<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"><h3><span style="vertical-align: top; color: rgb(0, 0, 255);">重點新聞（0109～0115）</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Claude Code </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> MCP </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Token </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>還沒寫程式就沒Token了？Claude Code新功能解決MCP擴充痛點</strong></span></p>
<p>Anthropic為旗下程式開發工具Claude Code推出新功能MCP Tool Search，來解決多數開發者的共同痛點：MCP工具一多，Context很快就被吃光，還沒開始寫程式就先用完token了。</p>
<p>Anthropic技術人員<a href="https://x.com/trq212/status/2011523109871108570">Thariq Shihipar在X上說明</a>，當Claude Code偵測到MCP工具描述占用超過10%的Context時，系統就不再把所有工具一次載入，而是改用搜尋方式動態載入。也就是需要時才找工具，避免事前預載造成浪費，等同替MCP伺服器加入延遲載入機制。</p>
<p>Anthropic指出，過去有使用者同時接了超過7個MCP伺服器，就耗掉6.7萬多個 token，Context在真正開始工作前就已用完。但新機制可以大幅改善這個問題。在實作上，MCP Tool Search是一個相似度搜尋工具，輸入關鍵字即可回傳相關工具名稱。由於它本身也是代理流程的一部分，Claude Code可以多次搜尋、調整關鍵字，甚至平行查詢，直到找到合適工具。<a href="https://x.com/trq212/status/2011523109871108570">（詳全文）</a></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Falcon-H1R </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 小模型 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 推理 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>不靠堆參數，Falcon-H1R用7B小模型挑戰大型推理AI</strong></span></p>
<p>阿聯酋科技創新研究院（TII）最近發表Falcon-H1R 7B，是一款主打輕量但具高推理能力的開放權重大型語言模型。Falcon-H1R僅有70億參數，卻以架構和訓練策略取勝，對標更大規模的開源和閉源模型。</p>
<p>Falcon-H1R以Falcon H1架構為基礎，結合了Transformer和Mamba架構，針對多步推理進行強化訓練，讓模型在數學、邏輯和代理任務中，更有效率地使用參數。TII公布的測試結果顯示，Falcon-H1R在AIME-24等推理基準上，表現可逼近甚至超越部分15B、32B規模的模型。</p>
<p>除了準確度，效能也是重點。官方測試顯示，Falcon-H1R在實際部署情境下的推理速度明顯快於Qwen3 8B，而且越忙、輸入越長時，差距越大。比如一次同時處理32個請求，Falcon-H1R每張GPU每秒可產生約1,000個Token；請求數增加到64個時，速度可提升到約每秒1,500個Token，是Qwen3 8B模型的兩倍。當輸入內容拉長到8,000～16,000個Token（例如整份文件或長推理流程），Falcon-H1R的速度仍可維持約每秒1,800個Token，而Qwen3 8B則低於 每秒900個Token。</p>
<p>Falcon-H1R這樣的推理速度，對實務部署相當友善，特別適合要即時推理、又受限於算力的場景。Falcon-H1R以開放權重方式釋出，並提供完整技術文件，延續Falcon系列高效能、可部署、可研究的定位。<a href="https://falcon-lm.github.io/blog/falcon-h1r-7b/?utm_source=chatgpt.com">（詳全文）</a></p>
<p><img alt="" src="https://falcon-lm.github.io/blog/falcon-h1r-7b/cover.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">自主型AI </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Cowork </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Claude </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>Anthropic揭自主型AI代理，瞄準知識工作</strong></span></p>
<p>Anthropic推出自主型AI代理Cowork，把Claude的功能從聊天、寫程式，擴展到一般知識工作。Anthropic形容，Cowork就是「非工程師版的Claude Code」，能在少量人為介入下，自行規畫並完成多步驟任務。</p>
<p>與一般聊天介面不同，Cowork可存取使用者指定的電腦資料夾，直接讀檔、改檔與產出文件，並在過程中回報進度，不必每一步都下指令。官方舉例，它能整理下載資料夾、把支出截圖轉成試算表，或從零散筆記生成報告初稿。</p>
<p>在實測中，《Lenny’s Podcast》主持人Lenny Rachitsky讓Cowork分析320份逐字稿，成功整理出關鍵主題。Cowork也能分析本地端的會議紀錄、產生摘要，搭配行事曆與瀏覽器完成跨應用任務。Cowork目前以macOS研究預覽版提供給Claude Max訂閱者。<a href="https://claude.com/blog/cowork-research-preview">（詳全文）</a></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Cursor </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI代理 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 協作 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>Cursor實驗多代理協作自動寫程式，從零打造瀏覽器</strong></span></p>
<p>AI程式開發新創Cursor最近分享一項實驗成果，他們運用幾百個AI代理，在同一個專案連續工作好幾周，將原本需要人類團隊好幾個月才能完成的工程，一口氣平行推進。</p>
<p>在這個專案中，AI代理累積寫出100多萬行程式碼、用了數十億個token，整個系統已能以周為單位，穩定運作。Cursor也發現，真正的難題不是算力，而是如何避免AI彼此重複做事、互相卡關。為解決這個挑戰，團隊先定義分工，由「規畫者」負責分析程式碼、拆任務、排順序；「執行者」照指示把程式寫完、送出修改。每一輪任務結束後，再交給「裁判AI」判斷要不要繼續下一輪。</p>
<p>他們也實際測試，像是從零打造一個網頁瀏覽器，或把前端框架從Solid換成React，都能連續跑好幾周不中斷。團隊也發現，模型選得對很重要，像GPT-5.2在長時間任務中比較不會失焦，因此改為依角色搭配不同模型。不過Cursor也坦言，這套多AI協作還沒到完美，仍需要定期重啟、調整節奏。但整體來看，AI 寫程式已開始從單一助手，走向一整個工程團隊。<a href="https://cursor.com/zh-Hant/blog/scaling-agents">（詳全文）</a></p>
