（一）：自迴歸模型的解碼、KV Cache 與 Speculative Decoding｜Harvard CS181 作業 6
HW6 Problem 4（20 分）用三個問題拆解「一個 token 接一個 token 生成」的代價：逐步挑最大機率不等於整句最可能、每步重算所有 key 讓成本變成平方級而 KV cache 把它壓回線性、speculative decoding 用小模型先猜再讓大模型一次驗證。全部是紙筆題，但每一題都對應到今天 LLM 推論系統的真實設計。
tech
529 篇文章（二）：HMM 與 Kalman Filter｜Harvard CS181 作業 6
HW6 Problem 1（15 分）把課堂上的離散 HMM 換成連續狀態：狀態每步加一點高斯雜訊、觀測再加一點雜訊，要你推出 filtering 分布 p(zₜ | x₀…xₜ) 的均值與變異數。這就是一維 Kalman filter。解法只有兩步：先用轉移「預測」，再用觀測「修正」，兩個高斯恆等式題目都給了。
（三）：MDP 的 Policy Iteration 與 Value Iteration｜Harvard CS181 作業 6
HW6 Problem 2（15 分）給你一張 4×5 的 Gridworld：動作會打滑、獎勵在離開格子時才拿到。你要在 notebook 裡寫 policy evaluation、policy iteration 與 value iteration 各一步，再觀察折扣因子 γ 怎麼改變策略，最後反問「這樣建模機器人任務合理嗎」。環境規則全部已知，所以這是規劃，還不是學習。
（四）：Q-learning 玩 Swingy Monkey 與 Embedded EthiCS｜Harvard CS181 作業 6
HW6 Problem 3（20 分）要你寫一個表格式 Q-learning agent 玩類 Flappy Bird 的 Swingy Monkey，最低標準是 100 局內至少一次超過 50 分，還要再加一個自選的改進。Problem 5（10 分）是 250 字內的倫理題：假設社群平台的使用者政治立場愈來愈極端，用 RL 的概念解釋 reward 設計可能怎麼推了一把。
用官方 checklist 盤點 HW0–HW3｜Harvard CS181 主題單元
CS181 Spring 2026 期中考在 3/10 課堂上進行，佔總成績 15%，閉卷但可帶一張雙面筆記。官方 midterm checklist 分成迴歸、分類、神經網路與模型選擇、SVM 四塊；本篇把每塊對回 HW0–HW3 的題號，標出 2026 作業沒練到的缺口，並說明 2025 版 practice、review 與 concept checks 怎麼用。
程式碼要不要寫註解：Clean Code、A Philosophy of Software Design 與 Redis 的三種答案
沒有「不寫註解」派，只有「預設不寫、例外才寫」（Uncle Bob）和「註解是設計的一部分」（Ousterhout、antirez）。兩人 2024–2025 的公開對談裡，雙方都同意 why 註解要寫、廢話註解不要寫；真正吵的是方法的介面註解、長名字能不能取代註解，以及該不該信任註解。實證研究的結論是看品質：同一批受試者，註解讓表現從下降 30% 到提升 34% 都有。
Gemma——Google 的開源側翼：Gemma 4 轉向 Apache 2.0，從手機到工作站的全尺寸開放權重
Gemma 是 Google 對照 Gemini 閉源旗艦的開放權重（open weights）家族；2026 年 4 月的 Gemma 4（E2B／E4B／26B-MoE／31B）把授權從自家 Gemma Terms of Use 換成 Apache 2.0——這是全文最關鍵的變化，也是選型前必須先搞懂的事。
Laguna——從 33B 本機小鋼炮到 118B 長程推理，Poolside 三個月三連發的賭注
Laguna 是 Poolside 的 agentic coding 模型家族：XS 2.1 以 33B-A3B 跑進 36GB Mac，S 2.1 以 118B-A8B、1M context 在 Terminal-Bench 2.1 拿下 70.2%、DeepSWE 40.4%，兩者都掛 OpenMDW-1.1 開源。
百靈（Ling）——從萬億旗艦到 5.1B 高效執行節點，Ant Group 的三線 AGI 棋局
百靈以 Ling 執行、Ring 深度推理、Ming 多模態分工，主軸是同樣算力下的智效比；選型先看任務、部署預算與模態需求。
Muse Spark——Meta 從 Llama 轉向閉源 agentic 模型的完整路線
Muse Spark 是 Meta 的閉源 agentic 模型線：1.3 以 1M context、多模態輸入與長程工具迴圈為主力，Standard 每 1M tokens 為 $1.25 input／$4.25 output，Contributor 則以資料訓練權換取 $0.10／$0.20。它不是 Llama 的下一版，而是 Meta 把模型、API 與 coding agent 一起產品化的另一條線。
Nex-N2.5——把視覺當介面的開源 agent 家族，從 35B mini 到 1.6T Max
Nex-N2.5 是 Nex AGI 的開源 agentic 模型家族：mini 以 35B-A3B 在 OSWorld-G 拿下 82.9 分，Pro 以 397B-A17B、87.4 分超車 Claude Opus 5，Max 以 1.6T 在 BrowseComp 以 92.6 分居全表之冠，三款都掛 Apache-2.0 開源。
GPUtw AI Skill 是什麼：讓 AI 編碼助理直接管 GPU 的技能包與 MCP 伺服器
GPUtw AI Skill 是官方的 Agent Skill 技能包加 MCP 伺服器，讓 Claude Code、Codex、Cursor、Copilot、Gemini CLI 用自然語言管理 GPUtw 的台灣 GPU 雲端。18 個 MCP 工具涵蓋目錄查詢、執行個體生命週期、狀態監控與 Vault 操作。MIT 開源。
Groundlane 實戰系列（篇 6）：Document 工具全家桶 — effort 旋鈕、field-aware chunking 與 confidence routing
