EasyVibeCoding Podcast

EasyVibeCoding Podcast

By EasyVibeCodingTechnology
Download on the App Store

EasyVibeCoding Podcast episodes

  • Cursor Self-Hosted Machines:Agent 在客戶自管機器池執行,推論與規劃仍在雲端

    Cursor Self-Hosted Machines:Agent 在客戶自管機器池執行,推論與規劃仍在雲端。

    執行架構 團隊可把 Cursor cloud agents 部署到自管 GPU、Mac、Kubernetes、VM 或難以封裝的建置環境。機器安裝 Cursor CLI 後執行 agent worker start,透過長連線 outbound HTTPS 接收 tool call;Cursor 的 harness 負責推論與規劃,再把工作交給 worker,並接收結果進入下一輪推論。Cursor 表示不會主動對客戶網路發起 inbound 連線。影片畫面中的「Run on」選單則提供 Cloud、This Mac 與 Remote Machines 三種執行目標,其中 Remote Machines 被勾選。

    介面選單提供 Cloud、This Mac 與 Remote Machines 三種執行目標選項切換

    pool 與生命週期 pool 是供團隊或企業共用的命名 worker 佇列,不綁定單一 repo,因此同一 pool 可服務多個 repo。控制器會監看請求佇列,容量不足時呼叫團隊提供的 spawn script;沒有可用 worker 時,請求會等待。團隊可設定: idle timeout,並在閒置後重設機器、送回 pool。 保留 workspace 供後續工作使用,或建立 snapshot 後停止閒置機器,讓後續任務恢復。 依需求增加或縮減容量;worker 斷線後,容量也會下降。

    部署與整合 個人工作流程可用一台 laptop 或 VM 連接至 My Machines;企業則可使用自有內部服務、版本控制系統與特殊硬體。官方列出的合作整合包括 AWS Lambda、Cloudflare、Coder、Daytona、E2B、Modal、Namespace 與 Vercel。Computer Use 現在支援 Linux worker 與 Mac,但 Linux 必須先安裝 Chrome 或 Chromium 相依套件。

    資料與限制 Cursor 管理的環境仍是預設選項,包含專用 VM、相依套件設定、網路控制、Agent 隔離、密鑰遮罩、對外連線控制與簽署 commit。Self-Hosted Machines 只把執行環境移到客戶端;tool output 可能包含 source code,仍會回傳 Cursor 進行推論,conversation records 也可能由 Cursor 處理與儲存。原文未說明保留期限或客戶能否自行控管這些紀錄,屬於需人工核對的資料治理風險;此外,pool 容量、定價與全面可用時間也尚未公布。

    原文:https://easyvibecoding.app/curated/3249-cursor-launches-self-hosted-machines-cloud-agents-customer

    2 min
  • Google 發布 Gemini 3.8 Flash,串起程式執行、除錯與反覆修改的代理式迴圈

    Google 發布 Gemini 3.8 Flash,串起程式執行、除錯與反覆修改的代理式迴圈。

    淺藍色背景的發表公告畫面,中央以黑字標示「Introducing Gemini 3.8 Flash and 3.8 Flash Cyber」,下方帶有四色四角星標誌,背景帶有毛玻璃質感的幾何光影。

    這次發布同時展示一般 Flash 的廣泛產品入口,以及 Cyber 僅開放給通過審核的防守方使用的 Fairwind 安全邊界。

    模型定位 Google 將 Gemini 3.8 Flash 稱為「主力型工作模型」,表示它在維持 Gemini 3.7 Flash 速度與低成本定位的同時,加強程式開發、複雜工程、代理式任務與多步推理。Koray Kavukcuoglu 更稱它在複雜工程任務中勝過多數較大型前沿模型;不過這是第一方定位,仍要在相同評測框架(harness)、模型版本與成本條件下核對。Gemini 3.8 Flash Cyber 則被定位為 Google 目前能力最強的資安模型,主攻找出並修補漏洞,並在 CWE-Bench 位於帕累托前沿。

    Gemini 3.8 Flash Cyber 在 CyberGym C/C++ 漏洞發現評測(Pass@1)中以 86.2% 得分領先 GPT-5.5-Cyber、Mythos 5、GPT-5.6 Sol 與 Gemini 3.5 Flash Cyber。

    代理式程式開發示範 GoogleAI 展示 Gemini 3.8 Flash 在 Google Antigravity 中完成一段 66 秒的互動流程:模型先建立 3D 奇幻解謎遊戲,再實際遊玩、觀察錯誤,接著修改程式碼來修正問題。重點不只是產生程式碼,而是能在複雜專案中操作,把原生影片理解、程式執行、除錯與反覆修改串成一個代理式迴圈。

    來源:@GoogleAI|執行 Google Antigravity 與 Gemini 3.8 Flash 建構的 3D 奇幻解謎遊戲實機展示

    影片展示的遊戲包含多個章節與任務,例如第一章「CHAPTER I: THE SEALED VESTIBULE」要求解除偉大符文閘門、閱讀大法師伊芙琳的日誌,並依季節順序點燃四大元素火盆;後續還有「CHAPTER II: THE ALCHEMIST'S DESPAIR」與「CHAPTER III: THE SHATTERED SPIRE」。畫面也出現 100 生命值、100 魔力值,以及火、冰、風、地、光等能力圖示。不過這只是單次能力示範,原始資料未提供提示詞、完整執行紀錄、成功率或可重現的評測框架,不能單獨視為正式評測結果。

    一款第一人稱奇幻冒險遊戲的遊玩畫面,左上角顯示章節名稱「CHAPTER 1: THE SEALED VESTIBULE」與任務目標,畫面右側持有一支帶有發光魔法圓環的法杖,下方中央則排列著五個法術快捷列與血量、魔力數值。

