Laya 是 Convai Innovations 以 Apache 2.0 開源的決策模型，問題格式與 TypeSafe Jev 相同，可以在自己的電腦執行，不必呼叫雲端 API。本文在 M4 Pro Mac 實測安裝步驟、GPU 與 CPU 的延遲和記憶體用量，並用繁體中文與英文測試客服分流、Agent 選工具與 RAG 文件過濾，整理各題型的準確度、信心門檻的效果、Jev 相容 API 的架設方式與使用限制。
Laya 評測與使用教學，Jev 的開源替代模型｜Mac 實測單題最快 11 毫秒
Ollama 搭配 Codex 教學｜本機模型能改程式嗎？Mac mini 實測
Ollama 能把本機模型接進 Codex，但連上服務、回答問題與完成改檔，是三種不同的成果。這篇以 Mac mini M4 32GB 的 Gemma 4 歷史實測，整理 Codex CLI 安裝、模型選擇、context 設定與原生 Responses API 連線方式，並交代 E4B 工具失敗、12B 最小任務成功、26B 改檔通過，以及 Pi 替代方案的限制。搭配工具分工、設定檢查、成果驗收圖解與終端機使用畫面，說明哪些小任務值得交給本機 Agent，哪些情況應先停止，避免把「完成了」誤當成可靠的程式成果。
AMD ROCm 10 發表｜ROCm.AI 上線，升級前先看 6 個已知問題
AMD 發表 ROCm 10，除了統一 GPU 軟體的建置與發行方式，也讓 ROCm.AI 正式上線，將 AMD Skills、ROCm CLI 與 Hyperloom 帶進安裝、診斷、模型服務和效能優化流程。本文整理 ROCm 10 對 Instinct、Radeon、Ryzen AI 使用者的實際影響，拆解官方 3.3 倍推論與 2.4 倍訓練數字的測試邊界，並逐項說明 PyTorch、JAX、SGLang、TensorFlow、vLLM 與 ComfyUI 的六個已知問題，協助判斷正式升級、並行測試或暫緩更新。
MacBook Pro M2 Pro 跑 Gemma 4 實測｜Apple Silicon 本地 LLM
在 MacBook Pro M2 Pro 16GB 上用 Ollama 跑 Gemma 4 到底有多快？跟 RTX 3070 8GB 相比誰贏？這篇把 Apple Silicon 統一記憶體架構放進本地 LLM 的實戰對比，從 TPS、TTFT、長 prompt 塞滿 128K context 一路測到 Ollama 對 e2b 偷偷開 thinking 的 bug 跨平台重現，並給出 num_ctx 跟真實 prompt 長度兩個容易被混淆的觀念說明，幫筆電族開發者找到本地 LLM 的實用上限。
Gemma 4 E2B vs E4B 完整實測｜Thinking 模式的祕密與本地小模型最佳實踐
Gemma 4 的 E2B 和 E4B 兩個邊緣模型誰比較強？參數較小的 E2B 反而比 E4B 慢 10 倍是怎麼回事？這篇用 RTX 3070 跑了完整的 TPS、TTFT、品質對比 benchmark，並追到 Ollama renderer 層級找出 thinking 模式預設啟動的真相，順便整理本地小模型最佳實踐與 thinking、temperature、top_k、top_p 等參數說明。
本地跑 Claude Code 實戰｜Ollama + Gemma 4 + RTX 3070 使用心得與踩坑筆記
想用本地 LLM 跑 Claude Code 省下雲端 API 費用？這篇分享在 Windows 11 + RTX 3070 8GB VRAM 上用 Ollama 接 Gemma 4 跑 Claude Code 的真實心得，包含安裝流程、Context length 設定、settings.json 被覆蓋的踩坑經驗、消費級顯卡的效能與使用限制，以及六種適合交給本地小模型處理的短任務與自動化用途。
Ollama 入門教學｜本地大語言模型新手指南（Windows／Linux／macOS）
Ollama 能在 Windows、Linux 與 macOS 下載、執行和管理大語言模型，也能連接 Cloud 模型與其他 Agent 工具。本文從安裝和第一個本機模型開始，說明 App、CLI、模型標籤、參數量與量化，再整理 RAM、VRAM、context length 與 CPU／GPU offload 的關係。需要整合程式時，可參考 REST API、Python 與 Agent 用法；重視資料流向時，則可查閱本機、Cloud、網路工具與 local-only 設定的差異，依設備與需求選擇執行方式。
不用寫程式的機器學習，使用Xcode的Create ML訓練電腦分類文章－Text Classification以簡訊分類為例
Apple的Create ML讓開發者不需要了解太多機器學習的原理就可以訓練出自己的AI模型，輸出的模型可以用在各種蘋果平台上。本篇文章教學如何在Mac上使用Create ML訓練一個文字分類的AI模型，搭配Swift語言示範如何在App中使用你的模型。訓練階段你可以完全不寫程式碼就訓練好文字模型，還可以在Preview頁面中直接使用模型來分類更多文字，不會程式語言的朋友們也能體驗機器學習的魅力。