EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

All EasyVibeCoding Podcast episodes

  • Meta 發布 Muse Spark 1.1 模型並推出 Meta Model API,強化 Agentic 程式開發與電腦操作能力

    Meta 發布 Muse Spark 1.1 模型並推出 Meta Model API,強化 Agentic 程式開發與電腦操作能力。

    這是一張展示 Muse Spark 1.1 版本標題與抽象粒子流動視覺效果的宣傳圖像。
    Meta 於 2026 年 7 月 9 日正式推出 Muse Spark 1.1,這是該系列模型的重大升級版本。此模型專為 Agentic 任務設計,在工具使用、電腦操作、程式撰寫及多模態理解方面均有顯著提升。目前開發者可透過新推出的「Meta Model API」公開預覽版存取該模型,一般使用者則可透過 Meta AI 應用程式及官方網站的「Thinking」模式體驗其功能。
    Meta 推出全新 Muse Spark 1.1,在 Agent 任務、程式設計與多模態理解上,相較前代 Muse Spark 多數項目顯著提升,並在多項基準測試中展現出與業界領先模型競爭的實力。
    核心 Agentic 能力與架構
    Muse Spark 1.1 具備強大的任務規劃與協調能力,能實現零樣本(zero-shot)泛化,適應新的原生工具、MCP 伺服器與自定義 skill。其關鍵技術特點包括:
    多 Agent 協調:模型能擔任主 Agent 角色,負責收集上下文、制定計畫,並將任務委派給平行運作的子 Agent,大幅縮短端到端專案的執行時間。
    記憶管理:支援 100 萬 token 的 context window,能有效記憶過往動作、從早期工作中檢索資訊,並透過壓縮技術保留關鍵步驟以供後續使用。
    自動化決策:在電腦操作流程中,模型能判斷何時該撰寫腳本、何時直接操作 UI,或執行批次動作,並能在長期的會話中維持上下文一致性。
    在 WideSearch 基準測試中,Multi-agent 架構在相同的延遲代理(Latency Proxy)範圍內,其分數(Score)顯著優於 Single Agent 架構。
    程式開發與多模態應用
    在程式撰寫方面,Muse Spark 1.1 在處理大型複雜程式庫時表現優異,支援常見的 Agentic 程式開發設定,如規劃模式、目標條件設定及子 Agent 委派。
    實務應用:模型能診斷並修復複雜 Bug、執行大規模程式碼遷移,並在 Meta 內部程式評測指標中表現優異。
    多模態感知:具備強大的視覺與音訊輸入處理能力,能執行視覺轉程式碼(visual-to-code)生成,並在操作電腦時即時解析環境資訊。
    Muse Spark 1.1 在 Vibe Code Bench v1.1 與 SWE Atlas – Codebase QnA 基準測試中,表現皆顯著優於前代 Muse Spark。
    實際操作演示
    根據官方展示的案例,Muse Spark 1.1 在處理動態任務時展現了高度自主性:
    BBQ 聚會規劃:模型能從通訊軟體群組提取需求,主動搜尋廠商、詢價並處理訂單。當群組成員臨時變更人數時,模型能自動偵測變動並即時聯繫廠商更新訂單,無需人工介入。
    一個 AI 代理程式協助使用者規劃 BBQ 聚會,從群組對話中提取需求,再與餐飲廠商溝通協調。
    Facebook Marketplace 上架:模型能透過分析手機拍攝的影片,自動提取產品照片並辨識規格,隨後自動操作瀏覽器完成商品標題、價格、狀況描述的填寫與上架流程。
    這段影片展示了如何使用 Facebook Marketplace 建立自行車零件的銷售清單,包含上傳照片、填寫標題、價格、狀況及詳細描述。
    安全與可用性
    Meta 強調 Muse Spark 1.1 依照「Advanced AI Scaling Framework」接受嚴格的安全評估,在化學與生物安全、網路安全及控制權喪失等風險類別中均維持在安全範圍內,並展現了更強的對抗穩健性與較低的幻覺率。目前,該模型已透過 Meta Model API 開放給開發者使用,並獲得包括 Replit、Cline 及 Box 等合作夥伴的正面評價,被視為具備長上下文處理與強大推理能力的完整 Agentic 基礎模型。
    Muse Spark 1.1 在 Meta 內部程式設計基準測試中取得 68.3 分,相較前代 Muse Spark 的 58.8 分有顯著提升,且表現逼近 Opus 4.8 與 GPT 5.5 等領先模型。