    官方規格與產品入口 Gemini 3.8 Flash 的 API 文件顯示,模型可接受文字、圖片、影片、音訊與 PDF 輸入,最高支援 1,048,576 個輸入 token 與 65,536 個輸出 token。功能包括脈絡快取、程式執行、電腦操作預覽、檔案搜尋、函式呼叫(function calling)、Google Maps 與搜尋依據,以及結構化輸出;思考等級可選低、中、高。Batch、Flex 與 Priority 推論也可使用,但不支援最低思考等級。完整文件見 Gemini 3.8 Flash API 模型文件。

    產品可用範圍包括:

    開發者可在 Antigravity、Google AI Studio 與 Android Studio 使用。 代理工作流程可使用 Antigravity 與 Agent Platform,介面工作則可使用 Stitch。 企業可從 Gemini Enterprise 的模型選單使用。 Google AI Pro 與 Ultra 使用者可在 Gemini 應用程式、搜尋的 AI 模式與 Google Sheets 使用。

    官方評測結果 Google 的評測矩陣涵蓋程式開發、代理式任務、文件、影片、科學與作業系統操作,Gemini 3.8 Flash 的數據包括:

    DeepSWE v1.1:73.7%;GDPval-AA v2:Elo 1545;Vals Finance Agent v2:61.4%。 Harvey Legal Agent all-pass:10.0%;Terminal-Bench 2.1:89.4%;Terminal-Bench 4.0:19.1%;GDP PDF:35.0%。 CharXiv reasoning:86.2%;LVBench 代理式模式:87.8%,靜態模式:87.1%;Humanity's Last Exam Verified:54.9%。

    Gemini 3.8 Flash 在 HLE-Verified 多學科專家推理基準測試中以 54.9% 的得分率領先 GPT-5.6 Sol (54.5%)、Claude Opus 5 (54.4%)、Gemini 3.7 Flash (53.6%)、GPT-5.6 Terra (51.1%) 與 Claude Sonnet 5 (31.0%)。

    OSWorld 2.0:59.0%;BioMysteryBench 在「人類可解」題目為 88.8%,「人類高難度」題目為 56.5%;LABBench2:86.2%。

    Gemini 3.8 Flash 在 Vals Finance Agent v2(61.4%)、Harvey's Legal Agent Benchmark(10.0%)、Terminal-bench 2.1(89.4%)、CharXiv Reasoning(86.2%)、LVBench(87.8%)與 LABBench2(86.2%)等多項 Agent 與推理測試中取得領先,但在 DeepSWE v1.1、GDPval-AA v2、Terminal-bench 4.0、GDP.PDF 及 OSWorld-2.0 等項目落後於 Claude Opus 5 或 GPT-5.6 Sol,整體表現各有高低。

    Gemini 3.8 Flash Cyber 的官方數據則分開報告:CyberGym pass@1 為 86.2%,CWE-Bench 為 47.2%;Google 另稱其在涵蓋 20 種程式語言的內部真實世界漏洞測試中,表現超過 70%。Fairwind 頁面列出的 CyberGym 對照包括 GPT-5.5-Cyber 85.6%、Mythos 5 83.8%、GPT-5.6 Sol 83.6% 與 Gemini 3.5 Flash Cyber 77.5%;CWE-Bench 則是 Fable 5 的 47.8% 對 Gemini 3.8 Flash Cyber 的 47.2%。Cyber 仍只開放給通過審核的防守方,須透過 Fairwind Program 取得;實際審核、執行輪次與配額條件未在來源中說明。

    來源:@koraykv|Gemini 3.8 Flash Cyber 在 CWE-Bench 的 Pass@1 與每任務成本權衡中位於 Pareto 曲線前沿,在維持高 Pass@1 表現的同時顯著降低單次 rollout 成本。

    價格與外部驗證 Gemini 3.8 Flash 的首發優惠價持續至 2026 年 12 月 31 日,每百萬個輸入 token 為 $0.75,每百萬個輸出 token 為 $3.75;自 2027 年 1 月 1 日起調整為 $1.50 與 $7.50,快取讀取另有 90% 折扣。也就是說,模型的低成本定位有明確期限,規劃長期預算時不能只採用首發價格。

    來源:@koraykv|Gemini 3.8 Flash 與 Claude Opus 5、DeepSeek v4 Pro 等模型在 DeepSWE V1.1 評測中的每任務平均成本與正確率表現比較。

    Artificial Analysis 以自己的評測框架(harness)測試同一發布版本,結果不屬於 Google 官方矩陣:

    Intelligence Index:高思考強度 59、中思考強度 57、低思考強度 52;Gemini 3.7 Flash 高思考強度為 56。

    來源:@ArtificialAnlys(回覆)|在 Artificial Analysis 的 Intelligence Index 中,Gemini 3.8 Flash 高思考強度拿到 59 分,高於 Gemini 3.7 Flash 高思考強度的 56 分,以及 Gemini 3.8 Flash 低思考強度的 52 分。

    每任務成本:高思考強度 $0.58、中思考強度 $0.41、低思考強度 $0.24;Gemini 3.7 Flash 高思考強度為 $0.40。

    來源:@ArtificialAnlys(回覆)|Ar…

    3 min
  • World Labs 推出 Atlas:生成最長 1 分鐘、1440p 影片,並控制相機路徑與重建 3D 場景

    World Labs 推出 Atlas:生成最長 1 分鐘、1440p 影片,並控制相機路徑與重建 3D 場景。

    一座紅色懸索橋橫跨在藍色水面上,遠方為起伏的海岸與陸地,畫面中央疊印著白色的英文字母。

    核心定位 Atlas 是面向 spatial intelligence 的 omni 多模態 world model,將文字、影像、影片、camera poses 與 3D depth 視為同一序列中的不同輸入與輸出。World Labs 在官方文章中表示,Atlas 採用自回歸 diffusion transformer,融合大型語言模型與影像、影片模型的設計:

