by Rain Chu | 10 月 5, 2026 | Agent, AI, OpenAI
OpenAI Dots 是 ChatGPT 裡能持續追蹤工作、協調工具並交付成果的常駐 AI 代理，跟 hermes agent, openclaw 是一樣的 AI 工具，你可以用文字或語音交代目標，讓它在自己的雲端電腦上研究、整理文件、寫程式，再回來查看結果。
我會把 Dots 看成工作的協調入口。遊戲引擎、建模軟體與筆記工具本身並沒有消失，Dots 把它們接成一條可以持續修改的流程。這篇先整理建立方式與典型案例，再釐清方案、用量和電腦權限。
Dots 是什麼？讓同一個目標跨對話繼續推進
依 OpenAI 官方介紹，Dots 由 GPT-6 Astra 驅動，擁有獨立雲端電腦與瀏覽器，並透過外掛連接工作應用。
官方公布的超過 4,000 個應用，是生態系的涵蓋範圍，實際能用哪些工具仍取決於外掛、帳號、權限和執行環境。
任務與記憶文件說明，它可以分派背景工作並同步推進多個任務，你在同一段對話中補充需求或改變優先順序，Dots 再協調後續步驟，它是統籌工作的一層，不代表所有動作都由同一個對話中的模型直接執行。
若你已經用過 ChatGPT Work 與 Codex 的任務流程，可以把 Dots 理解成持續接收目標、追蹤進度與回收成果的入口，Work 和 Codex 仍負責各自任務中的執行，舊文章中的模型與方案資訊則要以目前官方文件為準。
怎麼建立第一個 Dot
先在 ChatGPT 桌面 App 或電腦網頁建立 Dot，依引導設定名稱與外觀，電子郵件、行事曆和檔案服務可以在設定時連接，也能先跳過，完整步驟可對照 官方入門指南。手機 App 的使用需等支援更新到位，目前不能在手機網頁建立或使用 Dot。
建立後，先交一件範圍小、容易確認結果的工作，例如整理指定筆記頁並回傳摘要。等它能讀到正確資料，再增加寫入或跨工具操作。名稱與動態頭像方便辨識，但實際能力仍要看它取得的資料與工具。
三種連接要分清楚
- 通訊管道：在 ChatGPT、Slack 或 Teams 聯絡同一個 Dot。
- 外掛與應用：提供特定服務的資料與操作能力。
- 本機電腦：讓任務使用該電腦上的檔案、程式與工具。
加入 Slack 並不等於同時連接 Gmail，也不等於允許它讀取你的電腦，依 電腦與應用指南，這些連接各自管理。雲端瀏覽器也有自己的登入狀態，不會自動沿用你個人 Chrome 的所有帳號。
六個工作情境：從說出需求到拿到成品
以下案例整理公開操作流程，並補上本文建議的驗收方法。它們展示的是個別任務的可行性，沒有建立大型專案成功率或長期無人值守的測試結論。
一、語音查論文
依 官方語音說明，可從 Dot 對話的電話按鈕開始通話，通話期間也能打字補充。結束通話後，已交付的工作仍可能繼續。目前不能把它當作已能主動打電話給你的助理。
二、把每日檢查存成定時任務
每日檢查專案倉庫，以及定時查看 OpenAI 是否發布新文章，是把追蹤工作保存成排程的兩種用法。設定成功只是第一步，之後是否準時執行、能否持續取得來源，以及結果是否符合條件，都需要另外確認。
接下來兩週，每個工作日上午九點，以 Asia/Taipei 時區檢查［指定來源］。整理新增或變更項目到［指定位置］，沒有變更時保持安靜。遇到［需要決策的條件］才通知我。請確認保存的時間、來源與輸出位置，第一次執行後提供紀錄。
上面的指令是本文示例。排程要包含時區、期間、通知條件與交付位置。依 定時任務指南，連接 Slack 或其他來源不會自動建立監控，應請 Dot 確認已保存的工作，再到 Scheduled 檢查。
三、Blender 建 3D：模型檔和渲染圖一起交付
同一個 Dot 可以協調不同工具任務，讓需求繼續在背景執行。
