融資速報｜Reco Series B 延伸輪 $55M，Agent 安全估值破數億美元
Reco 完成 $55M Series B 延伸輪，AT&T Ventures 策略投資、Forestay 與 Quadrille Capital 跟投，估值較 2 月 Series B「翻倍以上」，來到數億美元等級。這輪錢代表的趨勢是：Agent 安全這個賽道已經擠進至少 24 家對手，真正能活下來的關鍵不是「發現 Agent」，而是能不能把既有 SaaS 安全的客戶關係延伸成 Agent 治理的信任狀。
daily
816 篇文章模型卡｜GPT-6.1 Sol
GPT-6.1 Sol（`gpt-6.1-sol`）：2026-09-29 DevDay 上線，1,050,000 tokens context window（最大輸入 922,000、輸出上限 128,000，與 GPT-6 Sol 同級）；定價維持 input $2.00／output $10.00，但快取輸入從 GPT-6 Sol 的 $0.20 再砍半到 $0.10（比標準輸入價低 95%）；DeepSWE v1.1 上以約 1/5 Astra 成本追平 Astra 表現，比 GPT-6 Sol 最高分高 6.4 個百分點；AutomationBench medium effort 贏 Claude Opus 5.5 2.2 個百分點且成本僅其約 1/3；同一週 OpenAI 也因安全疑慮擱置了旗艦升級版 GPT-6.1 Astra，未發佈
定價追蹤｜Claude Sonnet 5.5 API 定價原封不動，Anthropic 靠「更少 token」宣稱省 30%
Claude Sonnet 5.5 於 2026-09-29 發表，API 定價與前代 Sonnet 5 完全相同：input $2.00、output $10.00、cache read $0.20（皆為 USD/1M tokens），單價變化是 0%。Anthropic 宣傳的『成本降最多 30%』來自同任務所需 token 數變少、工具呼叫次數變少，不是調降單價——這代表實際省多少完全取決於你的工作負載能不能吃到這個效率提升，不是保證值。
Product Builder 面試日練 — 2026-09-30：Strategy & Execution
Strategy & Execution 面試最容易翻車的地方，不是講不出框架，而是一聽到『對手推出功能』就直接跳進『我們也要做』的軍備競賽，沒有先判斷這是不是真正該打的戰場。今天練一道 HighLevel（GoHighLevel）2026 年真實候選人面試題：『競爭對手推出一個功能，你的好幾個頂尖客戶都在要求，你怎麼辦？』答案框架用 Porter's Five Forces 判斷這是替代品的短期噪音還是產業結構正在改寫，再用 TAM-SAM-SOM 檢查這功能是擴大市場還是只是搶同一塊餅，最後用機會成本做出跟、做不同、或不做的取捨。案例是 Corteva：把種子基因事業分拆成 Vylor，靠的不是新產品，而是一份十年技術路線圖，把自己從『被授權的技術跟隨者』重新定位成『收權利金的技術授權方』，用商業模式的護城河取代單一功能的軍備競賽。
工具推薦｜skillmem — 讓 Agent 學到的「做法」會強化、也會遺忘
skillmem 是一個 MCP server，讓 Claude Code / Codex 等 coding agent 擁有本機、可增強也會遺忘的「技能記憶」。安裝：`pip install 'skillmem[semantic]'` 後 `skillmem init --claude-code`。解決了現有記憶體工具「什麼都往裡存、agent 自己說有用就採信」的問題——skillmem 只有外部證據（測試通過、diff 被接受）才能提升技能強度，未經你核可的記憶會被標記為「資料而非指令」。
AI Engineer 面試日練 — 2026-09-29：Deep Learning & NLP
今天的 Deep Learning & NLP 輪練涵蓋五個核心概念：scaled dot-product attention 為什麼靠一次 batched matmul 就能在 GPU 上平行化、多頭注意力把同一個嵌入維度切成多個子空間各自學不同關係、positional encoding 為什麼是 Transformer 沒有遞迴之後必須額外補回去的資訊、CNN 的局部性假設跟 RNN 的遞迴假設跟 Transformer 全域互動的取捨，以及 BPE/WordPiece/SentencePiece 三種 subword tokenization 的差異跟為什麼 byte-level BPE 能徹底消除未知詞問題。練習題來自 dsprep.com 收錄、Anthropic、DeepMind 等研究實驗室常考的一題：為什麼 Transformer 選擇 scaled dot-product attention 而不是 additive attention，拆解思路把效率、scale factor、multi-head 動機串成一套完整的設計哲學論述。
Product Builder 面試日練 — 2026-09-29：Metrics & Analytics
Metrics & Analytics 面試最容易翻車的地方，不是算不出數字，而是拿到一個看似合理的指標就直接開始優化，沒有先問『這個指標漲了，對業務一定是好事嗎？』。今天練一道指標評估題：『Netflix 想提高使用者的平均單次觀看時長，這是正確的指標嗎？』答案框架用指標樹：先定義北極星指標、拆出驅動指標與護欄指標，再判斷單一指標的漲跌背後可能有好壞兩種成因。案例是 Netflix 自己——2026 年 Q2 股東信裡承認『engagement 不只是觀看時數的量，還包含內容的品質與多樣性』，並把行之兩年半的半年度觀看時數報告改成一年一次，等於公開示範了『指標漲了不代表故事漲了』這件事。