    自回歸 transformer 讓 Atlas 能沿用 KV-caching、cache-aware routing 與 disaggregated serving 等 LLM 系統技術。 rectified flow diffusion 模型透過逐步去噪生成輸出,也能藉由調整推論時的去噪步驟,在速度與品質間取捨。 Transformer 架構則利用適合現代硬體的矩陣乘法,作為 world modeling 的核心骨幹。

    主要能力 Atlas 會產生影片,也把相機運動、空間結構與時間變化納入同一模型:

    來源:@theworldlabs(回覆)|Atlas 透過單張影像與相機路徑控制生成 3D 世界與模擬空間。

    從一張或多張輸入影像生成最長 1 分鐘、1440p 的影片,並直接控制 camera path;輸入可以包含 pan、truck、crane 等一至三段電影式運鏡。 以稀疏影像與 camera poses 重建場景,輸出明確的 3D 空間;官方 reframing 範例使用三至五個 camera views,機器人重建範例則各使用 24 個 frames。 將多張具備姿態資訊的影像組合成一致的 3D world,並透過重新取景模擬影片中的時空變化。 產生一般影像或 360 度全景圖,也能模擬機器人視角。

    不過,未被輸入影像觀察到的區域可能是模型自行想像的內容,因此稀疏視角重建不能直接視為完整、經驗證的真實場景。

    官方評測 World Labs 選擇 camera-controlled generation 與 sparse-view 3D reconstruction 兩條評測軌道。前者由第三方人工評審判斷模型是否遵循指定運鏡;Atlas 在各組比較中獲選的比例為:

    相較 MiniMax H3:75%,95% 信賴區間為 68% 至 82%。 相較 Gemini Omni Flash:81%,區間為 74% 至 87%。 相較 Happy Horse 1.1:86%,區間為 82% 至 91%。 相較 FLUX 3:93%,區間為 88% 至 97%。 相較 Seedance 2.5:94%,區間為 90% 至 97%。

    3D 重建以平均絕對相對 pointmap error 評估,數值乘以 10^-3,越低越好:Atlas 為 25.3、Pi3X (posed) 為 28.7、pi cubed 為 34.7、VGGT-Omega 1B 為 36.4、Depth Anything 3 為 39.3,MapAnything 為 47.7。

    World Labs 公布的兩條評測軌道:左側是 Atlas 相較五個模型的指定運鏡偏好率,右側是 pointmap error;Atlas 原生接收 camera poses,其他模型以文字描述運鏡,條件並不完全相同。

    評測限制 這些結果不能直接解讀成完全公平的模型對決。Atlas 使用原生 camera input format 接收 camera path;其他模型不支援原生相機輸入,只能在文字 prompt 中描述同一段運鏡。World Labs 也承認,更複雜的 prompt engineering 或 multimodal prompt 可能改善其他模型的 camera following 表現。此外,這些數字是 World Labs 發布的結果,雖然團隊表示以共同協定重現 baseline,仍沒有獨立 benchmark 報告可供驗證。

    開放狀態與後續 Atlas 目前僅向 select partners 提供 early access,官方尚未說明一般可用時間與定價;有興趣的團隊可申請測試,特別適合用代表性場景驗證生成、重建與模擬能力。World Labs 表示,開發期間持續擴大模型規模與訓練計算量,新的計算量層級都解鎖了更多能力,並預期未來 world model 仍會沿著 scaling 路線提升。

    Atlas 透過單張影像與相機路徑控制生成 3D 世界與模擬空間。 影片中的 Prompt 與操作:

    操作步驟: 1. (00:25)展示 Input Image 與 Camera Path 生成 Output 三維畫面 2. (00:55)展示室內客廳的 Sparse Reconstruction 三維空間重建 3. (01:04)展示 Robotics Simulation 的三維點雲地圖與機器人移動模擬

    原文:https://easyvibecoding.app/curated/3244-world-labs-atlas-generates-1440p-video-controls-camera-path

    3 min
  • ValsAI 稱 Claude Fable 5.1 用書內索引破解 370 年前密碼,尚無獨立重現

    ValsAI 稱 Claude Fable 5.1 用書內索引破解 370 年前密碼,尚無獨立重現。

    這項成果仍屬第一方案例,尚未有獨立重現。

    事件背景 Geby Jaff 於 2026 年 8 月 31 日發表文章,說明 Claude Fable 5.1 接受一項開放任務,嘗試破解 Sir Thomas Urquhart 於 1653 年出版的「Cyphral Distich」。謎題由兩行、每行 32 個數字組成,共 64 個數字;它曾在 1899 年的《Notes and Queries》被列為開放問題,後來也被歷史密碼研究者 Klaus Schmeh 列入 Top 50 unsolved encrypted messages 的第 28 名。根據 ValsAI 引用的數位化 1834 年版本,相關 Proquiritations 位於第 412 至 417 頁,而密文位於第 417 頁。

    ValsAI 的 Cyphral Distich 歷史密碼解碼報告主題拼貼圖,左上方印有「VALS」標誌與「Cyphral Distich 1653」標題,畫面中佈滿模擬古舊羊皮紙的手稿碎紙、符號對照表、星象圖與綠色蠟印標記。

