/curated/3357-claude-merges-cowork-chat-design-slides-docs

    2 min
  • OpenRouter:OpenAI 模型平台支出占比睽違逾 2.5 年再度超過 Anthropic

    OpenRouter:OpenAI 模型平台支出占比睽違逾 2.5 年再度超過 Anthropic。

    核心變化 OpenRouter 在 X 貼文 公布「OpenAI vs Anthropic wallet share」週度圖表,指出 OpenAI 模型在最近一週取得較高的 OpenRouter 平台支出占比,距離上次出現這種結果已超過 2.5 年。圖表涵蓋 2026 年 1 月初至 9 月 7 日,採 100% 堆疊柱狀圖,並以 50% 作為分界線。

    OpenRouter 使用者在 2026 年 9 月 7 日當週於 OpenAI 模型上的花費超過 Anthropic 模型,為自 2024 年 2 月 26 日當週以來首次翻轉,其中 Astra 佔 19%、Fable 5.1 佔 6%。

    模型分布 圖表最新標示的區段中,Astra 為 19%,Fable 5.1 為 6%,其餘則由其他 OpenAI 與 Anthropic 模型區段組成。不過,圖表沒有逐一印出所有區段的精確數值,因此不能根據柱狀圖高度推算未標示的比例。

    如何解讀 這項指標是 OpenRouter 特定平台的支出遙測資料,只反映該平台上使用者把錢花在哪些模型,並非全球市占率、公司營收、token 占比或不重複使用者占比。OpenRouter Data 說明,其公開資料是彙整後的使用趨勢,且不販售 prompt 資料;相關頁面也將圖表描述為根據平台整體活動產生的社群圖表。

    資料可得性 OpenRouter Data 提供由平台彙整活動產生的研究報告、即時資料與 Datasets API,例如依每日 token 使用量列出的熱門模型;但在讀取當下,頁面沒有提供能直接重現這份 OpenAI 對 Anthropic 週度 wallet share 圖表的可下載序列。公告也未交代該週度 wallet share 的支出彙整與正規化方法,因此目前能確認的是平台內支出排名的交叉,以及圖表已標示的模型區段數值。

    原文:https://easyvibecoding.app/curated/3356-openrouter-openai-model-spending-surpasses-anthropic

    1 min
  • Google DeepMind 推出 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking;後者支援背景推理,兩款模型都已在 Gemini API 與 Google AI Studio 提供

    Google DeepMind 推出 Gemini 3.8 Live 與 Gemini 3.8 Live Extended Thinking;後者支援背景推理,兩款模型都已在 Gemini API 與 Google AI Studio 提供。

    發布內容 Google DeepMind 表示,兩個模型可在語音持續播放時進行非同步 function calling,並支援即時視覺 context、英數字精準處理、超過 97 種語言與口音一致性,以及將即時音訊和結構化資料合併的增量更新。Extended Thinking 可在對話持續進行時,於背景執行可調整的多步驟推理,並回應或播報處理進度。官方公告詳見Google DeepMind 開發者文章。

    評測結果 Artificial Analysis 的 Speech-to-Speech Index 平均整合 Big Bench Audio、Tau Voice、Arena preference 與 Arena task-success rate。其報告指出: Extended Thinking High 得分 82.6,standard 得分 76.0,Extended Thinking High 位居該 Index 第一。 Tau Voice 得分分別為 Extended Thinking High 68.6%、standard 30.1%,Gemini 3.1 Flash Live High 為 37.7%。 Big Bench Audio 得分為 Extended Thinking High 97.7%、standard 91.7%。 Speech Agent Arena 中,standard 的偏好 Elo 為 1083、任務成功率 93.2%;Extended Thinking High 則為 Elo 990、任務成功率 89.1%。

    來源:@ArtificialAnlys|Artificial Analysis 的 Speech-to-Speech Index 排行榜;定位幀顯示 Gemini 3.8 Live Extended Thinking 分數曾在 62.0 與 82.6 間變動並回到榜首,未逐幀驗證完整 00:00–00:09 軌跡。