    一個 AI 代理程式協助使用者規劃 BBQ 聚會,從群組對話中提取需求,再與餐飲廠商溝通協調。 影片中的 Prompt 與操作:

    Prompt(00:05): 我想根據群組對話舉辦一場 BBQ。你能聯繫我列出的 BBQ 餐廳,看看誰能提供外燴服務嗎?一旦確定了外燴廠商並完成訂單,請將詳細資訊發送到群組聊天室。

    原文:I want to host a BBQ based on the group chat. Can you reach out to the BBQ restaurants I've shortlisted to see who can cater? Once you've locked in a caterer and finalized the order, drop the details in the chat.

    Prompt: 另一位客人要多帶 4 個人來。他們沒有飲食限制。我們可以將訂單更新為總共 10 人嗎?如果廠商可以配合,我們希望能維持相同的菜單風格。謝謝!

    原文:another guest is bringing 4 more people. No dietary restrictions for them. Could we update the order for 10 total? We'd love to keep the same menu style if the vendor can accommodate. Thanks!

    操作步驟: 1. (00:04)手動觸發任務指令 2. (00:08)代理程式瀏覽廠商網站 3. (00:29)代理程式透過 Instagram 聯繫廠商 4. (00:46)收到廠商拒絕訂單的回覆 5. (00:49)收到廠商確認訂單的回覆 6. (00:52)收到廠商拒絕訂單的回覆 7. (00:57)代理程式確認訂單細節 8. 代理程式更新訂單人數 9. 收到廠商確認更新後訂單的回覆 10. 代理程式發送最終聚會資訊至群組

    這段影片展示了如何使用 Facebook Marketplace 建立自行車零件的銷售清單,包含上傳照片、填寫標題、價格、狀況及詳細描述。 影片中的 Prompt 與操作:

    Prompt(00:54): Canyon Grail Gravel 自行車車架 尺寸 M - 米色 / 黑色

    原文:Canyon Grail Gravel Bike Frameset Size M - Beige / Black

    Prompt(00:56): 1300

    Prompt(01:43): Canyon Grail gravel 車架尺寸 M,RGB 配色。包含整合式駕駛艙、前叉和座管。狀況極佳,後下叉有輕微外觀磨損。下管有 Canyon 標誌。

    原文:Canyon Grail gravel frameset size M in RGB colorway. Includes integrated cockpit, fork and seatpost. Excellent condition, minor cosmetic wear on chainstay. Canyon logo on downtube.

    Prompt: 全新 Fox 32 Float SC 29 吋前叉 100mm - 亮橘色 - 盒裝

    原文:New Fox 32 Float SC 29" Fork 100mm - Shiny Orange - In Box

    Prompt: 550

    Prompt: 全新盒裝 Fox 32 Float SC 29 吋前叉。零件編號 # 910-21-035,2023 年款,100mm 行程,FIT4 遠端調整,Kabolt 110,黑色,1.5T,44mm 前叉偏移量,亮橘色配黑色/透明標誌。仍在原廠 Fox 盒內的塑膠袋中,附有品質檢驗合格貼紙。標籤顯示序號 1114911-0008-T,台灣製造。

    原文:Brand new in box Fox 32 Float SC 29" fork. Part # 910-21-035, 2023 model, 100mm travel, FIT4 Remote-Adj, Kabolt 110, BLK, 1.5T, 44mm rake, shiny orange with black/clear logos. Still in plastic inside original Fox box with QC passed sticker. La…