    破解方法 Claude Fable 5.1 花了 44 分鐘、使用 176k tokens,過程中沒有收到作者介入。它先嘗試數種方法,最後注意到密文緊接在 Urquhart 的 32 篇 Proquiritations 之後,而作者還特別強調「two and thirty」這個數字。詩句也提到,誠實讀者能在其中找到自己的心願與作者的思想;Proquiritations 則反覆以「desire」「wish」或「hope of」等表述收尾。具體規則是:

    對密文每一行的第 i 個數字,找到第 i 篇 Proquiritation。 將該數字當作該篇中的字詞索引。 取出被索引字詞的第一個字母。

    這表示真正的 key 不是外部建立的密碼字母表,而是 Urquhart 自己的書。

    報告中的明文 依照上述規則,兩行各產生 32 個字母,明文為:

    O GOD UPHOLD KING CHARLS THE SECOND AND MAKE HIM THE SUPREME RULER OF THIS LAND

    結果與原謎題形式互相印證:兩行長度相同,結尾為「and/land」押韻,符合 distich 的兩行詩結構;內容則是一段祈求 Charles II 成為最高統治者的禱文,也符合 Urquhart 作為堅定 Royalist 的政治立場。ValsAI 因此認為,這個答案在回頭看時顯得相當簡單,過去的 frequency analysis、substitution 與 homophonic substitution 等嘗試則錯過了書內線索。

    ValsAI 的 1653 年 Cyphral Distich 解碼檔案與歷史考據拼貼圖,由左上角的 VALS 標誌、大標題「Cyphral Distich」、年份 1653、多張帶有符號密碼與手寫數字的舊紙張碎片、左側的星盤圖表,以及右下角的綠色蠟封章組成。

    能力解讀 作者表示,過去幾個月也曾讓其他 frontier model 嘗試已知未解、且答案較容易驗證的歷史密碼,沒有其他模型產生經驗證的解答;但他也不認為其他模型必然無法處理這題。他認為,這次看見的優勢是 Claude Fable 5.1 能持續探索不同方向、知道何時放棄卡住的路線,並快速認出這題較容易下手;這並不是在展示非凡的 cryptanalysis。這個單一實驗只能支持它搜尋歷史資料、發現可行線索並提出明文,不能推導出整體 frontier model 優勢或廣泛的密碼分析能力。

    驗證限制 來源明確提醒,結果目前是 ValsAI 的第一方報告,尚無獨立重現;此外,root post 稱謎題已有 373 年,文章則寫 370 年,年代說法並不一致。讀者應核對所引用的 1834 年《The Works of Sir Thomas Urquhart of Cromarty, Knight》 與 Proquiritations 的原始文字,再測試 32 個數字與索引規則,並將明文視為待核實的案例研究,而非已由第三方確認的定論。

    原文:https://easyvibecoding.app/curated/3245-valsai-claude-fable-book-index-decodes-ancient-cipher

    2 min
  • OpenAI 預告 Astra:達到 Critical 資安門檻但僅分階段開放,ExploitBench 達 100%

    OpenAI 預告 Astra:達到 Critical 資安門檻但僅分階段開放,ExploitBench 達 100%。

    橘色背景的簡報首頁截圖,中央以白色文字顯示「Path to Astra: critical capabilities and frontier safeguards」標題。

    評測顯示 Astra 能發現未知漏洞並建立完整 exploit chain;然而公開數據多來自 Daybreak Blue 或未啟用安全防護的測試條件,不能直接視為預設生產設定下的表現。

    能力與評測 OpenAI 於 2026 年 9 月 1 日表示,Astra 相較 GPT‑5.6 Sol 更具 token 效率,也更擅長漏洞識別與 exploit 開發。其判定 Astra 達到 Critical 門檻,依據包括模型能否在無需人為介入下,針對許多強化過的真實關鍵系統找出並開發各種嚴重程度的 zero-day exploit,或能否只根據高層次目標,端到端設計並執行針對強化目標的新型攻擊策略。

    Astra 在 ExploitBench 達到 100%,該評測用來檢驗模型能否從已知漏洞開發 exploit。 為避免資料污染疑慮,OpenAI 建立「ExploitBench - Internal Port (June–August 2026)」,涵蓋近期揭露的 20 個高嚴重性 V8 漏洞。Astra 以遠少於 GPT‑5.6 Sol 的輸出 token,取得更高的任意程式碼執行率。 測試期間,Astra 發現並利用兩個 zero-day 漏洞組成 exploit chain,OpenAI 表示目前正向維護者揭露這兩個漏洞。 專家在強化過的瀏覽器與作業系統上測試時,Astra 找到未知漏洞,建立逃離沙盒並在主機執行命令的瀏覽器完整入侵鏈,也把作業系統漏洞串成從非特權使用者提升至 root 的本機權限提升鏈。

    Astra 的 ExploitBench、內部 V8 漏洞集與 zero-day 證據,連同 cyber jailbreak 拒絕率及 honeypot 嘗試率;圖中數據皆為 OpenAI 公布,且須連同 Daybreak Blue、無防護 harness 等測試條件解讀。

    數據適用範圍 OpenAI 特別註明,上述 Astra 結果反映的是具備 Daybreak Blue 存取權的能力,而不是預設生產設定。部分研究也採用未啟用安全防護的測試條件,因此 ExploitBench 的 100%、zero-day exploit chain,以及專家主導的入侵結果,都應與其 harness、工具和存取權限一併解讀,不能概括成一般使用者立即可取得的能力。