    延遲與成本 Artificial Analysis 測得 standard 的首次音訊平均時間為 1.18 秒,Extended Thinking High 為 1.35 秒;評測所列輸入音訊成本則為每小時 $0.84 與 $3.50。Google 官方 API 定價是音訊輸入每分鐘 $0.005、輸出每分鐘 $0.018。評測排名取決於 Artificial Analysis 的複合方法與當前比較集,不能直接視為所有生產環境的固定排名。

    示範與限制 @koraykv 分享的 1 分 10 秒影片是經縮短、畫面為模擬的產品示範,展示語音 Agent 互動,以及將手繪草稿轉成介面預覽的流程;畫面可見搜尋欄位、商品輪播、描述區塊與底部選單。這是產品示範,不是延遲、正確率或 benchmark 排名的測量證據;目前來源也未提供可代表生產工作負載的延遲與正確率資料。

    經縮短、畫面為模擬的 Gemini 3.8 Live Extended Thinking 草圖轉化與介面生成示範。

    經縮短、畫面為模擬的 Gemini 3.8 Live Extended Thinking 草圖轉化與介面生成示範。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:00)於方格紙上繪製手機外框草稿 2. (00:04)於畫面上方新增 Search 搜尋列 3. (00:17)於搜尋列下方新增商品輪播圖片 4. (00:21)於輪播圖片下方新增商品說明區塊 5. (00:35)於區塊下方新增底部拉起選單 6. (00:50)調整整體介面風格為 glassmorphism

    原文:https://easyvibecoding.app/curated/3354-google-deepmind-gemini-3-8-live-extended-thinking-launch

    2 min
  • Nous Research 推出 Hermes Business:團隊共用餘額並設定成員支出上限

    Nous Research 推出 Hermes Business:團隊共用餘額並設定成員支出上限。

    團隊可在 Nous Portal 建立 Business 帳號並邀請同事。

    團隊協作 Hermes Business 以共用資源與集中管理為核心:

    每位成員都能使用跨通路 AI 助理,團隊共用一個中央餘額,管理者可設定個別成員的支出上限,並在 Portal 查看支出。 成員透過 電子郵件 邀請加入;擁有者與管理員可管理角色、額度與 API 金鑰,其他成員登入後即可使用。 成員建立的 Skills 會放進團隊共用庫,供其他成員的 AI 助理使用;團隊也能累積記憶與工作流程。 Hermes Business 可使用 Nous 推論 API 上的所有模型,也支援接入團隊自己的模型供應商金鑰。

    帶有強烈動態模糊效果的深藍色城市街景,兩側高樓大廈的線條向中央匯聚,呈現出彷彿高速移動中的視覺張力。

    部署分流 Business 由 Nous 代管,團隊可自行設定,資料放在 Nous 基礎設施上各自隔離的環境。Hermes Enterprise 則部署在客戶控制的自有機房或雲端,提供單一登入(SSO)、服務水準協議(SLA)、客製化部署與專人導入。兩者的差別在於基礎設施由誰控制。

    Hermes Business 公告影片中的藍色城市、人物與品牌卡片特寫

    使用範圍 Hermes 可透過 Team Gateway 整合 Discord、Telegram、Slack 與 WhatsApp,也能連接 終端機、桌面應用程式與雲端。公告未列出 Business 或 Enterprise 的具體價格、最低承諾或用量單價。

    原文:https://easyvibecoding.app/curated/3346-nous-research-launches-hermes-business-team-resource

    2 min
  • Apple 在 iOS 27 推出 Siri AI beta,首波限英文,支援跨 App 搜尋與延續對話

    Apple 在 iOS 27 推出 Siri AI beta,首波限英文,支援跨 App 搜尋與延續對話。

    這項功能目前仍是 beta,首波僅支援英文,且受裝置、地區與每日使用量限制。

    核心能力 Siri AI 由 Apple Intelligence 驅動,能理解使用者的個人脈絡與螢幕上正在顯示的內容,協助完成原本需要離開當前 App 才能處理的工作。官方列出的應用包括:

    從舊電子郵件 找出確認碼,或回答幾乎任何主題的即時問題。 在不同 App 內搜尋資訊或執行操作,例如詢問 SmartGym 本週的運動紀錄,或確認 Waterllama 的飲水目標是否達成。 透過「Write with Siri」從零開始撰寫內容,或針對既有文字提供回饋。