    5 min
  • Matt Pocock 發布 skill 儲存庫教學展示端到端開發流程

    Matt Pocock 發布 skill 儲存庫教學展示端到端開發流程。

    核心教學內容
    Matt Pocock 針對其廣受歡迎的 skill 儲存庫推出首份教學,詳細示範如何運用核心 skill 完成開發工作流,包含:
    /grill-with-docs:透過訪談釐清想法,並將討論沉澱為文件。
    /to-spec:將需求轉化為規格。
    /to-tickets:自動生成任務單。
    /implement:執行程式碼實作。
    /code-review:自動審查程式碼。
    安裝與設定指引
    根據影片示範,使用者可在 Visual Studio Code 終端機完成安裝與設定:
    執行安裝指令:npx skills@latest add matpocock/skills。
    系統會列出 38 個 skill,使用者需選擇安裝範圍(Project 或 Global)及安裝方式(Symlink)。
    安裝時請留意「Security Risk Assessments」表格,確認各 skill 的風險等級。
    執行 setup-mat-pocock-skills 指令完成專案配置,系統會自動在 CLAUDE.md 檔案中加入相關連結。
    一名講者在影片中示範如何安裝與設定他開發的 AI skill 庫。
    技術架構與應用
    影片中展示了結合 Claude Code 與 Opus 4.8 的開發情境,並揭露了詳細的 Context Usage 統計:
    系統提示詞佔 2.2k token,系統工具佔 5.3k token,skill 佔 660 token,整體 Context Window 使用率極低,保留了 98.7%(約 987.5k)的空間供任務使用。
    透過將大型任務(如 GitHub 專案中的 PRD 拆解)細分為多個單一 Context Window 的執行單元,能有效管理複雜的開發流程。
    更多詳細資訊可參考 AI Hero 專屬頁面。

    一名講者在影片中示範如何安裝與設定他開發的 AI skill 庫。 影片中的 Prompt 與操作:

    Prompt(00:58): npx skills@latest add matpocock/skills

    Prompt(08:49): set it up with Jira

    Prompt(08:54): local markdown

    Prompt(09:13): Defaults is fine

    Prompt(10:10): Single context

    Prompt(11:54): How do I get started?

    Prompt(14:03): 我想移除此 CLI 中大部分的內部工具,使其僅供公開使用。我想將此儲存庫簡化一些。

    原文:I would like to remove most of the internal tooling on this CLI to make it just public-facing. I want to just take this repo down a notch.

    Prompt(17:05): /implement this

    Prompt: /to-tickets

    Prompt: Do it in one slice instead

    Prompt: @tickets.md

    Prompt: /implement @tickets.md

    操作步驟: 1. (00:55)於終端機輸入安裝指令 2. (02:04)選擇安裝套件 3. (03:20)使用空白鍵選取技能 4. (04:05)選擇安裝範圍 5. (05:15)選擇安裝方式 6. (05:40)確認安裝 7. (07:18)執行設定指令 8. (10:24)檢視設定後的檔案內容 9. (11:41)呼叫 ask-mat 技能 10. (13:59)呼叫 grill-with-docs 技能 11. 呼叫 to-tickets 技能 12. 呼叫 implement 技能

    原文:https://easyvibecoding.app/curated/2420-matt-pocock-launches-skill-repo-tutorial