模型驗收除了看渲染圖，也要打開原始檔，確認物件、材質、相機和燈光都可再修改。若要交給別人，還要檢查外部貼圖與依賴是否一同保存。漂亮圖片只能說明某個視角的效果，不能代替可編輯模型的檢查。
如果要延伸到動畫或產品視覺，可參考 Blender 與開發代理的視覺工作流程，先定義短樣本與代表畫面，再擴充整段作品。工具已經接上，仍需要清楚的設計與交付規格。
哪些方案能用？用量怎麼算
截至 2026 年 10 月 2 日，Dots 正逐步開放給符合地區條件的 Pro、Business Premium 與 Enterprise 使用者，Pro 的推出範圍排除歐洲經濟區、英國及瑞士，Enterprise 需要管理員啟用，符合資格也可能尚未輪到帳號，不能因為一時看不到入口就判定設定有問題。最新條件請查 方案與地區說明，目前不能把 Plus 當成已支援的方案。
第一個 Dot 包含在 Pro 或 Business Premium 方案內，深入工作仍有使用額度。
Dot 對話不計入 ChatGPT 用量，但它啟動或管理的 Work／Codex 任務會照常計入那些產品的限制，首月提高上限不代表永久無限，細節以帳號顯示與 官方用量說明為準。
這也影響值不值得升級的判斷。只偶爾需要一段程式碼，可以先看既有工具是否已足夠。
若你經常需要追蹤研究、跨應用更新、定期整理資料，再比較 Dots 能省下多少來回交代與驗收時間，會比只看一次展示更有用。
如何把任務交代到可以驗收
一個好任務至少要有來源、結果、限制和完成條件。下面是本文設計的起手式，可以替換方括號內容後使用。
請使用我已連接的［資料來源］，完成［具體結果］。先確認你讀到的來源，再開始處理。輸出到［位置與格式］，保留來源連結與修改紀錄。涉及發送、公開分享或覆蓋原始資料時，先給我確認。完成後提供成果位置與檢查結果，遇到缺少權限或資訊時說明缺少什麼。
這樣的描述方便驗收，也方便續做。若第一版錯了，指出具體段落、檔案或操作步驟，讓它修正同一件工作。單純說「做得更好」通常只會增加猜測。
雲端能繼續工作，本機仍需要連線
Dots 的雲端電腦可在你的裝置關機時持續處理雲端工作，需要你本機檔案或工具的任務，則必須先授權連接該電腦，並保持電腦上線與 ChatGPT App 開啟，目前一次只能連接一台個人電腦。
要查看雲端環境，可從 Dot 個人頁的 Computers 開啟電腦，開啟畫面後仍需選 Take over 才能接管，完成登入或確認步驟後再 Return control。
遇到網站額外驗證或雲端瀏覽器被阻擋，可能需要人工接手，不能承諾每個網站都能全程自動完成。
長期合作前，先理解記憶與權限
Dots 可以使用相關 ChatGPT 記憶，也會保存自己的工作脈絡。
這不等於它永遠保有所有歷史對話，更不等於每個被分派的任務都取得完整歷史。重要文件、決策和來源仍建議明確保存，若想把專案知識做成可維護的資料，可延伸看 Agent 共用知識庫的整理方式。
依 隱私與安全 FAQ，斷開外掛會停止後續存取，已進入 Dot 脈絡的資訊不會因此自動刪除，目前也不能逐條直接修改 Dot 的自有記憶。刪除 Dot 與管理 ChatGPT 記憶是不同操作，刪除前先保存需要的成果。
個人方案的對話與工作是否用於模型改進，依資料控制設定。Business、Enterprise 與 Edu 工作區預設不使用內容訓練。主動研究與筆記不直接拿來訓練，但資訊若被帶入符合條件的對話或任務，仍會依設定處理。
OpenAI 的安全設計包含隔離環境、私密登入與操作審查，主動研究本身使用唯讀工具，不能直接寄信、修改應用或控制電腦。已授權的任務若要採取後續動作，仍受權限與操作規則限制，把工作交給 Dots 後，重要結果一樣要檢查。
怎麼查看進度與停止工作
從個人頁的 Activity 查看進行中與委派任務，再到 Scheduled 檢查定時工作。
依 官方控制說明，暫停 Dot 主任務、停止委派任務和取消排程有不同效果，若要全面停止，必須分別檢查這些位置，關掉通話或暫停主對話不會自動取消所有後續工作。