document_parse 新增 effort 參數（fast/standard/deep）把 anydoc WASM、OCR.space、Docling VLM 三條路徑統一成一個旋鈕；document_chunk 的 fieldAware 模式從表格 header 和 metadata 抽欄位名附到 chunk，解決 RAG 的 attribute conflation；document_smart_parse 回傳 confidence 分數讓 agent 自己決定要不要升級。
Groundlane 實戰系列（篇 7）：Selector Healing、Retrieval Test 與品質 Benchmark
Groundlane v0.1.0 新增四個品質機制：web_extract 的 selector healing（三層確定性 fallback，不用 LLM）、corpus_retrieval_test（RAG 召回品質驗證，受 RAGFlow 啟發）、document benchmark CLI（character-level F1）、search benchmark framework（ground truth corpus + 多 provider 比較）。工具數從 54 增至 55。
AI 安全證照橫評——SecAI+ vs CAISP vs GAIPS vs AAISM
四張 AI 安全證照各有定位：SecAI+（$298）是 CompTIA 品牌的中階擴充、CAISP（$1,099 全包）實作最強且 OWASP LLM Top 10 覆蓋最完整、GAIPS（$999/$9K）是 SANS 金字招牌的防禦側 CyberLive 考試、AAISM（$459+）偏治理但需先持有 CISM 或 CISSP。預算 $400 以下選 SecAI+，想動手做選 CAISP，公司出錢選 GAIPS。想走攻擊側（AI 紅隊），2026 年新上線的 OSAI+、HTB COAE、COASP 另成一組，見文末補充。
資安證照全景地圖——軟體開發者該從哪裡開始
2025–2026 年 18 個月內有 10+ 張 AI 安全證照密集上市，傳統三強 Security+（$439）、AWS Security Specialty（$300）、CISSP（$749）仍是基礎。非資安專職的 AI 平台開發者，建議三階段：Security+ → AWS Security → SecAI+ 或 CAISP → CISSP，總預算 $1,780–$2,700。
Security+ → AWS Security → CISSP：三張經典資安證照的 ROI 拆解
Security+（$439）2–3 個月自學、官方不公布通過率、薪資溢價 +$10K–$20K；AWS Security Specialty（$300）2–3 個月、通過率 45–55%、ROI 最高（40–67x）；CISSP（$749）3–6 個月、通過率 50–60%、薪資溢價 +$25K–$35K 但需 5 年經驗。五年取得加維護總成本（含教材估算）：Security+ 約 $619、AWS Security $200–$350（無年費）、CISSP 約 $1,524。
台灣資安證照生態——法規、培訓機構、備考資源與考場全攻略
台灣資安法 2.0 已三讀、金管會三級制度到位，但都不強制指定證照——真正的需求來自徵才市場。台灣有 7+ 家培訓機構可選：恆逸課程最齊全（SecAI+、COASP、OSAI+ 三種 AI 安全實體班都有）、WUSON 吳文智是 CISSP 圈的傳奇（月月額滿）、DEVCORE 是首家引進 OffSec 原廠講師的機構。ISC2 考場在台北信義區和高雄，多數證照也支援在家線上監考。
Marker: Datalab's Open-Source, Apache 2.0 Pipeline Parser — Faster, CPU-Ready, More Accurate
Marker（Datalab 開源，Apache 2.0 授權，v2.0.0 於 2026-07-20 發布，39.5k stars）是一個以 Markdown 與 JSON 為輸出的 pipeline 式文件解析標準庫，支援 PDF、圖像、PPTX、DOCX、XLSX、HTML、EPUB，並提供可選的 LLM 增強（`--use_llm`，預設 `gemini-3.5-flash`）、可自訂格式邏輯與表格/公式/內嵌數學/連結/參考/程式碼區塊的完整處理、圖像提取與保存、標頭/頁尾移除，並可在純 CPU、GPU 或 MPS（Apple Silicon）環境運作。與 [Docling](/posts/tech/2026-09-06-docling-document-parsing) 同屬解析層，但授權路徑（`Apache 2.0` 代碼 + `AI Pubs Open Rail-M` 模型權重，有商業門檻 `$5M`）、輸出核心（`Markdown` 為主而非結構化 `JSON`）、解析引擎特點（`Pipeline` 式可替換階段，但 `VlmPipeline` 為可選的 `LLM` 增強而非固定 `VLM` 選項）、與 [MinerU](/posts/tech/2026-09-05-mineru-ocr-doc-parsing)（自訂協議、`Markdown` 為核心、`Hybrid` `effort` 參數）的差異形成解析層內三種不同取捨路徑。
Docling：IBM 開源、MIT 授權、結構化 JSON 為核心的文件解析標準庫
Docling（IBM Research Zurich 起源，現由 Linux Foundation AI & Data 治理，MIT 授權，v2.100.0 於 2026-06-09 發布）是一個以結構化 JSON 為核心輸出的文件解析標準庫，支援 PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、影片（MP4/AVI/MOV，含 ASR 轉錄與代表性幀）、音訊（WAV/MP3）、電子郵件（EML/MSG）、ODF 與 XBRL 財報，並提供可替換階段的 pipeline 式解析（純 CPU 或 GPU 加速）、VlmPipeline 選項（GraniteDocling 258M VLM）、MCP server 與 API server（docling-serve），與 LangChain / LlamaIndex / Crew AI / Haystack 原生整合。