工具推薦｜Titration — 讓 Coding Agent 用跨供應商評審迭代 Prompt，直到真的修好為止
Titration 是一個自架的 MCP server，讓 Coding Agent 改 Prompt 後用跨供應商評審面板對照凍結基準線打分，直到問題真的消失或被判定不是 Prompt 的錯。安裝：docker compose up -d 起 Postgres，npm install && npm run setup。解決了 Agent 自己改 Prompt、自己評分、容易把評分系統玩壞的問題。
AI Engineer 面試日練 — 2026-09-28：ML Fundamentals
今天的 ML Fundamentals 輪練涵蓋五個核心概念：bagging 跟 boosting 分別在打誰的主意(variance vs bias)、boosting 為什麼加太多輪會 overfit 但 random forest 不會、XGBoost 靠梯度加 Hessian 的二階近似跟目標函數內建正則化橫掃表格資料的原因、正規化跟標準化該怎麼選(看演算法假設不是看資料本身)，以及 AdamW 為什麼要把 weight decay 從 loss function 的 L2 懲罰項裡拆出來單獨處理。練習題來自 C3 AI 的 Data Scientist 真實面試:先講出經典的 bagging 演算法、解釋 bootstrap aggregation 為什麼能降低 variance，再被追問換成 boosting 又是靠什麼機制取捨，拆解思路把五個概念串成一套完整的 ensemble 決策框架。
融資速報｜Go.AI Series A $85M，把 AI 裝進受監管企業自己的機房
Go.AI 完成 $85M Series A，由 Updata Partners 領投，累計融資達 $90M。這輪錢代表的趨勢是：對資料不能出門的受監管產業（銀行、醫療、國防），AI 落地的解法不是「換一個更安全的雲」，而是把整套軟硬體直接搬進客戶自己的機房。
融資速報｜Instinct Series C $1B，估值 30 天內從 $2.5B 衝到 $10B
Instinct 完成 $1B Series C，由 Sequoia Capital、Benchmark、Coatue 領投，估值 $10B——距離上一輪 $2.5B 只過了 30 天，4 倍markup。這輪錢代表的是投資人對「個人 AI Agent」賽道的風險胃口，而不是 Instinct 本身的既有成績：14 人團隊、沒有公開使用者數字、沒有 App。
融資速報｜Outmarket AI Series B $34.5M，四個月內從 Series A 衝上估值 $335M
Outmarket AI 完成 $34.5M Series B，由 SignalFire 領投，估值 $335M——距離 $17M Series A 只過了四個月。這輪錢代表的趨勢是：在保險這種 95% 仍靠人類代理銷售的產業裡，AI Agent 切入的關鍵不是模型能力，而是能多快把繁瑣文書工作啃下來、多快拿下市佔。
模型卡｜Audio8 ASR Infinite
Audio8 ASR Infinite：Edge0 2026-09-21 在 HuggingFace 開源，4B 參數（Voxtral Realtime 音訊塔＋Qwen2.5-3B-Instruct decoder），30 秒 Rolling KV Cache＋RoPE re-basing 支援無限長 24/7 串流轉錄不漂移，附語意 VAD 分辨思考停頓與真正結束語句；中文 CER（aishell1 1.75%、aishell4 2.89%）大幅領先 Voxtral-Mini-4B-Realtime（16.80%／16.46%）與 Nemotron-3.5-ASR-Streaming-0.6B，但英文 LibriSpeech WER 反而輸給 Voxtral；模型卡標榜 Apache-2.0，社群已在 GitHub Issue 指出 decoder 繼承自 Qwen2.5-3B-Instruct 的非商用 Qwen Research License，商用部署前需先解決這個授權缺口
模型卡｜AliceAI-Foundation-80B-A3B-Base
AliceAI-Foundation-80B-A3B-Base：Yandex 2026-09-21 開源，完全從零訓練（非 Qwen/Llama 微調）；80B 總參數／3B 活化 MoE，262,144 tokens context window；Apache-2.0，尚無官方託管 API 定價；MATH-500 91.1 分超越同級 Qwen3.5-35B-A3B-Base 與更大的 DeepSeek-V4-Flash-Base（284B-A13B）；俄語事實基準 WikiWebFacts 86.5 分大幅領先所有比較對象；純 base model，未經 SFT/RL 對齊，不能直接當 agent 使用
定價追蹤｜OpenAI 發布 GPT-6 Sol／Luna，API 定價比 GPT-5.6 促銷價再砍 50%