我的建議：從一條能穩定交付的流程開始
第一次使用，我會先選「讀取指定資料、產出草稿、回傳來源」這種容易確認的工作。
確認資料與輸出都正確，再增加跨工具寫入、排程或程式開發。持續記錄完成率、修正次數與實際用量，才能知道它是否適合你的工作。
Dots 的價值在於持續協調和回收成果，短時間完成一個遊戲或模型值得參考，能否長期減少管理成本才是後續要驗證的事。
資料核對日期：2026 年 10 月 2 日。功能與案例依公開資料整理，本文未另外重跑相同測試。方案、地區與用量會更新，使用前請確認最新官方說明。
OpenAI Dots 常見問題
OpenAI Dots 是什麼？
Dots 是 ChatGPT 裡能持續追蹤目標的 AI 代理。它有自己的雲端電腦，可協調研究、文件、程式與其他工具工作，再回收成果。
ChatGPT Plus 可以使用 Dots 嗎？
截至 2026 年 10 月 2 日，官方列出的開放方案是符合條件的 Pro、Business Premium 與 Enterprise。Plus 尚未列為支援方案，實際資格也受地區、管理員設定與逐步推出影響。
Dots 會消耗 Codex 額度嗎？
Dot 對話不計入 ChatGPT 用量。它啟動或管理的 Work 與 Codex 任務，仍照常計入那些產品的用量限制，不能當成無限工作額度。
電腦關機後，Dots 還會工作嗎？
雲端電腦上的工作可以繼續。需要使用本機檔案或工具的任務，則要保持該電腦上線，並開啟已授權的 ChatGPT App。
結束通話或暫停 Dot，會取消所有排程嗎？
不會。結束通話不會自動取消已交付工作，暫停主對話也不等於停止所有委派任務與排程。請分別檢查 Activity 和 Scheduled。
by Rain Chu | 7 月 10, 2026 | AI, Chat, OpenAI, 模型
ChatGPT Work 的重點，不只是 OpenAI 又多了一個模式，而是 Codex 的 Agent 執行能力正式被放進 ChatGPT 裡，並由 GPT-5.6 Sol、Terra、Luna 三個模型層級支撐起來。
這代表 ChatGPT 正在從「聊天視窗」變成「能跨檔案、跨應用程式、跨瀏覽器、跨團隊工具做事的 AI 代理」，以前 Codex 比較像工程師工具，現在它的能力被包進一般知識工作者也能理解的 Work 模式裡，這一步很關鍵。
我會把這次更新理解成三件事：
第一，Codex 不再只是寫程式，而是成為 ChatGPT 的行動層
第二，GPT-5.6 把模型能力分成 Sol、Terra、Luna，讓不同成本和任務有不同選擇
第三，Sites、桌面 App、外掛目錄、Ultra 多 Agent 模式，正在把「讓 AI 完成工作」這件事產品化。
而且不用再多開多個 APP 了
先講結論：ChatGPT Work 是 Codex 走向全民化的形態
以前談 Codex，直覺會想到寫程式、改 repo、跑測試、開 PR，這次 ChatGPT Work 的定位不同，它不是只服務開發者，而是把 Codex 那套長任務執行能力拿去處理一般工作：分析 Excel、整理資料夾、生成簡報、建立互動式網站、讀 Slack 或 Gmail、把結果發回團隊工具。
這也解釋了為什麼 OpenAI 要把 Chat、Work、Codex 放在同一個桌面應用程式裡。
Chat 負責快速問答，Work 負責長任務，Codex 負責更深的開發與工具執行。對使用者來說，不需要再思考「我現在要開哪個產品」，而是直接把任務丟進同一個工作入口。
站上之前整理過 從 Claude Code、Codex、Hermes 到 nuwa-skill 的 AI 工作流，那時 Codex 還比較偏工程場景；ChatGPT Work 則是把這條路推向更大的辦公場景。
