AIREITER部落格
修正 OpenRouter 429：供應商錯誤還是速率限制？
逐欄拆解 OpenRouter 429 的判斷方式，整理目前免費模型限制、供應商備援檢查，以及會遵守 Retry-After 的重試程式碼。
DeepSeek V4 Flash vs GLM-5.2：0731 更新實測
我用四項可評分任務測試 DeepSeek V4 Flash（0731）與 GLM-5.2。兩者在三項任務打平，GLM-5.2 在第四項始終未產生答案，而 Flash 的總成本低了 19 倍。價格於 2026-07-31 查核。
B2B 廣告情報只能從 HTML 取得：打造能撐過改版的解析器
多數 B2B 廣告資料庫沒有 JSON API，只有伺服器端渲染的 HTML。本文說明如何打造能抵抗改版的串流解析器，以及模型最適合介入的位置：比對新舊 HTML、協助修復。
創作者庫要對照素材庫：別再用粉絲數挑人
用粉絲數挑創作者，本質上就是系統性誤判。應從已驗證有效的創意素材萃取內容結構，反查內容風格相符的創作者，並讓每一筆配對都能追溯到特定影片。
從關鍵字組到預算：如何把搜尋量、CPC 與競爭度收斂成一個數字
關鍵字工具提供三項分散指標，廣告上線卻需要一個預算數字。本文說明每項指標的陷阱、為何要按關鍵字組彙總，以及為何模型擴出的關鍵字在真實搜尋量驗證前都只是假設。
如何讀懂廣告逐秒留存曲線：三條曲線與一個百分位數
拿播放量和按讚數研究競品素材，等於什麼也沒讀到。能決定下一支腳本的，不是絕對數字，而是三條逐秒曲線在哪一秒出現轉折，以及 CTR 位於類別中的什麼位置。
22 個平台、241 個指令：我為什麼沒有做統一回應模型
跨平台蒐集資料時，統一 Post/User 模型看似直覺，但到了二十幾個平台就會失效。讓每個平台維持自己的 bounded context，並依平台各自正規化，才是能長久運作的做法。
329 個指令、仍缺 128 個：遷移驗收該靠集合運算，不該交給模型
模型能把單一函式翻得很好，但整體遷移是否完成，是集合運算。兩端指令集都應從宣告導出，再由腳本求差集；模型該做的是解釋缺口，而不是找出缺口。
請求裡沒有 query 的 GraphQL API：取得 Persisted Operation 的兩條路
Persisted GraphQL 抓包後只剩 operationName、hash 和 variables，沒有 query。你可以從前端建置檔找映射，也可以直接黑箱重放 hash；兩條路的成本相差一個數量級。
程式碼裡找不到簽名邏輯？它可能根本不在靜態程式碼中
有些簽名根本不在靜態程式碼裡。伺服器可能在執行期下發一次性腳本，或是值本身隨每次發版更新的建置常數。該執行或讀取時，就別硬做逆向。
Frida Hook 全部命中，為什麼仍然沒有一個可用端點？
Frida Hook 全部命中，最後卻沒有任何可用端點。Hook 命中不等於能力可交付；中間隔著四道證據門檻，而坦誠標示「尚不可用」，遠比推出空殼端點更好。
把 300 則競品廣告丟給模型，最後只得到四個形容詞？改用這套方法
要模型總結 300 則競品廣告，最後往往只得到四個沒用的形容詞。先逐則擷取結構化欄位，再進行分群，並要求模型找出反例。
從關鍵字到完成廣告：五階段流程與讓系統可營運的六種狀態
廣告素材自動化不只是「輸入關鍵字，取得影片」。這是一套五階段流程、讓它能實際營運的六種狀態，以及避免零證據生成的證據閘門。
Agent 工具描述失真：讓宣告成為唯一真相來源
手動維護的工具描述會和真正的函式簽名失同步，導致模型仍以舊參數呼叫已改動的工具。直接從宣告產生描述，就沒有第二份副本可以失真。
MiniMax H3 規格、價格與競品比較
認識 MiniMax H3：它是影片模型而非 M3；整理已驗證的規格與官方價格、與 Veo、Kling、Seedance 的比較、開放權重的實際限制，以及可用管道。
GPT-5.6 Luna vs GPT-5.4 Mini：現在誰更便宜？
OpenAI 在 7 月 30 日調降價格後，GPT-5.6 Luna（$0.20/$1.20）比 GPT-5.4 mini（$0.75/$4.50）便宜約 73%，價格也與 nano 接近。相同提示詞測試顯示，Luna 在成本上勝出；mini 則在延遲方面領先。
最便宜的程式開發 LLM API：4 款模型實測（2026）
以原始 token 計價來看，DeepSeek V4 Flash 是本次實測中最便宜的程式開發 API；Kimi K2.7 Code 的回答最完整，GPT-5.4 mini 則是速度最快。
逆向程式該重寫還是靠瀏覽器橋接？三層落地階梯一次講清楚
逆向邏輯最終只有三種落地方式：原生重寫、本機 JS 引擎，或被動式瀏覽器橋接。每往下一層，成本就會跳升一個量級，因此預設應該力爭留在最高層。
差分測試：逆向工程中攔住模型幻覺的唯一關卡
LLM 對演算法的假設，在你寫下 assert 前都只是句子。差分測試把「也許」變成明確的是非判定：邊界輸入、隱藏熵來源、分層比對，以及可長期使用的 fixtures。
逆向混淆簽名：90% 都是標準演算法，真正致命的是那 10% 的偏差點
混淆簽名大部分都是能原樣照抄的標準程式碼；真正困難的是那 10% 被悄悄改過的部分。本文整理四類偏差，以及為何找出它們需要推理模型。