    3 min
  • Anthropic 與 AE Studio 發表 GRAM 訓練方法隔離雙重用途知識

    Anthropic 與 AE Studio 發表 GRAM 訓練方法隔離雙重用途知識。

    核心研究目標
    Anthropic 與 AE Studio 合作推出的研究,目標是解決 AI 模型中「雙重用途(dual-use)」知識的存取控制問題。現有的防護機制(如拒絕請求或分類器篩選)僅能限制輸出,容易遭受 jailbreak 攻擊,且無法從模型內部徹底移除危險知識。研究團隊提出「GRAM(Gradient-Routed Auxiliary Modules)」技術,透過在 Transformer 每一層的 MLP 中加入輔助模組,將特定領域(如病毒學、網路安全、核物理)的知識與通用權重分離。
    此圖展示了神經網路架構中,針對不同領域數據(Bio 與 Core)訓練時,透過動態啟用特定模組與路徑執行前向與反向傳播的運作機制。
    技術運作機制
    GRAM 的核心在於訓練過程中的梯度路由(gradient routing),而非傳統的資料篩選:
    模組化訓練:訓練時,針對雙重用途資料,僅更新對應的輔助模組,通用權重則保持凍結或低度更新。
    靈活配置:推論時,使用者可透過移除(ablating)特定模組,讓模型表現得如同從未學習過該領域知識,且不會影響通用能力。
    組合性與擴充:單次訓練即可產生多種配置,例如四個模組可組合出 16 種不同的模型版本,大幅降低了針對不同授權需求訓練多個模型的成本(相比資料篩選降低了 5 倍運算資源)。
    AE Studio 提出的 GRAM 訓練方法僅需單一模型,即可透過模組的啟用與刪除,達到與訓練多個獨立過濾數據模型(Data Filtering)高度相近的保留(Retain)與遺忘(Forget)效果,在保留通用能力的同時,能有效隔離並移除特定雙重用途知識。
    實驗結果與穩健性
    研究團隊在 5000 萬至 50 億參數規模的模型上做了測試,結果顯示:
    移除效果:GRAM 在移除能力後,對抗惡意微調(adversarial elicitation)的表現優於後驗遺忘技術(post-hoc unlearning)及 MaxEnt,模型不會因少量 finetuning 而輕易恢復危險知識。
    實驗結果顯示,GRAM 方法在維持較高核心能力(Core)的同時,相較於 MaxEnt 能顯著降低被惡意提取(Elicit)的比例。
    規模化優勢:隨著模型規模擴大,GRAM 對危險知識的隔離與遺忘效果更為徹底。
    實驗結果顯示,GRAM 方法在移除特定雙重用途知識時(Forget 與 Elicited Forget 指標顯著下降),能有效保留模型的核心通用能力(Core 接近 1.0),且隨著模型參數規模從 50M 擴展至 5000M,其知識分離與遺忘的效果更加顯著。
    標籤稀疏性:在僅有 50% 資料標記的現實場景中,GRAM 展現了比資料篩選更強的能力隔離效果。
    組合能力:與疊加多個 LoRA adapters 會導致效能下降不同,GRAM 的模組在啟用多個時仍能維持乾淨的效能表現。
    GRAM 方法在維持高核心能力(Core = 0.96)的同時,相較於 Filtering 與 Filter + LoRA,能顯著降低遺忘與誘導比率(Forget = 0.60, Elicit = 0.76),展現出更優異且穩健的能力移除效果。
    執行與資源
    該研究為 ICML 2026 的 Spotlight 論文,目前已公開相關程式碼與實驗設定,供開發者參考與驗證:
    專案網站:modularpretraining.com
    程式碼庫:agencyenterprise/modular-pretraining
    環境設定:建議使用 uv 管理環境,安裝指令如下:
    `bash
    uv venv && source .venv/bin/activate
    uv pip install torch transformers datasets huggingface_hub numpy scipy matplotlib tqdm python-dotenv
    `
    訓練指令範例:
    `bash
    torchrun --nprocpernode=8 -m src.run.main
    `
    研究限制與反思
    儘管 GRAM 在實驗中表現優異,研究團隊強調這仍屬於概念驗證階段,尚未在 Claude 等生產環境的 frontier scale 模型中驗證。此外,通用知識與雙重用途能力之間可能存在「知識糾纏(entanglement)」,導致部分能力無法完全分離。未來將持續探討該方法在實際下游任務中的表現,以及如何進一步提升其在複雜生產環境下的穩健性。

    原文:https://easyvibecoding.app/curated/2396-anthropic-ae-studio-gram-isolates-dual-use-knowledge

    4 min
  • Claude Code 推出 /checkup 指令自動清理開發環境

    Claude Code 推出 /checkup 指令自動清理開發環境。Boris Cherny 於 2026 年 7 月 9 日發布此更新,用單一指令解決開發者在維護 Agent 專案時常見的冗餘與效能問題。

