MiniMax M3.1 Flash：428B 總參數／約 23B 啟用（MoE）、1M context window、input $0.15／output $0.60 per 1M tokens、cache read 只要 $0.015；官方對照表在 Automation-Bench v1.0.6 拿下 62.2 分，領先 DeepSeek V4.1 Flash 1017（60.5）與 Claude Opus 5（50.3），但在 DeepSWE、Terminal Bench 4.0 落後；VentureBeat 引用 Artificial Analysis 的 AA-Omniscience 評測指出幻覺率偏高，weights 預計 10/23 釋出、授權尚未公開
第 0 週講搜尋：DFS 與 BFS 只差在 frontier 用 stack 還是 queue；A* 把已走步數加上啟發式估計，啟發式不高估時能保證最短路；Minimax 讓雙方輪流取最大與最小值，Alpha-Beta 剪掉不會影響結果的分支。附逐段時間連結，以及 Degrees、Tic-Tac-Toe 兩個專案的解題思路、易錯處與檢查方式；參考實作摺疊在各專案最後。
Lecture 3 把單一路徑改成 contingent plan：minimax 對抗最佳對手，alpha-beta 在不改 root value 下跳過無關分支，expectimax 則用機率取代最壞情況。
Lecture 5–8 先用 CSP 練變數、限制與搜尋順序，再由 Project 2 實作 minimax、alpha-beta 與 expectimax；三者差別在對其他 agent 行為的假設。
2026 Q1 開源模型全面爆發：LLM 方面 GLM-5、Kimi K2.5、Qwen3.5 追上閉源；Embedding 和 Reranker 由 Qwen3 和 BGE 主導；語音有 Voxtral TTS 和 Whisper V3；圖像有 FLUX.2；影片有 Wan 2.2 追平 Sora。這篇是完整導覽地圖。