今天的 ML Fundamentals 輪練涵蓋四個核心概念:bias-variance tradeoff 要看 train/validation 的差距大小來判斷該往哪個方向調、L1 regularization 靠固定梯度把權重壓到剛好等於零(L2 的梯度隨權重縮小只會逼近零)、cross-validation 策略要依資料型態換(分類用 StratifiedKFold、時間序列用 TimeSeriesSplit、同時做超參數搜尋跟效能評估要用 Nested CV 避免過度樂觀)、以及 AUC-ROC 跟 PR-AUC 在資料不平衡時給出完全不同的訊號。練習題是 Amazon／Meta／Google 面試迴圈常出現的經典題:模型的 AUC-ROC 很高但 precision 很低,這代表什麼、你會怎麼處理,拆解思路把「先懷疑哪裡」到「怎麼用 PR curve 取代 ROC 做診斷」串成一套完整推理鏈。
Agno v3.1.3 的核心主題是外部 agent（ClaudeAgent / CodexAgent）補齊原生 Agent 的能力：(1) session 的 SDK 對話紀錄現在存進資料庫，換機器也能續跑；(2) 新增背景執行、取消、依 checkpoint 重放步驟；(3) 補上重試、token/cost 指標、壓縮、結構化輸出與圖片附件。無正式 breaking changes，但「同一 session 只能跑一個 turn」的行為從『先接受後失敗』改成直接回 409。
Muse Wonder（API 可呼叫）與 Muse Wonder Full（僅限 Muse Code 訂閱）：2026-10-12 發佈，1,048,576 tokens context，定價 $4.00/1M input（快取 $0.20）／$20.00/1M output，與 Claude Opus 5.5 完全同價；官方自測 Terminal-Bench 4.0-AA 85.6（Wonder）/85.5（Full）均超過 Opus 5.5 的 81.5，SWE-Marathon 78.8/79.0 同樣領先 Opus 5.5 的 74.2；但獨立評測機構 Artificial Analysis 的 Intelligence Index 把 Wonder 列在 52 分（219 模型中第 9）、Wonder Full 56 分（699 模型中第 4），低於 Meta 自己公佈的 56/59.0，也低於 Opus 5.5 的 58 分。這是 Meta 自 2025 年 8 月重組 AI 團隊後首款前沿級模型，兩個 checkpoint 能力分工不對稱：Wonder 在 AutomationBench／GDP.pdf 領先 Full，Full 則在 JobBench／Vals Finance／MemoryBench 大幅領先 Wonder。
Iris-3B：Sperid Labs 2026-10-07 發表論文（arXiv 2610.09450），3B 參數擴散 transformer（+ 凍結 4B Qwen3-VL-4B-Instruct 文字編碼器），不經 VAE／潛空間直接輸出像素；GenEval 0.798、DPG-Bench 86.52（皆 1024px），OneIG-EN 打平 Qwen-Image；但微調後的單眼深度估計（AbsRel 0.071）只打平有 VAE 的潛空間模型 FLUX.2 Klein、4 倍影像修復（LPIPS 0.292／PSNR 20.68）未能超越，論文自己承認『沒有找到像素空間生成先驗帶來顯著下游優勢』；權重與訓練程式碼全開源 Apache 2.0
Product Sense 面試裡最容易踩的陷阱，是看到一組『數字很漂亮』的使用者 segment，就直接跳去想『要幫他們做什麼新功能』，卻沒有先問『這群人現在到底是被滿足了，還是只是沒有更好選擇』。今天練一道情境題：Instacart 資料顯示 35–44 歲、家有小孩的訂閱家庭訂單頻率與客單價都明顯高於其他族群，但 App 裡完全沒有為這群人設計的介面。答案骨架用使用者問題框架（現況→痛點→根因→機會）先把『高頻高單』跟『需求被滿足』拆開討論，再用 Reach × Underserved Degree 矩陣判斷這個 segment 現階段真正的優先順位，避免把『已經做得不錯的地方』誤判成『還有大機會的地方』。案例是 Airbnb 的 Categories——2022 年把首頁搜尋改成瀏覽 56 種小眾住宿主題（樹屋、城堡、小島），用 ML 加人工把六百萬筆房源裡的四百萬筆分類進去，成功讓原本『沒人知道自己想要』的小眾住宿需求被看見；但 2023 年 Airbnb 擴張成 Homes、Experiences、Services 三大產品線後，Category search 的效用跟著下降，2025 年 9 月被正式收掉，換成傳統搜尋框加三個分類頁。