    核心功能
    /checkup 指令整合了多項維護任務,執行前會先向使用者確認,確保所有變更皆在掌控之中。其主要功能包含:
    清理未使用的 skill、MCP 與 plugin,以節省 context 空間。
    比對並移除本地端 CLAUDE.md 與儲存庫中 CLAUDE.md 的重複內容。
    將根目錄的 CLAUDE.md 拆解為巢狀結構的 CLAUDE.md 與對應的 skill。
    關閉執行速度緩慢的 hooks。
    將 Claude Code 更新至最新版本。
    將 auto mode 設定為預設啟用。
    針對經常被拒絕的唯讀指令預先核准(Pre-approve)。
    這是一個 Claude Code 提供的清理建議介面,列出系統狀態問題並詢問使用者是否執行自動修復與優化。
    實際影響
    此工具的目的在簡化 Agentic 程式開發的繁瑣維護流程。透過自動化處理這些基礎設定,開發者能更專注於核心邏輯的開發,同時確保 workspace 保持輕量與高效。此更新不僅提升了 Claude Code 的易用性,也透過結構化管理 CLAUDE.md,協助開發者維持更清晰的專案架構。

    原文:https://easyvibecoding.app/curated/2407-claude-code-adds-checkup-command

    2 min
  • Jarred Sumner 宣布 Bun 以 Rust 重寫完成

    Jarred Sumner 宣布 Bun 以 Rust 重寫完成。

    核心觀點
    Jarred Sumner 指出,軟體工程的觀念應隨之更新:大規模的程式碼重寫(rewrite)現在可以變得既優質、便宜且快速——前提是專案像 Bun 一樣具備高度可測試性(Thariq 也提醒,多數應用並不具備這種條件)。過去這類專案通常因維護成本過高而失敗,但透過 Claude Code 的動態 workflow,團隊在 11 天內成功將超過 50 萬行的 Zig 程式碼遷移至 Rust,並確保所有測試通過。
    技術實踐與流程
    自動化重構:Jarred Sumner 使用 Claude Fable 5 模型,透過約 50 個動態 workflow 轉換程式碼,並利用「對抗式審查」(Adversarial review)機制,由多個 Agent 相互檢核程式碼以確保正確性。
    除錯與測試:團隊並未手動逐行修改,而是建立了一套包含百萬個斷言(assertion)的測試套件,並透過 systemd-run 隔離環境,確保在遷移過程中能即時修正編譯錯誤與邏輯回歸。
    效能與穩定性:遷移後的 Bun v1.4.0 解決了 v1.3.14 中 128 個已知錯誤,包括記憶體洩漏與崩潰問題。同時,得益於 Rust 的 Drop 機制與編譯器優化,二進位檔案大小縮減約 20%,HTTP 吞吐量提升 2% 至 5%。
    對工程界的啟示
    AI 驅動的開發:此專案耗資約 16.5 萬美元的 API 費用,若以傳統人力進行,預計需 3 名資深工程師耗時一年。Jarred Sumner 強調,現在單一工程師配合 AI 工具所能產出的規模,已遠超一年前的想像。
    未來規劃:Bun v1.4.0 目前已開放 Canary 版本測試,使用者可透過以下指令升級體驗:
    `sh
    $ bun upgrade --canary
    `
    持續維護:儘管遷移至 Rust,部分與 C/C++ 函式庫(如 JavaScriptCore)互動的程式碼仍保留 unsafe 區塊,團隊後續將持續重構以提升程式碼的慣用性。