GPT-5.6 三層模型：Sol、Terra、Luna 各自負責不同工作
這次 GPT-5.6 不再只是單一模型名稱，而是拆成三個層級。
| 模型 | 定位 | 適合場景 |
|---|
| Sol | 旗艦模型 | 高難度 Agent 任務、程式碼、設計判斷、複雜知識工作 |
| Terra | 日常均衡模型 | 一般工作流、文件分析、較高頻的辦公任務 |
| Luna | 快速低成本模型 | 大量處理、成本敏感、速度優先的任務 |
這個分層很務實。不是每個任務都需要 Sol，也不是每個人都該用最高推理檔。真正成熟的 AI 工作流，應該是把最貴的模型留給最難的決策，把便宜快速的模型用在大量例行工作。
參考資料裡提到的定價方向也很清楚：
Sol 最貴，Terra 居中，Luna 最便宜。這代表未來使用 ChatGPT Work 時，模型選擇會變成工作流設計的一部分，而不只是「選最強」。
Ultra 模式：不是一個模型想更久，而是一組 Agent 並行
Ultra 模式很值得注意。它不是單純把同一個模型推理時間拉長，而是讓多個 Agent 平行工作，再把結果整合起來，這和過去「一個模型慢慢想」的概念不同，更接近一個小團隊同時拆任務。
這種設計特別適合長任務：研究、寫報告、建立網站、跑程式、做多版本比較、測試不同方向，當任務可以拆成多條路並行時，Ultra 的價值才會出來。
但它也帶來現實問題：用量會變大。實測留言裡有人提到 Work 模式會快速消耗額度，這點很合理。多 Agent 並行不是免費加速，它本質上就是用更多 token、更多運算，換更高成功率或更短等待時間。
ChatGPT Work 可以做什麼？重點是「交付成果」
ChatGPT Work 最重要的變化，是它不只回答問題，而是直接交付成果，官方展示裡出現幾個很典型的辦公場景：讀 Slack 和員工回饋、找出適合訪談的人、安排會議；分析財務模型、更新 Excel、生成 PowerPoint；把分析結果做成可分享的互動網站。
這些任務的共同點是：它們不是一句問答，而是需要跨多個資料源、跨多個步驟、最後輸出一個可用成品，這就是 Codex 能力進入 ChatGPT 的意義，Codex 原本擅長把目標拆成步驟、執行工具、檢查結果，Work 則把這套能力包成知識工作者能用的產品介面。
如果你想把這類長任務做得更穩，前置需求釐清仍然很重要，我會把 Grill Me 需求訪談工作流 放在 ChatGPT Work 前面用：先問清楚目標、限制、輸出格式和驗收標準，再讓 Work 開始執行。
桌面 App 是關鍵：本機檔案、瀏覽器分頁、其他 App 都進來了
新的 ChatGPT 桌面 App 是這次更新裡非常關鍵的一塊。它不只是把網頁版包成桌面視窗，而是讓 ChatGPT 可以碰到本機檔案、瀏覽器分頁，甚至其他應用程式。
這代表一個很大的轉折：AI 不再只讀你貼進對話框的內容，而是能在你授權的範圍內，直接理解桌面上的工作現場。資料夾裡的 PDF、Chrome 分頁裡的背景資料、Apple Notes 裡的凌亂筆記、試算表裡的回饋資料，都可以成為任務上下文。
這和 OpenWork / OpenCode 桌面工作台 的方向其實相通：AI Agent 最後一定會往「讀得到你的工作環境、操作得到工具、交付得了成品」這條路走。
Sites：從報告變成可分享的互動工具
Sites 是另一個我覺得很重要的功能。過去 AI 幫你整理資料，多半輸出一段文字、一個表格或一份簡報，Sites 則是把結果變成互動網站、內部工具、儀表板或原型。
這會改變「交付物」的想像。財務分析不一定只能是一份 PowerPoint，也可以是可互動的 dashboard，產品規劃不一定只能是一份文件，也可以是可點擊的 prototype；資料整理不一定只是摘要，也可以變成團隊能共同查看的網站。