decisionkit 是一個把是非、分類、評分、排序丟給專門 decision API 做機率判斷的 CLI 與 MCP server。安裝：npm i -g @adxtya21/decisionkit。解決了 Agent 用整段 LLM 推理做簡單分類時速度慢、沒有機率分數可自動路由的問題。
2026 年多篇追蹤 AI agent 生產事故的報告都指出同一種失敗模式：agent 一旦拿到『能動手』的能力（建工單、發通知、寫資料庫），卻缺一層強制的執行邊界，detection 永遠發生在傷害造成之後。今天用『alert-to-ticket agent 遇到第三方 API 回傳格式異常的 5xx，判斷成可重試錯誤，從凌晨 2 點重試到早上 7 點，建出 327 張重複工單、帳單是平常同期的 38 倍』走一輪完整 STAR——核心是先用 feature flag 止血、再把根因拆成『沒有 step limit、沒有 idempotency key、沒有 cost alert』三層分開修，而不是重啟服務草草結案。並回顧本週 ML Fundamentals、Deep Learning、ML System Design、LLM & Agent Engineering、Coding、Paper Reading 六天的練習重點——這週七天全數產出，沒有缺口。
Pydantic AI 2.55.0 三個重點：(1) 新增 `Conversation` 物件承載並儲存一次對話的 run 歷程，所有進入點都能用 `conversation=` 傳入，不用再自己手動接 `message_history`；(2) 新增跨供應商的統一 `cache` 設定與 `Caching` capability，`cache=True` 時 Anthropic 連 instructions／tool definitions 都一併快取；(3) 新增官方託管的 `PostgresStepStore`／`PostgresMediaStore` 持久化後端。相容性變更：全系列套件要求 Python 3.11+，LogfireMCP 工具名稱多了 `logfire_` 前綴。
Ghost 完成 a16z 領投的 $11M 種子輪，推出 $3,499 的 Agent 專用個人電腦 Core。這筆錢代表的信號：至少有一群投資人認為「把 Agent 裝進一台你自己擁有的硬體裡」比「租用雲端 Agent」更值得押注。
Meticulous 完成 Chemistry 領投的 $15M Series A，Menlo Ventures 與多位矽谷技術主管跟投。這筆錢代表的信號：當 Agent 寫程式碼的速度已經不是瓶頸，測試與程式碼審查反而變成企業敢不敢放手讓 Agent 合併 PR 的關鍵卡點。
TypeSafe AI 的非文字模型 Jev 9/15 上線即爆紅，三分之一 Fortune 500 企業已在使用；公司隨即以 $7.5B 估值完成 a16z 領投的 $870M Series A。這筆錢代表的信號：市場開始押注「給機器看的模型」會是比 LLM 更大的下一個基礎設施層。
Behavioral 面試裡最常漏分的不是故事不夠精彩，而是講到『沒做到的那次承諾』時，忙著替自己辯護，沒先把責任切清楚。今天練一道 Amazon PM Bar Raiser 真題：『說一次你沒能達成承諾的經驗——原因是什麼、造成了什麼影響、事後你會怎麼做不同？』答案框架是 STAR 搭配一個額外動作：把『當時能控制的決定』與『不在你控制範圍內的外部因素』明確切開，再講清楚事後改了什麼系統性流程，而不只是『我學到了』。案例是 Netflix 2011 年的 Qwikster 事件——Reed Hastings 宣布把 DVD 租借拆成獨立品牌 Qwikster 後單季流失約 80 萬訂閱戶、股價從高點重挫近 77%，三週內被迫撤回分拆決定並公開承認『搞砸了』，這正是『公開承認失敗、快速止血、保留信任』的真實教材。
Opengeni 是一個開源、可自架的 agentic service，負責 session 持久化、人工審批、憑證治理這些基礎設施。安裝：git clone https://github.com/Cloudgeni-ai/opengeni.git && bun run dev（或直接到 app.opengeni.ai 免部署試用）。解決了每個團隊做 agent 產品時，都要重新拼一遍「session 怎麼存、審批怎麼卡、憑證怎麼不讓 agent 看到」這套基礎設施的問題。