    原文:https://easyvibecoding.app/curated/2405-jarred-sumner-rewrites-bun-in-rust

    3 min
  • HeyClicky 推出空間上下文功能讓使用者圈選螢幕範圍

    HeyClicky 推出空間上下文功能讓使用者圈選螢幕範圍。

    核心功能
    Farza (@FarzaTV) 發布了這項新功能,解決 AI 雖然擅長分析螢幕截圖,卻無法精確理解使用者關注點的問題。透過這項更新,使用者不再需要描述模糊的區域,只需透過直覺的圈選動作,即可讓 AI 聚焦於螢幕上的特定細節。
    實際應用場景
    根據演示影片(Demo)顯示,HeyClicky 的應用範圍相當廣泛,不僅限於靜態圖像分析,還能直接介入網頁與系統操作:
    醫學教育:在瀏覽器開啟「Atlas of Human Anatomy」網頁時,使用者可圈選特定肌肉部位,直接向 AI 詢問相關解剖資訊。
    網頁開發:在開發環境中,使用者可針對網頁特定區塊圈選並下達指令,例如在「Golden Gets Summer Camp」網站頁面要求 AI 新增「Explore Programs」按鈕,AI 會自動在指定位置完成操作。
    系統與多媒體互動:該工具亦支援 macOS 系統設定介面、影片編輯軟體以及影片平台縮圖的互動,展現了高度的跨應用程式整合能力。
    影片展示了名為 HeyClicky 的 AI 工具,透過游標圈選螢幕區域即可與 AI 精確互動與操作。
    操作流程
    使用者可透過以下步驟啟用空間上下文功能:
    透過快捷鍵觸發選取模式。
    使用滑鼠或游標在螢幕上繪製出需要 AI 關注的區域。
    該區域的視覺資訊將被擷取並作為上下文傳遞給 AI,隨後即可針對該區域分析或執行自動化操作。
    這項更新大幅降低了使用者與 AI 互動的溝通成本,將「視覺指引」直接轉化為 AI 的執行參數,使 AI 代理能更精準地理解並處理螢幕上的複雜任務。

    影片展示了名為 HeyClicky 的 AI 工具,透過游標圈選螢幕區域即可與 AI 精確互動與操作。 影片中的 Prompt 與操作:

    Prompt(00:20): HeyClicky,能告訴我關於這個特定區域肌肉的更多資訊嗎?

    原文:HeyClicky, can you tell me more about the muscles in this particular region?

    Prompt(00:44): HeyClicky 代理,你能幫我在網站的這個位置加一個按鈕嗎?

    原文:HeyClicky agent, could you actually go and add a button to this part of the website right here?

    操作步驟: 1. (00:12)使用者按下快捷鍵並以游標圈選螢幕區域 2. (00:21)使用者在瀏覽器中圈選解剖圖的肌肉部位 3. (00:45)使用者在網頁開發介面中圈選空白處 4. (00:54)AI 代理在圈選處自動插入按鈕

    原文:https://easyvibecoding.app/curated/2412-heyclicky-adds-spatial-context-selection

    2 min
  • OpenAI 宣布撤回對 SWE-Bench Pro 的推薦

    OpenAI 宣布撤回對 SWE-Bench Pro 的推薦。

    核心審計結果
    OpenAI 針對目前廣泛使用的 AI 程式開發基準測試「SWE-Bench Pro」做了全面審計,發現該基準測試中約有 30% 的任務存在嚴重缺陷,導致其無法準確衡量前沿模型的程式開發能力。基於此項發現,OpenAI 正式撤回先前建議研究社群使用 SWE-Bench Pro 作為主要程式開發評估指標的立場。
    任務缺陷分類
    審計團隊指出,SWE-Bench Pro 的任務問題主要集中在以下四個面向,這些問題會扭曲評估結果,導致模型因非能力因素而失敗:
    過於嚴格的測試:強制要求提示詞(prompt)中未明確規定的實作細節,導致功能正確的程式碼無法通過測試。
    規格不明確的提示詞:隱藏測試要求與提示詞內容不符,且無法從現有資訊中合理推斷。
    測試覆蓋率不足:測試項目未能完整檢查請求的功能,導致不完整的修復方案也能通過。
    誤導性的提示詞:提示詞引導模型走向錯誤的行為,或與測試要求產生矛盾。
    根據 OpenAI 對 SWE-Bench Pro 的審計,不論是透過人類監督的代理審查或人類標註,皆發現有顯著比例的任務存在問題,其中以「過於嚴格的測試(Overly strict tests)」佔比最高(分別達 14.4% 與 17.8%),證實該基準測試存在可能扭曲評估結果的缺陷。
    審計方法論
    為了確保審計的規模化與準確性,OpenAI 採用了「模型輔助調查 Agent」結合「專家人工審查」的混合模式:
    資料品質管道:利用自動化過濾器檢視模型嘗試、任務元資料與失敗軌跡,初步標記出潛在問題任務。
    Agent 審計:部署基於 Codex 的調查 Agent,賦予其存取任務儲存庫與環境的權限,深入分析任務歧義與常見失敗模式。
    人工審查:由五位經驗豐富的軟體工程師獨立評估,針對 Agent 標記的任務做最終判斷,並對意見不一致的案例升級審查。
    這是一張展示 OpenAI 品質保證流程(Quality assurance pipeline)的架構圖,說明從自動化篩選到人工審核的資料品質檢測機制。
    對未來評估的啟示
    OpenAI 強調,隨著模型能力的提升,評估基準必須變得更困難、更公平且更具公信力。由於開源專案的歷史 Pull Request 本質上是為人類協作設計,其測試案例往往過於針對特定變更,而非定義通用的解決標準,這使得將其轉化為可靠的 AI 評估基準面臨挑戰。OpenAI 呼籲研究社群應開發由專業軟體工程師專門設計的新基準,以確保評估結果能真實反映模型的實際能力與對齊程度。