這裡也可以接回站上之前整理過的 AISA 一個 API Key 連上多種資源。未來真正有價值的不是單一模型，而是模型、資料源、外掛、網站部署和團隊協作工具串在一起的工作流。
外掛目錄回來了，但這次不是 2023 年那種玩具感
這次新的統一外掛程式目錄，包含 Google Drive、SharePoint、Slack、Microsoft Teams、Gmail、Outlook、Salesforce、Adobe、Zoom、LinkedIn、GitHub、Canva、Dropbox 等整合。這很像 2023 年 ChatGPT Plugins 的第二次機會，但底層條件已經不同。
2023 年的外掛比較像「讓聊天機器人查外部資料」。這一次的外掛更接近「讓 Agent 取得任務所需的工作上下文」。當模型具備長任務執行能力，外掛就不是裝飾，而是資料入口、工具入口和交付入口。
也就是說，外掛目錄真正的價值，不是多支援幾個品牌，而是讓 ChatGPT Work 可以在你的工作系統中移動：讀資料、做分析、產出文件、發送結果、更新工具。
實測很強，但不能神化：耗時、額度、細節錯誤仍然存在
NiceKate AI 的實測很有參考價值，因為它不是只看官方展示，而是拿 GPT-5.6 Sol 跑圖片辨識、PPT、Excel、網頁設計、Image to Code、3D 建模、Android App UI 審查、macOS App 開發和短片生成。
好的部分很明顯：頁面設計質感比前代更好，能做更完整的互動式視覺化，能把圖片轉成可互動網頁，能操作 Android 裝置截圖做 UI 審查，也能在 macOS App 開發中自行遇到錯誤再修正。
但限制也很清楚：有些任務會跑 19 分鐘、30 分鐘、甚至 40 分鐘，複雜 3D、交通仿真、精密還原仍會出現結構錯誤，Work / Codex 模式會明顯消耗額度，這不是「按一下就完美交付」的魔法，而是「可以把更多長任務交給 Agent，但你要學會規格、驗收和成本控管」。
模型能力對很多人來說可能已經過剩，真正重要的是在實際場景裡能解決什麼問題。這句話很適合放在 ChatGPT Work 上。不要只測模型會不會做炫技 demo，要問它能不能幫你穩定完成週報、資料整理、客戶研究、網站原型、財務分析、App 審查這些真任務。
安全與權限：Agent 能做事後，風險也變具體了
當 ChatGPT Work 可以讀檔案、看瀏覽器、操作 App、存取 Slack / Gmail / Drive，安全問題就不再是抽象討論。它能做越多，越需要清楚的權限、審查和用量控管。
參考資料提到 Auto-Review、安全監控、紅隊測試、依風險調整存取權限，以及 Enterprise / Edu 管理員可以做 spend controls。這些功能不是企業才需要，一般使用者也要養成習慣：不要一次授權太多資料，不要讓 Agent 直接做不可逆操作，重要輸出要驗證。
這也是為什麼我一直覺得 Agent 工作流需要紀律，你可以參考 Grill Me 的思路：先讓 AI 問清楚，再讓它執行，重要任務要有驗收清單；涉及資料、金錢、客戶、程式部署時，要保留人工確認點。
這對使用者代表什麼？
我覺得 ChatGPT Work 會讓三種人最先有感。
- 知識工作者：可以把研究、整理、簡報、試算表、網站原型交給 Work 做第一版，再由人驗收。
- 開發者與產品團隊：Codex 能力整合進 ChatGPT 後，從需求、原型、程式、測試到部署的距離會縮短。
- 一人公司與內容創作者：可以把資料蒐集、腳本、視覺化、網站、短片和社群素材變成一條工作流。
但這也會拉開差距。會下任務、會拆規格、會驗收、會控制成本的人，會把 ChatGPT Work 用得像小團隊，只會丟一句「幫我做一下」的人，可能只會得到昂貴又不穩的半成品。
我會怎麼開始用？
