佐賀偶像是傳奇夢幻銀河樂園（雷）

看到 C_Chat 版，才發現這部劇場版終於上映了。幸好台灣還沒有下檔，趕忙去威秀看。

整體作畫符合預期水準，歌好聽，劇情簡單粗暴爽。小遺憾是沒有訂到 4DX 的票，只能看普通版。

劇情緊接第二季結尾，真的在演殭屍大戰外星人。中間當然夾雜佐賀元素。某團員終於成功恢復了記憶，整個劇情中英姿颯爽，很遺憾恢復只是臨時的。期待這一部是否會有第三季！

全文連結

財劃法行政院不副署之我見

 個人認為不副署違憲，以下內容請 deep research 幫了億點忙後手動整理：

一、拒絕副署構成對總統憲法職權之實質妨礙

首先，依憲法第 72 條明文：立法院通過法律案後，總統「應」於收到後十日內公布。副署乃法律公布的必要程序環節，行政院長拒絕副署將導致總統無法履行公布法律之憲法義務。

憲法學者許宗力教授曾闡述「憲法機關忠誠」原則，強調「憲法機關忠誠指的是憲法機關彼此間所負之相互扶持、尊重與體諒的義務，不得阻撓其他憲法機關行使職權，也不得使其他憲法機關陷於癱瘓，其具有限制憲法機關權力濫用之功能。」。司法院大法官釋字第613號解釋理由書也明確指出：「惟權力之相互制衡仍有其界限，除不能牴觸憲法明文規定外，亦不能侵犯各該憲法機關之權力核心領域，或對其他憲法機關權力之行使造成實質妨礙」。

以上原理均旨在維護憲政體制中各機關職權行使之順暢與核心功能不受侵害。行政院聲「不副署是制衡立院的手段」，已逾越正當權力制衡之界限：任何制衡措施都不能以癱瘓他機關的憲法職權為代價。依憲法規定，總統應於立法院通過法律案後十日期限內公布，此為總統不可推卸之憲法義務；倘總統怠於公布即構成違憲。行政院長拒絕副署，將直接導致總統無從依法定程序行使職權公布該法律，使總統陷於違憲失職的困境。換言之，行政院長以消極不作為手段阻斷總統行使公布法律之職權，已對總統憲法職責造成實質妨礙，依上述原理應屬違憲的權力濫用。

二、拒絕副署違背憲法覆議機制、架空立法權

按照增修條文第三條第二項但書規定，在法律案覆議程序完成（立法院維持原案）後，行政院長「應即接受該決議」並執行之。然而拒絕副署意味著行政院長並未真誠履行「接受」立法決議的義務，而是透過程序瓶頸讓法案無法生效。這種作法形同由行政機關自行宣告法律無效，不但違反憲法權力分立原則架空立法權，更違反憲法覆議程序規定。

三、「副署」意義在於承擔責任，非賦與「額外實質審查權」

從比較憲法觀察，「副署」制度的設計旨在強調行政團隊願意承擔執行責任，而非賦予副署者對該決定內容的最終否決權或實質審查權，「副署是一項憲法規定，要求總理或部長簽署已由國家元首簽署的官方文件，國家元首簽署後即對該文件承擔政治和法律責任。」（A countersignature is a constitutional requirement requesting the Prime Minister or a Minister to sign an official act already signed by a head of state, who by signing it assumes political and legal responsibility for this act）

上述意涵可從日常組織運作類比理解：公司内部請假，需行政人員簽核，行政人員不簽即無效，董事長請假亦需行政人員副署，以確認請假流程完備，並進行後續作業。然而，行政人員副署意義僅在於「請假流程由本人負責」，若事後流程發生問題由其承擔責任；並不代表行政人員可以實質審查、否決董事長的請假。在請假要件符合規定的前提下，行政人員無權不簽，不簽即屬於逾越職權。

同理，在民主憲政運作中，立法院依法通過且程序完備的法律案移交總統公布時，行政院長的副署旨在責成「行政院長必須執行該法，並對執行負政治責任」，而不是給予行政院長二次否決機會。

四、其他論點反駁

有論者主張：行政院與立法院在憲法位階上「平級」，主張行政院無須配合立法院所通過之法律。然憲法機關間之平等，非否定憲法所明定之職權分工，此一關係可由組織運作之類比理解：在公司內部，業務部門與財務部門位階相同，然涉及財務申報事項時，業務主管仍須依財務承辦人意見辦理，並非因財務承辦人官位較高，而係因該事項屬於財務職權範圍。憲法機關間之互動，亦同此理。