    原文:https://easyvibecoding.app/curated/2410-openai-withdraws-recommendation-swe-bench-pro

    4 min
  • Dorsa Rohani 發布 Claude Code 多人協作功能

    Dorsa Rohani 發布 Claude Code 多人協作功能。

    多人協作機制
    Dorsa Rohani 宣布為 Claude Code 引入多人協作支援,這項功能允許不同使用者在同一個終端機環境中共同作業,並能將各自的 Claude Agent 連結起來,使其具備互相溝通的能力。根據演示影片,這並非 Claude Code 的官方原生功能,而是透過外掛插件實現的擴充應用,用來解決開發者在終端機環境中協作時的資訊同步需求。
    實際操作觀察
    在展示「Claude Code v2.1.204」的 demo 中,觀察到以下技術細節:
    系統支援多種模型切換,包括 Sonnet 5、Opus 4.8 與 Fable 5。
    介面會顯示 AI 的執行狀態,如「Shimming」、「Brewing」、「Burrowing」、「Misting」與「Seasoning」等提示。
    透過跨終端機的訊息傳遞測試,當一個視窗輸入特定指令後,其他連結的視窗能即時查詢並獲取該資訊,顯示 Agent 間具備上下文共享的能力。
    系統介面包含「manual mode」及「MCP servers need authentication」等提示,並支援以「/」開頭的指令操作。
    影片展示了 Claude Code 工具在多個終端機視窗間協作與傳遞訊息的操作流程。
    相關資源
    該專案目前已於 Mosaic 頁面公開,開發者可前往該網站進一步了解此工具的應用方式與安裝細節。

    影片展示了 Claude Code 工具在多個終端機視窗間協作與傳遞訊息的操作流程。 影片中的 Prompt 與操作:

    Prompt(00:03): 嗨 Claude!

    原文:hi claude!

    Prompt(00:05): 一個很酷的新專案

    原文:a cool new project

    Prompt(00:15): 訊息是「英國人來了」

    原文:the message is "the british are coming"

    Prompt(00:17): 發送到終端機

    原文:send it to the terminal

    Prompt(00:19): 訊息是什麼?

    原文:what is the message?

    Prompt(00:28): 訊息是什麼?

    原文:what is the message?

    操作步驟: 1. (00:03)在終端機輸入訊息並與 AI 對話 2. (00:17)指示 AI 將訊息發送至終端機 3. (00:19)在另一個終端機視窗詢問訊息內容 4. (00:28)在不同終端機視窗間切換並進行查詢

    原文:https://easyvibecoding.app/curated/2395-dorsa-rohani-claude-code-multi-user-collaboration