    發布與安全門檻 OpenAI 稱,Astra 的開發與發布部分階段曾延後數週,用於強化防範資安濫用與未授權模型行動的防護。Astra 預計很快提供,但最先進的資安能力起初只開放給一批 tester,之後再透過 Daybreak Blue 擴大防禦用途;目前尚未公布 rollout 規模或時間表。OpenAI 也表示 Astra 並未參與 Hugging Face incident,但已把該事件的經驗納入安全方法,並稱回溯測試顯示當時的生產防護原本就能阻止事件;針對 Astra,則進一步加入更可靠的有害資安請求拒絕、濫用防護與可中止疑似未授權活動的監控。

    防護成效與限制 Astra 的安全設計同時處理「惡意使用者濫用模型」以及「模型自行採取未授權、失準行動」兩條風險路徑。目前公開的指標有:

    在 cyber jailbreak 評測中,Astra 拒絕 91.5% 的請求,高於 GPT‑5.6 Sol 的 59%。 在 honeypot 存取測試中,GPT‑5.6 Sol 曾於 56% 的測試嘗試存取 honeypot;Astra 則沒有這類嘗試。 對被判定為高風險的帳號,OpenAI 採用更保守的模型行為邊界,拒絕更廣泛的潛在高風險資安協助,並擴大監控所使用的跨對話 context。

    OpenAI 仍持續進行內外部 red-teaming、回歸測試、漏洞修補與 24/7 快速回應;部分小型實驗訓練仍暫緩,較大型 frontier RL run 則在 2026 年 8 月 28 日完成新的安全與資安要求後重新啟動。完整安全、資安與 alignment 評估要等 Astra 上線時的 system card,在 system card 公布前,這些結果還不能當成完整驗證。

    可監控性爭議 2026 年 9 月 2 日,Merettm 針對 Astra 引發的報導補充表示,包含 Astra 在內的現有 OpenAI frontier model,其 computation graph 深度仍在 GPT-4 的兩倍範圍內,並不代表已經進入不可監控階段。OpenAI 自最初的 reasoning model 起便保留並使用 chain-of-thought monitoring,將其視為觀察 alignment 是否能泛化到訓練分布之外的訊號;但 Merettm 同時直言,這項技術很脆弱,可靠性趨勢令人擔憂,而且原因不取決於架構變更,詳細說明將另行發布。因此 chain-of-thought monitoring 只能作為 classifiers、行為邊界與 containment 的分層訊號,不能被視為單獨的安全保證。

    原文:https://easyvibecoding.app/curated/3241-openai-previews-astra-reaches-critical-security-threshold

    2 min
  • UTM v5.0.5 beta 在 macOS 為 Windows 11 實驗性加入 DirectX 12 加速

    UTM v5.0.5 beta 在 macOS 為 Windows 11 實驗性加入 DirectX 12 加速。

    核心更新 UTM 於 2026 年 9 月 2 日發布 v5.0.5 beta,官方稱這是首款能在 macOS 上執行 Windows 11、並支援 DirectX feature level 12_1 的虛擬化軟體。macOS 13.0 以上可在可用時使用 D3DMetal backend 提供 DirectX 12。

    iOS/iPadOS(支線) UTM 透過 DXMT 提供受限的 DirectX 11,支援 M1/M2 iPad,但受 TrollStore、Hypervisor 與 iPadOS 16.3.1 以下版本條件限制。

    使用限制 Release 明確標示 graphics driver 為 experimental,遊戲相容性目前有限,部分遊戲可能無法啟動或執行速度緩慢,團隊預計在未來數月持續調整。DirectX 支援也受 macOS 13.0 與 iOS 16.0 限制;iOS 舊版系統為配合 TrollStore 與 Hypervisor 所帶來的限制,遊戲相容性會更差。這次版本仍保留 v5.0.4 的 Neptune backend,未列出的問題則應依官方 release 指示回報。

    安裝方式 UTM 建議以全新的 Windows 11 安裝建立測試環境,並使用最新版 UTM guest-tools:

    建立 fresh Windows 11 VM,安裝或重新安裝最新版 UTM guest-tools。 在 guest-tools 安裝程式中選擇 experimental 3D graphics driver。 若使用既有 VM,先移除舊的 display-only driver,再安裝 experimental 驅動程式。 逐一記錄遊戲是否能啟動與執行速度,不要把單一 demo 視為廣泛 benchmark。

    測試證據 官方的 standalone d3dmetal-native 程式庫在 macOS 14 或更新版本提供 D3DMetal.framework 的原生介面;這是元件層需求,與 UTM v5.0.5 beta 本身的 macOS 13.0 以上條件不同,支援 D3D11、D3D12、swapchain、跨處理程序資源分享、fence 與 keyed mutex;Apple Silicon 還需要 Rosetta 2,並須另行取得 Apple Game Porting Toolkit 的 D3DMetal.framework,該框架未隨程式庫附帶且受 Apple 授權規範。其測試涵蓋裝置啟動、三角形與立方體 demo、資源分享、等待流程、生命週期壓力與多執行緒測試,但只能驗證元件與資源流程,不能證明 UTM beta 具備廣泛遊戲相容性或效能。

    《Cyberpunk 2077》與 DirectX Diagnostic Tool 的單一 demo 疊圖;裝置資訊顯示 Red Hat VirtIO GPU 3D controller、D3D DDI 12 與 feature level 12_1,不代表完整功能或跨遊戲效能保證。

    展示解讀 靜態縮圖顯示 58 FPS,三個影片取樣點則分別為 43、41、33 FPS;DirectX Diagnostic Tool 列出 Red Hat VirtIO GPU 3D controller、8,192 MB display memory、約 8,187 MB shared memory、D3D DDI 12 與 12_1 功能級別。這些都只是單一《Cyberpunk 2077》demo 的畫面觀察,不是官方遊戲效能保證,也不足以取代逐款遊戲的相容性與 frame-rate 評測。