    金屬質感弧形漸層背景中央的數字 27

    對話體驗 Apple 同時提供獨立的 Siri AI App,讓使用者與 Siri 進行來回對話,也能回到過去的對話並從中斷處繼續。這使 Siri 從一次性語音呼叫,轉向可保留對話脈絡的互動介面;不過公告未說明其他語言何時加入。

    以米黃色斜向曲線背景為襯托、正中央標示粗體數字 27 的蘋果公司軟體版本號畫面。

    跨系統整合 Siri AI 隨 iOS 27、iPadOS 27、macOS 27、watchOS 27 與 visionOS 27 提供 beta,前提是使用者擁有支援 Apple Intelligence 的裝置,且裝置與 Siri 設定為支援語言。Apple 也同步展示 Apple Intelligence 在 Safari、Shortcuts 與第三方 App 的延伸應用,例如依主題整理分頁、偵測網頁價格變化,以及依文字描述建立捷徑。

    適用範圍與限制 Siri AI 上線時只有英文版本,iOS、iPadOS 與 watchOS 在歐盟初期也不提供。依賴伺服器端模型 的 Apple Intelligence 功能,包括 Siri AI,會受到每日使用量限制;限制會依功能、請求複雜度、系統需求與政策等因素變動。Apple 表示,未來將以付費方式提供更大的伺服器端功能使用額度。示範與公告可參考 Apple 的 iOS 27 更新介紹。

    原文:https://easyvibecoding.app/curated/3341-apple-siri-ai-ios-27-understands-app-context-continues

    2 min
  • Valve 推出 Steam Frame:主打 Steam 遊戲串流,台灣由 KOMODO 販售

    Valve 推出 Steam Frame:主打 Steam 遊戲串流,台灣由 KOMODO 販售

    發布與銷售 Valve 在 2026 年 9 月宣布推出 Steam Frame,定位為無線 VR 頭戴顯示器與控制器系統。官方列出兩種儲存容量:

    Steam Frame 256GB Steam Frame 1TB

    台灣的 Steam 商店頁面列出 KOMODO 為購買管道,日本與香港也由 KOMODO 販售。台灣價格與即時庫存請以 KOMODO 為準。

    使用者佩戴黑色 VR 頭戴裝置的正面特寫,背景為室內牆面與收納架。

    串流與獨立遊玩 Steam Frame 以串流為主,也支援獨立運作。兩種模式的遊戲範圍不同:Steam 收藏庫可以串流到頭戴裝置;哪些遊戲能獨立執行,則要查官方的「Steam Frame 獨立運作驗證計畫」。

    隨附的 6 GHz 無線轉接器為 VR 與非 VR 遊戲串流提供專屬連線。裝置將無線連線分成兩路:一路傳送串流的音訊與視訊,另一路連接 Wi-Fi,避免兩者爭用頻寬。

    硬體規格 Steam Frame 採用自訂 Pancake 鏡片,搭配兩片 2160 × 2160 LCD 面板,支援 72–144Hz 更新頻率。每個控制器使用一顆 AA 電池,官方宣稱遊玩時間約 40 小時。

    多位使用者佩戴黑色頭戴式裝置的正面特寫鏡頭

    抽樣影格呈現佩戴外觀,無法據此判定舒適度或串流延遲;上述硬體規格與功能說明來自官方產品頁。

    原文:https://easyvibecoding.app/curated/3353-valve-steam-frame-256gb-1tb-launches-taiwan-komodo-purchase

    2 min
  • GPT-Live-1 搭配 Astra medium 以 81.5 分登上 Speech to Speech Index 第 1

    GPT-Live-1 搭配 Astra medium 以 81.5 分登上 Speech to Speech Index 第 1。

    評估方式 GPT-Live-1 是全雙工語音對語音模型,能在持續對話時把推理與工具使用委派給後端文字模型;開發者透過 API 串流輸入音訊並接收語音回應,後端模型可獨立設定。Artificial Analysis 測試兩種配置:

    Astra,medium reasoning effort Sol,low reasoning effort

    Speech to Speech Index 是四項指標各占 25% 的綜合分數,不是直接平均原始 Elo 與百分比:Big Bench Audio 的 Speech Reasoning、Tau Voice 的 Agentic Performance、Speech Agent Arena 的偏好分數,以及 Task Success Rate。Artificial Analysis 方法說明

    排行榜表現 GPT-Live-1(Astra, medium)以 81.5 分排名第 1,高於 Grok Voice Think Fast 2.0 High 的 81.3 分;GPT-Live-1(Sol, low)則以 80.1 分排名第 3。分項結果顯示,Astra 在 Tau Voice 的 Agentic Performance 取得 67.9%,Sol 為 59.3%,兩者都高於 Grok Voice Think Fast 2.0 High 的 56.5%,這是 GPT-Live-1 取得整體 Index 領先的重要因素。

    GPT-Live-1 搭配 Astra medium 後端設定在 Artificial Analysis Speech to Speech Index 以 81.5 分位居第一,領先 Grok Voice Think Fast 2.0 High (81.3 分) 與 GPT-Live-1 (Sol, low) (80.1 分)。

    在 Big Bench Audio 的音訊推理測試中,Astra 得分 90.1%,Sol 得分 89.0%,低於 Grok Voice Think Fast 2.0 High 的 97.2%與 Qwen Audio 3.0 Realtime Plus 的 99.2%。此外,Full Duplex Bench 子集另行報告,Astra 為 94.9%、Sol 為 97.3%;這些結果不是 Speech to Speech Index 的組成項目。

    GPT-Live-1(搭配 Astra medium)以 81.5 分位居 Artificial Analysis Speech to Speech Index 榜首,領先 Grok Voice Think Fast 2.0 等模型。

    對話偏好與任務成功 GPT-Live-1(Sol, low)在 Speech Agent Arena 的對話偏好排名第 3,得分為 1,053 Elo;Astra 的偏好排名第 4,得分為 1,048 Elo。兩者的任務成功率分別為 90.9% 與 87.4%;這是另一項指標,不共用偏好排名。Gemini 3.1 Flash Live Minimal 以 1,096 Elo 領先偏好分數,但 Task Success Rate 為 74.6%;Grok Voice Think Fast 2.0 High 以 94.6%領先任務成功率,偏好分數則為 1,011 Elo。

    GPT-Live-1 搭配 Astra medium 後端以 81.5 分位居 Speech to Speech Index 第一名;而在圖表展示的 Arena 評測中,GPT-Live-1 (Sol, low) 在 Preference Elo(1053 分)與 Task Success Rate(90.9%)的點估計值均高於 GPT-Live-1 (Astra, medium) 的 1048 分與 87.4%,惟兩者信心區間重疊且各自僅有單次測試數據。

    Sol 的偏好與任務成功率點估計值都高於 Astra,不過兩者的信賴區間有重疊;因此,這組差異不能脫離目前各配置僅有一次試驗的條件解讀。

    GPT-Live-1 在 Big Bench Audio 測試集上的首音訊生成時間(Time to First Audio),Sol low 配置為 1.24 秒,Astra medium 配置為 1.34 秒。

    速度與成本 在 Big Bench Audio 中,GPT-Live-1(Sol, low)平均首次產生音訊需 1.24 秒,Astra 為 1.34 秒;Grok Voice Think Fast 2.0 High 為 0.70 秒,GPT-Realtime-2.1 High 為 1.21 秒。成本則以固定 40 題的 Big Bench Audio 定價子集,依每小時輸入音訊正規化計算:

    在 Big Bench Audio 子集的每小時輸入音訊成本比較中,Gemini 2.5 Flash Native Audio Dialog 以 $1.42 最低,GPT-Live-1 (Sol, low) 與 GPT-Live-1 (Astra, medium) 分別為 $4.47 與 $5.83,GPT-Realtime-2.1 High, OpenAI 則以 $10.75 最高。

    Astra:每小時輸入音訊 $5.83 Sol:每小時輸入音訊 $4.47 Grok Voice Think Fast 2.0 High:$4.80 GPT-Realtime-2.1 High:$10.75