今天練的論文提出 ISE（Identify / Solve / Escalate）框架,專門評測 agent 在 retrieved evidence 跟自己的 parametric knowledge 打架時,會不會老實講。核心反直覺發現：測了四組 agent（Nemotron-ToolOrchestra、Claude Code、OpenHands、Qwen-Agent 兩種尺寸）之後,準確率越高的組態 Escalate rate 反而越低——Claude Code 在 BrowseComp 上認出衝突的 F1 高達 90%,但最終答案承認不確定的比率是 0%；OpenHands 在 GAIA 上則是三個維度全部掛零,顯示它根本就不處理衝突、直接忽略。作者也測了最輕量的介入——在 system prompt 加一段「要求承認不確定性」的句子——Escalate rate 可以從個位數衝到 60% 以上,但準確率平均要賠掉 6-7 個百分點。這題適合用來準備「你怎麼評測 agent 誠不誠實」「RAG 遇到矛盾來源怎麼辦」這類在 LLM Engineering 和 System Design 環節都會被問到的題目。
Arena Agent 排行榜 10-08 發布：Claude Opus 5.5（High）14.33% 首次登頂（前次 13.82% 第二）、GPT-6 Astra（Max）13.09% 升到第二（前次 12.27% 第四）、Claude Fable 5.1（Max）12.66% 從蟬聯一個多月的第一跌到第三（前次 14.31%）、Claude Sonnet 5.5（Max）11.95% 跌到第四（前次 12.52% 第三）、GPT-6.1 Sol（Max）11.72% 維持第五；四家排名的信賴區間仍大面積重疊
Agno v3.1.2 三個重點：(1) 新增 `Agent(compaction=True)`，把舊對話摘要壓縮後存進 `agno_compactions` 表，原始訊息不被覆寫，可隨時 `agent.compact()` 或還原；(2) 新增 `CodexAgent`，把 OpenAI Codex 接進 Agno 的 external agent 家族，跟 Claude Agent SDK、LangGraph、DSPy、Antigravity adapter 並列；(3) 新增 `HyDE` 查詢轉換器，檢索時改用假設性答案去搜，但 reranker 仍對照原始問題評分。本版無 breaking changes。
Arena 完成 $200M Series B，估值 $3.1B，較 10 個月前的 Series A 近乎翻倍，由 Lightspeed Venture Partners 與 Khosla Ventures 共同領投。這筆錢代表的信號：當模型開始「認得出」自己正在被評測，靜態 benchmark 就會失真，第三方、即時、人類評審的評測層本身變成一塊獨立生意。
Gallatin AI 完成 $50M Series A，由 8VC 與 Silent Ventures 領投，累計融資來到 $70M。這筆錢代表的信號：五角大廈把「後勤可視化」列為關鍵技術領域後，AI 決策支援工具正在補上國防科技過去只顧硬體、不顧資料流程的缺口。
Youtu-Parsing-Omni：2026-10-09 開源，HuggingFace ID `tencent/Youtu-Parsing-Omni`，5B 參數，1,048,576 tokens context window；OmniDocBench v1.6 總分 96.96（第三方可複現公開榜，比 Gemini-3-Pro 的 92.91 高 4 分以上）、OmniParsingBench 平均 75.08 為開源權重模型最高分（僅次 Gemini-3-Pro 的 77.44）；單一 Youtu-Omni-Encoder 統一處理文件/自然圖片/圖表/流程圖/幾何圖形/音訊/影片七種輸入並輸出同一套 OmniSchema JSON，取代傳統雙塔架構；開源自架、無官方 API 定價，license 為自訂條款且明文排除歐盟地區使用
Mistral 於 2026-10-06 公開預覽旗艦模型 Large 4（Le Chonk），官方公告與文件卡掛牌價是 input $1.36、output $4.18（USD/1M tokens，cached input $0.14），但 API 實際收費頁面直接打五折：input $0.68、output $2.09（cached $0.07），降幅剛好 50%。促銷沒有公布到期日，這是繼 09-30 Gemini 4 Argon『促銷無到期日』之後本系列第二次記錄到同一種打法。模型權重與完整授權條款要等到月底才會發布。