深度分析
DeLM：Stanford 的去中心化語言模型框架，實驗顯示成本減半、準確率提升
斯坦福提出DeLM去中心化多代理框架，利用共享知識基底與任務佇列，讓代理直接協調。實驗顯示在SWE‑bench與LongBench‑v2上提升精準度約10%，成本減半。此技術或重塑AI產業的協調模式與開發者生態。此外，DeLM透過壓縮驗證的gists共享失敗與限制，降低重複探索，提升上下文問答效能。
深度分析
斯坦福提出DeLM去中心化多代理框架，利用共享知識基底與任務佇列，讓代理直接協調。實驗顯示在SWE‑bench與LongBench‑v2上提升精準度約10%，成本減半。此技術或重塑AI產業的協調模式與開發者生態。此外，DeLM透過壓縮驗證的gists共享失敗與限制，降低重複探索，提升上下文問答效能。
Lanai Token Tuner
企業出現以代幣使用量衡量生產力的tokenmaxxing現象，導致成本膨脹且難以對應商業成果。Lanai推出Token Tuner，將代幣花費映射到工作流程與模型選擇，依據實際使用結果評估效率並提出降費建議。此法有助企業把焦點從代幣數量移回可衡量的產出，有機會降低浪費並提升投資效益。