    單一《Cyberpunk 2077》demo 與 DirectX Diagnostic Tool 的畫面觀察;三個取樣點顯示 43、41、33 FPS,並非跨遊戲 benchmark。

    原文:https://easyvibecoding.app/curated/3238-utm-beta-macos-windows-11-directx-12-acceleration

    3 min
  • Shopify 以 Qwen3.5-0.8B 將 Buyer Profile 產能提高 36 倍;Flow 另用 Qwen3-32B 與 Tangle 建立 production 回饋迴圈

    Shopify 以 Qwen3.5-0.8B 將 Buyer Profile 產能提高 36 倍;Flow 另用 Qwen3-32B 與 Tangle 建立 production 回饋迴圈。

    Buyer Profile 結果 Tobi Lutke 分享的 Buyer Profile slide 顯示,Qwen3.5-0.8B student 在特定任務拿到 84.6,較 GPT-5.6-sol xhigh teacher 的 83.0 高 1.6 個百分點;原本 9.1K-token 的 system prompt 壓到 1.1K tokens,約剩八分之一。在 100 張 H100 上,處理量從每日 2M profiles 成長為 72M,成長為 36 倍。過程中,模型分數由 7 月 23 日的 75.3(29K samples),提升至 7 月 27 日的 78.1(42K samples),再到 7 月 30 日的 84.6(54K samples);Qwen3.5-2B production baseline 則為 77.2。

    Qwen3.5-0.8B 在 54k 樣本微調後 Judge score 達到 84.6,超越 GPT-5.6-sol (xhigh) Teacher 的 83.0 與前代生產模型 Qwen3.5-2B 的 77.2,同時 system prompt 壓縮至 1.1K tokens,每日產出 Profile 提升至 72M。

    Flow production loop Shopify 另一篇 Flow case study 使用的是 Qwen3-32B,不是 Buyer Profile 的 Qwen3.5-0.8B;兩案使用的資料、評估器、流量與指標都不同,不能把分數或效能數字互相比高低。Flow 將商家的自然語言轉成會呼叫工具的自動化流程。團隊以 300 個人工設計樣本評估語意正確性、語法與延遲;把目標格式從巢狀 JSON DSL 改為 Python 後,語法正確性提高 22 個百分點、語意正確性提高 13 個百分點。模型訓練需在兩個 H200 節點上執行 12 小時。

    Qwen3-32B fine-tuned 在 LLM Judge Overall Pass Rate 指標上自 Jan 的 22.9% 升至 April 的 56.1%,並在 April 領先 Closed-Source Frontier Model 的 51.0%。

    真實流量驗證 Flow 首次只開放 1% 流量時,即使離線基準測試與原方案相當,實際工作流啟用率仍低 35%,顯示離線測試可能漏掉生產環境的特定失敗情境。Shopify 以數百筆人工標註對話校準 LLM 評分器,接著每週匯入 production 對話並評分,把高品質樣本送進訓練、隔離低品質樣本、找出缺口、重新訓練再部署。Shopify 表示這套 flywheel 在兩週內補上 offline 與 production 的品質落差;目前上線的 32B Flow agent 相較它取代的 frontier model 快 2.2 倍、成本低 68%。官方沒有公開兩週的起訖日期,也沒有提供成本前後值或計算式,因此這些仍是第一方 production 結果。

    Tangle 基礎設施 Tangle 是 Shopify ML 與軟體工程師打造的平台無關、可重現的 AI pipeline 系統,不是 learning algorithm。其視覺編輯器把可重用元件組成 pipeline,元件可在容器內使用 Python、Java、shell、Ruby、C++ 或 JavaScript/TypeScript;content-based caching 會重用未受變更影響的 upstream outputs,讓原本約 10 小時的流程在只改動單一元件時縮短至約 20 分鐘。公開的 TangleML/tangle backend 程式庫採 Apache License 2.0。

    Tangle Pipeline 的運作流程圖,大框內包含 Data Pipeline 連至 Training(2x H200 / 12 hours)、Evaluation LLM Judge 與 Deploy CentML,右側外接 HuggingFace Datasets & Models 以及下方 CometML Experiment Tracking。

    重現邊界 Tangle 提供的是資料、訓練與評估的迭代編排;若沒有評估器、資料分流政策、隔離流程、重新訓練與部署門檻,模型不會自行改善。Buyer Profile 尚未提供評分提示詞、測試切分、信賴區間、訓練成本、teacher 輸出、資料集、可重現的公開 checkpoint 或完整做法,因此 84.6 分仍是第一方報告,無法只靠目前公開的資料獨立重現。

    原文:https://easyvibecoding.app/curated/3237-shopify-0-8b-buyer-profile-tangle-production-feedback-loop

    3 min
  • H3-World 論文釋出 MiniMax-H3 LoRA,以 0.199% 的可訓練參數生成 5.2 秒遊戲控制片段

    H3-World 論文釋出 MiniMax-H3 LoRA,以 0.199% 的可訓練參數生成 5.2 秒遊戲控制片段。

    H3-WORLD 的宣傳橫幅,畫面正中央印有「H3-WORLD」白色粗體字標題,背景採用拼貼合成風格,分為四個不同的奇幻與科幻場景:左上角為雪山環境中的一位背包客,右上角為霓虹燈閃爍的未來夜市街景與一名穿著科技感外套的人物,左下角為黃昏沙漠綠洲中的遠眺背影,右下角則為佈滿綠色植物的室內溫室通道。