如果現在要開始測 ChatGPT Work，我會先從低風險但有價值的任務開始。
- 整理一個資料夾裡的 PDF、簡報和筆記，產出一份會議簡報。
- 讀一份 Excel 或 CSV，產出互動式 dashboard 和重點摘要。
- 把產品想法做成可點擊網站原型，再請它列出待驗證假設。
- 讓 Codex 檢查一個小型 repo，先產生修改計畫，不要直接改。
- 把 Slack / Gmail / Drive 這類外掛逐步接入，不要一開始全開。
如果你想比較本地 Agent 工作台和雲端 Work 模式的差異，可以接著看 OpenWork / OpenCode 桌面工作台。雲端 Work 勝在整合和模型能力，本地工具則勝在可控、可自訂和成本安排。
結論：ChatGPT Work 是「AI 代理辦公」的分水嶺
ChatGPT Work 不是單純的新功能，而是 OpenAI 把 Codex、GPT-5.6、桌面 App、外掛、Sites、多 Agent 模式合在一起後，給一般使用者的一個新工作入口。
它最重要的意義是：AI 不再只是回答你的問題，而是開始接近「拿到目標後，跨工具完成工作」，這也是 AI Agent 真正從開發者圈走向辦公室、團隊、內容創作和一人公司的關鍵一步。
但越是這樣，越要記得兩件事：第一，強模型不等於免驗收；第二，長任務不等於低成本。未來真正重要的能力，不只是會用 GPT-5.6，而是會把任務設計成 AI 能完成、人能驗收、成本能控制的工作流。
延伸資源
FAQ
ChatGPT Work 是什麼？
ChatGPT Work 是 OpenAI 把 Codex 的 Agent 執行能力整合進 ChatGPT 後推出的工作模式，目標是處理比一般聊天更長、更複雜、需要跨工具完成的任務。
GPT-5.6 Sol、Terra、Luna 差在哪？
Sol 是旗艦模型，適合高難度 Agent 任務；Terra 是日常均衡模型；Luna 則主打速度和低成本，適合大量處理。
ChatGPT Work 和 Codex 是什麼關係？
Codex 提供長任務執行、工具操作和開發相關能力；ChatGPT Work 則把這些能力包進一般使用者能操作的 ChatGPT 工作介面。
by Rain Chu | 8 月 7, 2025 | 未分類
gpt‑oss 教學，可以在 16 GB 筆電上免費使用 OpenAI 的開源 gpt‑oss‑20B / 120B GPT 模型，2025/8/5 OpenAI 終於推出的 gpt‑oss（包括 gpt‑oss‑20B 與 gpt‑oss‑120B）簡直是福音！這些開源模型支持在具備足夠資源的電腦上離線運行，完全不需要存取 OpenAI 伺服器，既保護資料隱私，又零使用量限制。
GPT‑OSS 模型概覽
- gpt‑oss‑120B
1170 億參數的強大模型，在主要推理基準上接近 OpenAI 的 o4‑mini 表現，同時支援 chain-of-thought 規劃，適用於需要高級推理能力的場景。
- gpt‑oss‑20B
約 210 億參數，效能與 o3‑mini 相當，卻可在只需 16 GB 記憶體的裝置上運行，是輕量級的最佳選擇。
兩者皆採用 Mixture-of-Experts 架構（MoE），對每個 token 只啟用一部分參數，有效節省記憶體與運算資源。
模型授權為 Apache 2.0，開放商業使用、修改與分發。
為什麼它值得推薦？
- 真·免費 & 無使用限制：完全無需訂閱、不計費，也無 API 次數限制。
- 離線運行，資料更安全：不連網執行，所有運算都在本地完成，隱私無虞。
- 高效能與實用性並重：gpt‑oss‑20B 適合筆電、家庭工作站；gpt‑oss‑120B 則適用於高性能 GPU 主機。
如何開始在本地使用 GPT‑OSS？
以下以 Ollama 為例，快速上手流程：
