加 LINE 領取《自動化工作流研究筆記》
我們把企業導入 AI 自動化時最常卡住的十二個環節,整理成一份可以直接照著做的筆記。
我們把企業導入 AI 自動化時最常卡住的十二個環節,整理成一份可以直接照著做的筆記。
健檢、提示詞、PoC——先驗證,再放大。
先看清楚,再花錢
60 分鐘線上訪談,盤點最耗時、最依賴人力的營運環節;我們會告訴你哪些工作現在就能交給 AI、哪些還不成熟。
讓 AI 穩定產出,而不是碰運氣
針對你的實際任務設計提示詞與多步驟工作流,並做極限測試,確保換了資料、換了人操作也不會走鐘。
五天,看到能跑的東西
不談架構藍圖,直接做一個能動的雛形。五個工作天內交付線上可操作的智能體,用你真實的資料驗證。
把研究與實作寫下來,讓下一次少走一點冤枉路。
2026年11月19日
量化一個 122B 模型只要 64 分鐘、32.5 GB 顯示記憶體——因為它不把旋轉矩陣跨層傳播,每層獨立,一次只裝一層。權重留在主機記憶體;在 32B 上量到的代價是推論多 2.3%。MACaQ-R 在一個 35B GGUF 上把 KL 修低 15%,前提是有 FP16 原檔。
閱讀文章 →2026年11月14日
Faiss 的 k-means 預設跑 25 輪、每輪把訓練向量完整掃一遍;Meta FAIR 的 e-means 改用指數移動平均加小批次更新,1.4–2.6 輪就追平同樣的損失。這篇講它換掉了哪幾件事、10 到 45 倍是在比什麼,以及你的索引什麼時候才真的會有感。
閱讀文章 →2026年11月8日
一個 0.8B 小模型改掉 0.016% 的權重,MATH-500 從 7.9% 跳到 48.1%。但逐題比對後,救回來的 579 題裡有 576 題原本是被 32,768 token 上限截斷的;已經答完的 114 題,正確率完全沒變。這篇把六倍拆開,給你四步檢查——下次看到分數暴漲時,先看截斷率,再看對照組。
閱讀文章 →聊聊你的流程,我們會告訴你哪些可以自動化、哪些還不行。