<p><img alt="" src="https://cursor.com/marketing-static/_next/image?url=https%3A%2F%2Fptht05hbb1ssoooe.public.blob.vercel-storage.com%2Fassets%2Fblog%2Flong-running-agents-pr.png&w=1920&q=70" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 醫療AI </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Anthropic </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> GenAI </span></strong></span></p>
<p><span style="font-size:22px;"><strong>進軍商用醫療AI領域，Anthropic推醫療B2B服務</strong></span></p>
<p>Anthropic最近推出Claude for Healthcare，這不是AI看診服務，而是把生成式AI導入醫療行政與臨床試驗等內部流程，鎖定醫院、保險公司和藥廠等B2B市場的服務。Anthropic也宣告，Claude已具備進入正式醫療流程的商用成熟度。</p>
<p>Anthropic強調，Claude for Healthcare依美國HIPAA法規設計，可在合規前提下處理高度文件化、錯誤成本高的工作，例如事前授權審查、理賠文件整理、給付規範與臨床指引比對，以及醫師與機構資格驗證，這些正是醫療體系長期的人力黑洞。同樣能力也能延伸到生命科學領域，比如支援臨床試驗設計、收案與法規文件準備。</p>
<p>實例顯示，部分流程可節省最多90%的時間，像臨床試驗文件處理從數天縮短到1小時，製藥大廠Novo Nordisk的臨床文件處理更從12周減至10分鐘。Anthropic強調，Claude for Health的定位是降低錯誤、輔助流程，而非提供診斷建議；不確定時會交由人工審核。目前該服務已部署於AWS、Google Cloud和微軟雲端。<a href="https://www.anthropic.com/news/healthcare-life-sciences">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 資策會 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 趨勢預測 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> GenAI </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Google升級醫療多模態模型MedGemma，可讀3D影像了</strong></span></p>
<p>Google最近更新開放權重醫療生成式AI模型MedGemma 1.5，同時推出醫療語音轉文字模型MedASR，要讓開發者更容易把影像、文字和語音，帶進醫療AI應用流程。</p>
<p>Google先提醒，MedGemma 1.5並非直接安裝就能看病的成品，在實際上線前，醫院或廠商仍得用自家資料微調、驗證。Google這次釋出的是4B多模態版本，模型較小、所需的算力也比較省，適合拿來評估或做客製化應用。如果要執行更複雜的文字任務，使用者仍可選擇27B參數的MedGemma 1。</p>
<p>技術上，1.5版最大的進步是能處理電腦斷層（CT）、MRI這類3D醫學影像，甚至是容量非常大的病理切片，只要將把影像切成多個區塊或多張切片，再搭配提示詞一起丟給模型，就能處理。Google內部測試顯示，3D影像判讀準確率確實提升，如CT的宏平均準確率由58.2%提升到61.1%、MRI則由51.3%提升到64.7%。</p>
<p>在系統整合上，Google 也補齊DICOMweb影像傳輸標準流程，讓應用可直接用連結在伺服器端讀取CT、MRI，再交給模型推理，不必來回傳輸龐大的影像。至於MedASR則是為醫療口述特別調教的語音辨識模型，針對醫療名詞和說話習慣優化，錯誤率明顯低於通用模型，適合用於醫師對話聽寫，後續再整理或進行AI分析。<a href="https://research.google/blog/next-generation-medical-image-interpretation-with-medgemma-15-and-medical-speech-to-text-with-medasr/">（詳全文）</a></p>
<p><img alt="" src="https://storage.googleapis.com/gweb-research2023-media/images/MedGemma15-2-Collection.width-1250.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> DeepSeek </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 殘差網路 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 資訊丟失 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>DeepSeek提出新方法，穩住深層模型的訊號傳遞</strong></span></p>
<p>DeepSeek發表最新研究，釐清一個常被混為一談的問題：大模型推理變弱，未必是記不住，而是資訊在深層網路中傳遞失真。團隊證明，一種原本潛力高、卻在大規模下不穩定的神經網路設計，經過調整後可穩定訓練，並能實際提高模型表現。</p>
<p>這項研究提出受限超連結（Manifold-Constrained Hyper-Connections），讓模型能在多條殘差路徑間動態混合資訊，提高推理彈性。這種設計本來能提高推理彈性，但在模型變深、變大後，常因訊號被過度放大或壓縮，導致梯度不穩、訓練直接失敗。</p>
<p>DeepSeek的作法是在混合路徑加上約束，只允許重新分配資訊、避免訊號放大，確保推理線索能穩定走完整個網路深度，來避免已學到的資訊，在深層模型中被沖淡。實驗顯示，模型可穩定訓練至270億參數規模，在基準測試BIG-Bench Hard中的準確率，由43.8%提高到51.0%，訓練成本僅增加6–7%。DeepSeek指出，未來推理能力的突破，可能更多來自架構層級的精修，而非單純把模型做得更大。<a href="https://huggingface.co/papers/2512.24880">（詳全文）</a></p>
<p>圖片來源／TII、Cursor、Google</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI近期新聞 </span></strong></span></p>
<p><strong>1. Google推出個人化Gemini功能 可從Gmail、搜尋、相簿擷取資訊</strong></p>
<p><strong>2. <a href="https://www.microsoft.com/en-us/research/group/aiei/ai-diffusion/">微軟釋出全球AI使用報告，臺灣AI採用率為全球第23名</a></strong></p>
<p>資料來源：iThome整理，2026年1月</p>
<div id="gtx-trans" style="position: absolute; left: 20px; top: 4583.77px;">
<div class="gtx-trans-icon"> </div>
</div>
</div></div></div>