    2 min
  • Google Quantum AI 在 Willow 處理器上用強化學習即時修正量子錯誤

    Google Quantum AI 在 Willow 處理器上用強化學習即時修正量子錯誤。

    技術突破與核心機制
    Google Quantum AI 團隊在《Nature》期刊發表最新研究,針對量子電腦因環境干擾導致效能漂移的問題,提出了一種將「校準」與「運算」合而為一的新架構。傳統量子電腦需中斷運算來校準,這對未來需長時間執行的演算法構成瓶頸。該團隊透過以下方式解決此挑戰:
    賦予量子錯誤修正(QEC)流程雙重角色:錯誤偵測事件不僅用於修正邏輯量子態,同時被轉化為學習訊號。
    訓練強化學習 Agent:利用這些訊號即時調整控制參數,在運算過程中持續穩定量子系統。
    實驗成果與效能表現
    研究團隊在 Willow 超導處理器上實驗,證實此架構能有效對抗系統漂移,並達到以下具體成效:
    邏輯穩定性提升:在注入漂移的情況下,邏輯穩定性提升了 3.5 倍。
    錯誤率抑制:透過強化學習微調已校準處理器,進一步抑制了 20% 的邏輯錯誤率(LER),表現超越傳統物理校準與人類專家調校。
    紀錄級效能:在表面碼(surface code)與彩色碼(colour code)測試中,分別達到平均每個週期 7.72(9) × 10⁻⁴ 與 8.19(14) × 10⁻³ 的邏輯錯誤率。
    未來擴展性
    透過數值模擬,研究團隊驗證了該架構的擴展潛力,即便面對擁有數萬個控制參數的大型編碼(如 distance-15 表面碼),其優化速度仍不受系統規模影響。此方法具備高度通用性,不僅適用於超導電路,未來亦可應用於各類物理量子位元模組,為實現「從錯誤中學習且永不停止運算」的量子電腦奠定基礎。

    原文:https://easyvibecoding.app/curated/2406-google-quantum-ai-fixes-errors-on-willow-chip

    3 min
  • Google Photos 推出 Gemini Omni 轉換影片風格

    Google Photos 推出 Gemini Omni 轉換影片風格。

    核心功能與應用
    Google Photos 於 2026 年 7 月 9 日正式發布 Video Remix,這項功能整合於 Google Photos 的「Create」分頁中,用意是降低影片編輯的門檻。該功能由 Gemini Omni 模型驅動,使用者無需專業編輯能力,即可透過簡單的點擊操作,將原始影片轉換為具備藝術感的內容。其主要應用包括:
    光影調整:應用電影級光影效果,改善影片亮度或氛圍。
    背景替換:快速更換影片背景,創造出如溫室等不同場景。
    藝術風格化:提供多種視覺模板,包括水彩畫、原始素描(raw sketchbook)及油畫效果。
    Google Photos 推出 Video Remix 功能,透過 AI 技術讓使用者能輕鬆變更影片風格。
    服務與適用範圍
    根據 Google 官方說明,Video Remix 讓使用者能於數秒內完成影片創作,並直接分享至社群。該功能目前的服務限制如下:
    訂閱要求:僅開放給 Google AI Plus、Pro 及 Ultra 的訂閱使用者。
    地區限制:目前已於特定國家開始陸續推出。
    使用條件:根據功能展示,使用者需年滿 18 歲,且服務可用性會因地區而有所差異。
    技術背景與願景
    Google Photos 產品經理 Tyler McNierney 指出,創作高品質影片不應受限於專業技術或繁瑣的後製時間。透過將 Gemini Omni 的生成式 AI 能力導入「Create」分頁,Google 試圖將 Google Photos 打造成一個更具創造力的中心,讓使用者能將平凡的日常片段轉化為值得分享的記憶。欲了解更多詳細資訊,可參考 Google 官方說明頁面。

    Google Photos 推出 Video Remix 功能,透過 AI 技術讓使用者能輕鬆變更影片風格。 影片中的 Prompt 與操作:

    Prompt(00:07): 將我的影片繪製成夢幻水彩畫

    原文:Paint my video in dreamy watercolor

    Prompt(00:14): 用晨光重新照亮我的影片

    原文:Relight my video with a morning glow

    Prompt(00:18): 將我的影片場景設定在溫室中

    原文:Set my video in a greenhouse

    操作步驟: 1. (00:04)點擊「Create」分頁 2. (00:05)點擊「Video remix」選項 3. (00:07)選擇「Paint my video in dreamy watercolor」並套用效果 4. (00:14)選擇「Relight my video with a morning glow」並套用效果 5. (00:18)選擇「Set my video in a greenhouse」並套用效果

    原文:https://easyvibecoding.app/curated/2400-google-photos-adds-gemini-omni-video-styles

    2 min