    這是研究論文與 LoRA(低秩適配器)checkpoint,也就是可載入的微調權重,不是可即時遊玩的完整產品。Xingyi Yang 表示,方法不新增 action module,只使用約 8K 個樣本(7,872 個 training clips 加 128 個 held-out clips)與 0.199% 的可訓練參數完成適配。

    方法設計 H3-World 把鍵盤與鏡頭指令轉成文字,對齊到影片各時間段的隱向量;再用時間注意力路由,減少某一時間段的動作訊號干擾其他時間段。系統重用 MiniMax-H3 原生的 text pathway,透過 rank-32 LoRA 訓練 qkvproj 與 outproj,學習 65.6M 個 LoRA parameters,約占 33B MiniMax-H3 backbone 的 0.199%,而不是另外建立專用的 action module。

    H3-World 的序列建構與 LoRA 適應架構圖,分為 (a) 建構封裝的 H3-World 序列、(b) 適應 H3 區塊以及 (c) H3 自注意力機制內部的 LoRA 等三個部分,展示視覺與動作串流、H3 Omni Transformer 區塊及遮罩注意力機制的運作流程。

    訓練與輸出 論文使用 ABot-World-Explorer-500h,包含 7,872 個 training clips 與 128 個 held-out evaluation clips;每段影片為 124 frames、24 fps、832×480 pixels,並搭配 37 個 latent-aligned prompts。訓練配置為 10,000 步、learning rate 1e-4、rank-32 LoRA、20 個 epochs,預設使用四張 GPU;推論採 50 denoising steps,產生固定長度的 124-frame、5.2-second 影片。Repository 另以「8,000 gameplay clips」概述資料規模,但訓練流程明列實際準備 7,872 段與 128 段測試資料。

    展示內容 釋出的 step-10000 LoRA checkpoint 可生成向前移動等短片段,並提供 still、forward、back、strafing、tilting 與 panning 等預設。展示影片以相同場景與 seed 比較不同 W、A、S、D、空白鍵及鏡頭控制,涵蓋外星雙月沙漠、水晶沙漠、燈籠洞穴第一人稱視角與霓虹小巷等情境;這些畫面可觀察動作和鏡頭變化,但不等於持續可操作的遊戲世界。

    H3-World 發布展示 MiniMax-H3 控制介面的多視角示範,涵蓋不同場景下鍵盤與鏡頭控制鍵組合

    評估與限制 論文以質化代表案例呈現錄製控制、介入控制、未見過的 action-pair 組合,以及不同初始畫面之間的轉移效果。作者明確指出,目前沒有 standard cross-model benchmark 或 independently replicated control metric,也尚未提供跨動作組合、場景與亂數種子的系統化評估;模型只能生成固定長度的短時段片段,不具備持續的世界狀態、即時互動、規劃或策略學習。

    作者提供的單一質化比較圖中,H3-WORLD 第 1 幀是綠框基準首幀,第 2–5 幀標有控制正確的綠色勾選;Additive bias 與 FiLM 在部分影格被標出 wrong movement 或 incorrect camera controls。這不是跨場景統計或 aggregate benchmark。

    重現門檻 Repository 測試環境為 Python 3.10 與 CUDA 12.8,必須使用 exact DiffSynth-Studio revision 及 H3-World attention patch;MiniMax-H3 base weights 約需 135 GB,訓練還需要 ABot dataset。這代表實驗重現仍有明顯硬體與環境成本,且 GitHub metadata 當時未宣告 repository license,不能僅因程式碼可取得就推定允許寬鬆再散布。論文連結為 arXiv 2609.01560。

    原文:https://easyvibecoding.app/curated/3239-h3-world-paper-minimax-h3-lora-game-control-video

    3 min
  • QwenCloud 上線 Qwen3.8-Max-0902,支援約 1M-token context;input 每百萬 2 美元、output 每百萬 6 美元

    QwenCloud 上線 Qwen3.8-Max-0902,支援約 1M-token context;input 每百萬 2 美元、output 每百萬 6 美元。

    模型與能力 Alibaba Qwen 於 2026 年 9 月 2 日發布 Qwen3.8-Max-0902 snapshot,並以 Coding 與 Cowork post-training 強化企業複雜任務、科學研究及長時間工作流。QwenCloud 的別名為 qwen3.8-max-2026-09-02,可接受圖片、文字與影片,並輸出文字。API 功能包括前綴補全(接續既有程式碼)、函式呼叫、結構化輸出、批次處理、網頁搜尋、微調與平台內建工具;主要面向工程規模程式開發、長時間自主開發、多工具協作、端到端交付、圖表推理、文件解析與多模態理解。

    Qwen3.8-Max 的發布宣傳海報,背景為黑色科技感網格與三個發光且帶有二進位碼紋路的幾何圖塊,上方標有白色的 Qwen3.8-Max 與藍色 -0902 版本號,中央下方則帶有藍色的 NOW More Capable 字樣。

    Benchmark 與成本 官方模型頁新增涵蓋程式開發、代理任務與多模態能力的 benchmark 表格,列出 TerminalBench 3.0 29.0、DeepSWE 1.1 69.3、QwenSWEBench V2 70.0、CoWorkBench 76.1、Automation Bench v1.0.6 Pass@1 50.8、Toolathlon Verified Pass@1 73.3、MMMU-Pro 82.7、BabyVision with code interpreter 93.8 等結果。不過各欄位可能採用不同評測框架(harness)、最佳已發布分數或內部 benchmark;空白欄位代表 not available 或 not applicable,不是失敗,因此不能直接視為同條件比較。定價為每百萬 input tokens $2、output tokens $6;implicit-cache hits 為 $0.25,explicit-cache read 為 $0.17,建立 explicit cache 為 $2.50。

