載入中...
Allen KB Articles
共 20 篇；目前第 1 / 1 頁，每頁 24 篇。
Threads 摘要 Gao 等人的 arXiv 2407.21059：Modular RAG 主張現代 RAG 已不是單純 retrieve-then-generate，而應拆成 module、sub-module、operator，並用 linear、conditional、branching、looping、tuning 等 flow pattern 描述。本文補上 arXiv 查證與 Allen / Hermes 知識系統架構啟發。
Threads 貼文提到 Hugging Face 的免費聊天介面 HuggingChat。查證後可確認：HuggingChat 是官方入口，chat-ui 介面程式碼為 Apache-2.0，可自行架設；但免費入口、介面開源、模型授權與推論成本必須分開看。
整理 Threads、Poolside 官方 blog 與 Hugging Face model card：Laguna S 2.1 是 118B total / 8B activated 的 MoE coding model，OpenMDW-1.1 授權、1M context、支援 vLLM/SGLang/llama.cpp；跑分是官方/榜單 claim，需等第三方複測。
Google 官方 Machine Learning Crash Course 是免費、免帳號即可閱讀的機器學習入門課。新版補上 Intro to Large Language Models、AutoML、Production ML Systems、ML Fairness 等模組，適合作為 AI/ML 基礎補課與團隊 onboarding 入口。
claude-real-video 是 HUANGCHIHHUNGLeo 開源工具，MIT、Python、PyPI 可安裝。它用 scene-change detection + sliding-window dedup 抽取真正變化的關鍵影格，搭配字幕或 Whisper transcript，輸出 frames、MANIFEST 與 transcript，讓 Claude/ChatGPT/Gemini 等 LLM 能讀到影片的視覺內容。適合教學、demo、簡報、操作影片與研究資料整理，也可做成 Claude Code skill。
一則 Threads 貼文介紹 AMD Ryzen AI Halo：128GB unified memory、可支援最高 200B 參數模型、Windows/Linux 與 ROCm。本文整理官方規格、它對本地 AI 推理與原型開發的意義，以及與雲端 GPU、CUDA 生態、Mac Studio / NVIDIA DGX Spark 類設備相比的採用邊界。
Threads 熱文把高露潔/PyMC Labs 的 SSR 研究解讀成「90% 準確預測購買意願」。論文本身更精確的說法是：在 57 份個人護理產品問卷、9,300 位真人回應上，SSR 達到約 90% 的人類 test–retest correlation ceiling，並保留較真實的 Likert 分布；它適合做早期概念篩選，不等於全面取代真人研究。
Threads 貼文指出繁中圈開始更多人討論 SillyTavern（酒館）：它自由度高、能接 API / 本地模型、支援角色卡、lorebook、author note、擴充、HTML 互動與雲端部署，但對完全新手有門檻。官方 GitHub 將 SillyTavern 定位為 LLM Frontend for Power Users；貼文與回覆也把 RisuAI、Discord bot、Railway / Docker 部署、API key 與雲端成本等實務入門問題串起來。
1M context 讓少量固定文件更容易直接塞進模型，但多文件、頻繁更新、可追溯、可控成本與權限治理仍需要 RAG/檢索層。2026 的重點是把 RAG 從向量搜尋升級成資料工具鏈。
Threads 貼文提到 Meta 研究員的 arXiv 論文，主張 Lost in the Middle 在未訓練、無 positional encoding 前就已出現。本文整理論文證據：causal masking 形成開頭 primacy tail，residual connections 形成末尾 recency anchor，中間則是 factorial dead zone；這代表長上下文治理不能只靠調 RoPE 或塞更多 token。
Threads 貼文介紹 Project AIRI：一個開源、可自架的 AI companion 專案，將 LLM、語音、角色身體、遊戲與桌面/網頁介面整合在一起。本文核對 GitHub 與 README 後整理其價值、可用場景與風險邊界：它不是單純 Live2D 念稿，而是把 AI 互動從文字框推向多模態、可行動、可外掛的 embodied agent 介面。
Threads 討論釐清 MarkItDown / PDF 轉 Markdown 的核心價值：轉換由工具本地執行，不是先讓 AI 讀 PDF；Markdown 可除錯、可複用、可切 scope，適合長期知識庫與 agent workflow。
這篇 Threads 的重點，不只是轉介李宏毅教授講解 Harness Engineering，而是把討論從『模型夠不夠強』轉到『人如何設計引導與約束，讓模型更穩定地做對事』。
AI 開源模型困境：資安與競爭力的殘酷博弈
MSA（Memory Sparse Attention）：端到端可訓練的 1 億 Token 長上下文框架，2 張 A800 就能跑
EsoLang-Bench：用冷門程式語言戳破 LLM 的「真正推理」假象——標準測驗 95%，換個語言直接 0%
Argus-LLM：開源 LLM 輸出評估工具，6 個維度標準化檢查
你的 RAG 看起來很強，但其實跟亂猜差不多：ICLR 2026 新指標 Bits over Random