OpenAI 官方公告與定價頁確認：GPT-6 Sol input 從 $4.00 降到 $2.00/1M tokens（↓50%）、output 從 $20.00 降到 $10.00（↓50%）；GPT-6 Luna input 從 $0.20 降到 $0.10（↓50%）、output 從 $1.20 降到 $0.50（↓58%），2026-09-22 生效。降價基準是 GPT-5.6 系列的『促銷價』而非原價，而 GPT-5.6 Sol 的促銷價官方寫明只保證到 2026-11-21——這代表 GPT-6 Sol 現在的 $2/$10 才是這輪真正該拿來比較的長期基準價。
Product Builder 面試日練 — 2026-09-28：Product Sense
Product Sense 面試最容易翻車的地方，不是想不出解法，而是一聽到題目就跳去列功能清單，卻沒有先把「使用者到底在哪一步卡住」講清楚。今天練一道情境題：Rox 候選人回報的真實提問——『我們的分析儀表板顯示了很多數據，但我們懷疑許多使用者並沒有從中得出可執行的洞察，你會怎麼做？』答案框架用 CIRCLES：先釐清情境與限制、鎖定要服務的使用者、找出他們真正的需求、再用清單列方案、逐一取捨、最後收斂成一個推薦方案並定義成功指標。案例是 ConvertKit——一家自力成長到年營收 4100 萬美元的 SaaS，發現創作者面對通用的靜態報表頁完全不知道下一步該做什麼，於是在 2021 年把儀表板改成依帳號個人化呈現訂閱者成長、信件成效與到達率的摘要，讓「有數據」真正變成「有行動」。
AI Engineer 面試日練 — 2026-09-27：本週回顧與行為面試
2026 年的 AI Engineer 行為面試很愛問『你曾經很有信心的方案，後來發現是錯的』，考的不是你會不會認錯，而是你怎麼在自己主推的東西被推翻時，用數據而不是情緒去喊停。今天用『排序模型 A/B 測試七天 CTR +8%，你堅持全量上線，後來發現是 novelty effect，怎麼收回這個決定』走一輪完整 STAR，並回顧本週 ML Fundamentals、Deep Learning、Coding、Paper Reading 練了什麼——這週 ML System Design 跟 LLM & Agent Engineering 兩天沒產出，也一併記錄下來。
模型卡｜MiMo-V2.6-Pro
MiMo-V2.6-Pro：2026-09-21 開源，Model ID（OpenRouter）`xiaomi/mimo-v2.6-pro`；1.02T 總參數／42B 活化 MoE，1,048,576 tokens context window，原生支援 text／image／video／audio；API 定價 input $0.435／output $0.87 per 1M tokens（cached input $0.0036），同系列 Flash 版 $0.14／$0.28；MIT License 開源；AutomationBench v1.0.6 拿下 53.1 分小勝 Claude Opus 5 的 50.3、Terminal Bench 2.1 89.9 分也小幅超車 Opus 5 的 89.1；Artificial Analysis Intelligence Index 46.32 分是目前開源模型最高分；但 Terminal Bench 4.0（34.9 vs Opus 5 的 49.0）與資安類 ExploitBench（47.9 vs GPT-5.6 Sol 的 78.5）明顯落後閉源旗艦
定價追蹤｜Perplexity 今天讓 Sonar API 退場，改用「Token＋工具呼叫」計價的 Agent API
Perplexity 官方定價文件與遷移指南確認：2026-09-27 起 Sonar Chat Completions API 停止支援，全面轉為 Agent API。舊制 Sonar 系列是「模型 token 價＋依搜尋深度分級的固定請求費（每千次 $5～$12）」，新制 Agent API 是「第三方模型 token 價（如 gpt-5.6-luna input $0.20／1M）＋每次工具呼叫費（web_search $0.0025、fetch_url $0.0005）」。以官方給的代表性用量估算，Sonar → fast 對應成本降約 49%，Sonar Pro → low 降約 84%，Sonar Reasoning Pro → medium 降約 71%；但 sonar-pro／sonar-reasoning-pro 在多數第三方閘道上直接停止可路由，只有基礎 sonar 模型會自動搬到 Agent API，其他分級都得改用新的 preset 系統手動遷移。
Product Builder 面試日練 — 2026-09-27：Behavioral & Weekly Review
行為面試最容易翻車的地方，不是想不出故事，而是把「失敗」講成一句委屈的辯解，卻答不出自己後來具體改了什麼決策流程。今天練一道情境題：monday.com 近期候選人回報的真實提問——『說一個你負責的專案最後失敗了，後來你怎麼做』。答案框架是 STAR 定骨架、SBI 補血肉：先用 Situation-Behavior-Impact 把「當時發生了什麼、我做了什麼、造成了什麼影響」講清楚，再用 STAR 的 Result 段落補上一句「後來我把這件事變成了什麼機制」，讓面試官聽到的不是一次性反省，而是可複製的改進。案例是 Instagram 的前身 Burbn——一個塞滿打卡、遊戲化、訊息功能卻沒人用的失敗產品，團隊沒有辯解「使用者還沒理解我們的願景」，而是直接砍掉所有功能只留下照片分享，兩週內衝上 2.5 萬使用者。