    在圖中列出的模型裡,Qwen3.8-Max-0902 於 MLS-Bench-Lite(50.1)、SWE-Atlas QnA(66.3)、QwenSWEBench V2(70.0)、Automation Bench v1.0.6(50.8)、ERQA(78.3)與 BabyVision(93.8)取得該欄最高分;各 benchmark 的評測條件不一定相同。

    API 限制與安全邊界 QwenCloud 列出的限制包含 991K max input、131K max output、1M total context、262K max reasoning,顯示 rate limits 為每分鐘 1M tokens 與 15K requests。安全文件指出 API 輸入輸出會經自動審查,並要求開發者自行做應用層驗證、輸出檢查、prompt injection 防護,以及高風險決策的人工覆核。一般輸入輸出以記憶體處理、不保留作模型訓練;但 Responses API 在 store=true 時預設保存對話 30 天,可改用 store=false 停用,這些是 platform-wide 邊界,不是 0902 snapshot 的模型專屬安全評測。

    獨立評測 Arena 的 Code Arena WebDev live leaderboard 在本次查核時累積 639,235 votes、涵蓋 20 labs,將 qwen3.8-max-0902 列為 preliminary rank 1,分數 1691 ± 19,rank spread 為 1–4;Claude Opus 5 為 1687 ± 8。@arena 發文附圖是較早的靜態截圖,顯示 Qwen 1691、Claude 1688、Kimi K3 1674;兩個時間點的 Claude 點估計因此相差 1 分。以即時榜單計算,Qwen 與 Claude 點估計相差 4 分,但兩者信賴區間重疊,且結果仍標示 preliminary,不能寫成統計上已確定領先。該評測只涵蓋需要多步推理與工具使用的代理式前端網頁開發任務,不代表 Qwen3.8-Max-0902 在一般工作負載全面優越。

    來源:@arena|@arena 發文採用的靜態截圖顯示 Qwen3.8-Max-0902 為 1,691 分、Claude Opus 5 (Max) 為 1,688 分、Kimi K3 (Max) 為 1,674 分;這張圖沒有呈現後續即時榜單的票數、信賴區間或 preliminary rank spread。

    原文:https://easyvibecoding.app/curated/3236-qwen3-8-max-0902-offers-1m-token-context-qwencloud-api

    3 min
  • Google 推出 Gemini agentic video understanding,長片分析最多減少 88% token

    Google 推出 Gemini agentic video understanding,長片分析最多減少 88% token。

    它怎麼處理影片 一般影片理解常用固定取樣,例如每秒讀一個影格。Google 這次讓 Gemini 自行決定何時要讀 transcript、音訊或特定時間範圍的影格,再根據問題反覆觀察與推理。官方鎖定的是 10 分鐘教學影片到數小時長片,希望把 token 花在真正相關的片段,而不是從頭到尾等量掃描。

    來源:@Google|Gemini 的 agentic video understanding 運作流程圖,中央為 Gemini 標誌與名稱,左側為輸入的 Query(video + prompt),右側為輸出的 Output(text),下方環狀路徑涵蓋 Observation(影片影格、音訊或逐字稿)與 Think 階段;它會用 gettranscript 取得逐字稿、getframes(start, end, fps) 讀取影格,再由 get_audio(start, end) 擷取音訊。

    圖表實際提供的數字 Google DeepMind 隨附的評測不是只有一句「最多 88%」。和一般 3.7 Flash 相比,3.7 Flash with agentic 在 Minerva 的 token 用量從 80.9K 降到 33.6K;1H-VideoQA 從 397.6K 降到 47.7K;LVBench 從 300.3K 降到 36.0K。後兩項都是減少 88%。同一張圖也列出準確率:Minerva 從 73.7% 提升到 79.0%,1H-VideoQA 從 87.5% 到 88.5%,LVBench 從 85.1% 到 88.6%。

    來源:@GoogleDeepMind|3.7 Flash with agentic 在 Minerva、1H-VideoQA 與 LVBench 的長影片理解與複雜推理評測中,相較於 3.7 Flash 均減少了每筆查詢所需的 token 數量,並在正確率上有所提升。

    另一張 1H-VideoQA 圖表則把 3.7 Flash with agentic 放在高準確率、低單次查詢成本的位置,並與 GPT 5.6 Sol、GPT 5.6 Terra、Claude Opus 5.0、Grok 4.6 比較。圖中的方法註記包含 Gemini 使用 high thinking、低媒體解析度,以及靜態處理採 1 FPS;不同模型的 reasoning 與影像設定並不完全相同,因此適合視為 Google 的產品評測,不是跨供應商的最終定論。

    來源:@GoogleDeepMind|Gemini 3.7 Flash with agentic 在 1H-VideoQA benchmark 中取得最高 Accuracy 與極低 Cost per query,在 Accuracy 與成本效益上領先 GPT 5.6 Sol、GPT 5.6 Terra、Claude Opus 5.0 與 Grok 4.6 等模型。

    目前在哪裡可用 Gemini API、Google AI Studio 與 Gemini Enterprise Agent Platform 已提供這項能力;Gemini App 和 YouTube 觀看頁的「Ask YouTube」則是稍後推出。導入前仍要確認自己帳號可用的模型、API 限制與實際成本,並用代表性長片重跑 token、準確率與延遲測試。

    原文:https://easyvibecoding.app/curated/3235-google-gemini-agentic-video-understanding-reduces-token-use

    2 min

About EasyVibeCoding Podcast

From the publisher's feed

輕鬆Vibe Coding — 每日策展的 X 技術社群精選、AI 趨勢分析與 Claude 實作心得的中文音訊版。