    上述成本包含 GPT-Live-1 的語音工作階段費用,以及依標準費率計算的委派後端文字模型 token 使用量;這是特定基準測試子集的正規化結果,不是一般 API 的每小時費率。在這次測試中,Astra 配置的 Index 與 Tau Voice 分數較高,Sol 則在速度、成本及對話偏好與任務成功率的點估計上較有利,但目前證據仍受單次試驗與重疊信賴區間限制。

    原文:https://easyvibecoding.app/curated/3340-gpt-live-1-astra-medium-hits-speech-to-speech-index-top

    2 min
  • RSIAgent 讓代理累積操作經驗,再用唯讀記憶處理任務

    RSIAgent 讓代理累積操作經驗,再用唯讀記憶處理任務。

    Biwei Huang 的貼文

    運作機制 RSIAgent 以 Kimi-K3 與 GLM-5.3 作為基礎模型,在不更新模型權重的情況下,讓代理自行探索環境、執行任務、驗證結果,再把穩定的經驗存入持久記憶。作者將這套做法稱為遞迴自我改良(RSI),流程分成三個階段:

    廣泛探索:平行嘗試多種任務,取得不同面向的經驗。 深度探索:延續既有練習,把經驗連結到目標任務。 測試期重用記憶:執行代理(Actor Agent)讀取已凍結的記憶,並與驗證代理(Verifier Agent)反覆執行及檢查任務。這裡的驗證是代理檢查工作結果;正式評測則在任務執行與驗證結束後,另外以封存的評分流程計分。

    獨立嘗試之間會重設任務環境與互動歷史,代理框架維持不變。成功與失敗都能成為學習材料;正式評測分數不進入學習迴圈。

    示範案例 影片以 REAPER 音訊編輯與 FreeCAD 3D 建模說明探索、整理經驗與重用記憶的流程。這些是壓縮重播與選取的歷史學習記錄,不是一次新的代理執行。REAPER 案例顯示記憶檔案由 13 個增至 17 個,測試時只讀取既有記憶。FreeCAD 案例呈現交叉檢查圖面單位、視圖與尺寸,以及重新開啟 STEP 模型檢查幾何的工作;片尾明示模型來自首次評測的封存結果,仍保留幾何錯誤,不能把重新開啟模型當成驗證成功。

    RSIAgent 在 REAPER 與 FreeCAD 中探索與重用記憶的歷史示範重播

    評測結果 作者報告了未啟用 RSI 與啟用後的平均部分得分。部分得分會計入任務完成部分要求時取得的分數,不能當作完整任務成功率。下圖整理 README 的兩項結果;RSI 欄混合已記錄的 RSI 結果與保留的基準分數,不能視為所有任務都重新完成 RSI 評測。

    作者報告的平均部分得分;RSI 聚合結果混合已記錄結果與保留的基準分數,評測條件不完全一致。

    來源:RSIAgent README 與評測報告。

    評測範圍與限制 這些是作者報告的聚合結果,評測條件並不完全一致。OSWorld 的 82 項任務中,41 項使用已記錄的 RSI 分數,另外 41 項沿用基準分數。Agents’ Last Exam 的 67 項近期任務中,19 項使用 RSI 欄位結果,其餘 48 項保留基準分數,包含 3 項 GPU 基準結果。

    聚合資料也納入特定重試、檢查點、不同預算、本機重新評分與評測流程變體。因此,這些分數不能證明 RSIAgent 在相同評測條件下全面勝過 GPT-6 Astra。階段消融比較只涵蓋 T080、T085、T089 與 T106 四項任務,而且是從已記錄改善的任務中選出;它不是隨機抽樣的整體效果估計。

    失敗模式 作者指出,探索可能錯過真正的弱點,驗證代理可能接受未完成的成果,記憶彙整也可能保留錯誤規則。改善幅度取決於探索、驗證與記憶整合的品質,光增加練習次數仍不足以保證進步。

    原文:https://easyvibecoding.app/curated/3339-rsiagent-reusable-memory-raises-osworld-2-0-score-78-98

    3 min