- 安裝 Ollama（適用於 Windows / macOS / Linux）。
- 使用指令下載模型：ollama pull gpt‑oss:20b
- 啟動模型聊天介面：ollama run gpt‑oss:20b
- 要完全離線，也可在 Ollama 設定中啟用「飛航模式」。
ollama pull gpt‑oss:20b # 適合 16 GB 裝置
ollama pull gpt‑oss:120b # 適用於 GPU ≥ 60 GB 設備
對部分硬體較低端的使用者，也可透過像 llama.cpp 加上 GGUF 精簡版模型運行，建議至少 14 GB 記憶體以獲得流暢回應。
歸納總結
| 模型版本 | 適用裝置 | 模型特性 |
|---|
| gpt‑oss‑20B | 筆電 / Mac 開發者 | 約 210 億參數、效能近 o3‑mini |
| gpt‑oss‑120B | 高階工作站 / GPU 主機 | 約 1170 億參數、推理接近 o4‑mini |
兩者皆具備開源特性，可離線運行、免費使用、無使用量限制，非常適合自主部署與隱私需求高的專案。此外，也可透過 Hugging Face、Azure、AWS 等多平台取得模型。
同場加映
- 可以用於 mac mini 建議用 oss-120B 放在 MAC 128G 共同記憶體以上的機器，可以有每秒 40 token
- 不想買機器的，可以先用 openrouter 或是 Groq
- 內建有 BrowserUse，Python，MCP
- 可以控制推理強度
- MoE混合推理模型
- 支援企業級應用 vLLM，SGLang
- 可以用於 Agent，微調
- 原生支援MXFP4，ollama等無須轉換
參考資料
https://github.com/openai/gpt-oss
by Rain Chu | 2 月 23, 2025 | AI, 程式開發
OpenRouter 是一個統一的大型語言模型（LLM）API 服務平台，可以讓使用者透過單一介面訪問多種大型語言模型。
主要特點：
- 多模型支援： OpenRouter 集成了多種預訓練模型，如 GPT-4、Gemini、Claude、DALL-E 等，按需求選擇適合的模型。
- 易於集成： 提供統一的 API 介面，方便與現有系統整合，無需自行部署和維護模型。
- 成本效益： 透過 API 調用，使用者無需購買昂貴的 GPU 伺服器，降低了硬體成本。
使用方法：
- 註冊帳號： 使用 Google 帳號即可快速註冊 OpenRouter。
- 選擇模型： 在平台上瀏覽並選擇適合的模型，部分模型提供免費使用。
- 調用 API： 使用統一的 API 介面，將選定的模型整合到您的應用中。
Cline 整合
OpenRouter 與 Cline 的整合為開發者提供了強大的 AI 編程體驗，Cline 是一款集成於 VSCode 的 AI 編程助手，支援多種大型語言模型（LLM），如 OpenAI、Anthropic、Mistral 等，透過 OpenRouter，Cline 能夠統一調用這些模型，簡化了不同模型之間的切換和管理，使用者只需在 Cline 的設定中選擇 OpenRouter 作為 API 提供者，並輸入相應的 API 金鑰，即可開始使用多種模型進行開發。這種整合不僅提升了開發效率，還降低了使用多模型的技術門檻。
DeepSeek R1
OpenRouter 現在也支援 DeepSeek R1 模型，DeepSeek R1 是一款高性能的開源 AI 推理模型，具有強大的數學、編程和自然語言推理能力。透過 OpenRouter，開發者可以在 Cline 中輕鬆調用 DeepSeek R1 模型，享受其強大的推理能力。這進一步豐富了開發者的工具選擇，讓他們能夠根據項目需求選擇最適合的模型。
近期留言