另有論者主張，於憲政機制失靈（憲法法庭停擺）情形下，行政院得援引「抵抗權」拒絕副署法律。然依比較憲法通說 （連結），抵抗權僅於顯然、重大且立即不可回復之違憲侵害，且在所有制度內救濟途徑均已失效之極端嚴格情況下，始得成立，且其行使主體原則上限於人民，而不及於國家機關或公務員。歷史上抵抗權之適用，多涉及極權政體下對人民生命或基本人權之即時侵害，與一般政策性或預算性立法爭議存有本質差異。若承認行政機關得在非最嚴重、明顯情形得以抵抗權拒絕依法行事，將使公務員是否守法取決於恣意判斷，與法治國原則顯然不符。



TL;DR 

1. 拒絕副署將導致總統無法公布法律（憲72），屬妨礙總統行使憲法職權及義務。

2. 覆議失敗後行政院應即接受該決議（憲法增修條文3-2），覆議失敗後拒絕副署，讓法案無法生效，顯非「接受該決議」。

3. 「副署」本意在於「宣告對此負責」（請假須行政人員副署，只代表行政人員負責跑流程，不是有權審查）。將副署作為二次審查權濫用，違背副署制度本意。

4. 用「行政院與立法院平級，沒必要絕對服從」及「行政院有抵抗惡法的權力」均不成立。

• 「平級」不代表「不需尊重對方職權」。業務與財務平級，但牽涉財務，業務主管仍需服從財務承辦人意見，規定如此，與官位大小無關
• 抵抗權僅限極為嚴重、明顯無爭議、有立即無法恢復違憲侵害之特殊情形（例如極權政體即時侵害人民生命權），且屬人民對國家機器的防衛權，並非國家機關對守法的豁免權。

以上

全文連結

Autohotkey 自動監測啟動 VirtualBox VM

用 GPT 產生的腳本，蠻好用的 XD。作用是在每次 Windows 開機時，自動監測某個 VirtualBox VM 是否已經自動運行。如果沒有運行，就自動啟動它。

需求背景是研究計畫中請了一位學弟妹幫忙，而標註程式需要用到 Windows，結果學弟家裡只能使用 Mac 囧，只好自己在 VirtualBox 上架設一個 VM。如果不這樣做，線上的 VPS 提供者所給的套餐都很貴資源又少。用 1GB 或 2GB 的 RAM 搭一個 shared vCPU core 跑 Windows，性能實在不敢想像。

自己電腦建 VM，然後把 RAM 和 Disk 切多一些，使用FRP Tunnel出去，體驗實在好太多。唯一問題就是 ADSL 有時不穩定，這點還要設法剋服。

; --- settings ---
VBoxManage := "C:\Program Files\Oracle\VirtualBox\VBoxManage.exe"
VMName := "win10"
CheckIntervalMs := 1000 ; how often to check when running
BackoffAfterStartMs := 5000 ; wait a bit after starting to avoid rapid retries
; -----------------

#NoEnv
#SingleInstance, Force
SetBatchLines, -1

Loop
{
	; Build: "C:...\VBoxManage.exe" list runningvms | findstr /I /C:""Win10""
	Cmd := """"  VBoxManage  """" "list runningvms | findstr /I /C:" """""" VMName  """"""
	RunWait, % ComSpec " /C " Cmd, , Hide
	if (ErrorLevel != 0) {
	; Not found -> start headless
		Run, % """" VBoxManage """ startvm """ VMName """ --type headless", , Hide
		Sleep, %BackoffAfterStartMs%
	} else 
	{
		Sleep, %CheckIntervalMs%
	}
}

全文連結

影片：這才是審稿人眼中漂亮的 discussion！

出處

好影片，紀錄一下影片重點：

好的 Discussion 分成五步驟。所有討論都有一個目的：to tell people what they can know from your research！

一、概括當前研究

進行具體討論前，先對 current study 做一個回顧，因為讀者讀到 discussion 這里有可能已經忘記你研在幹麻，所以要提醒一下讀者。一段話就夠了！

* 再次指出你的研究問題（research question）
* 回顧你的研究方法（methodology）
* 強調重要研究成果（key findings）——注意是最核心的研究結果，而不是所有在 results 部分呈現的結果
* 告知讀者 discussion 的結構（the structure of discussion）：這部份 ChatGPT 給了一個示範，放在 Discussion 第一段最後一兩句：The discussion is organized into three parts. The first part interprets the key findings of this study. The second part compares these findings with previous literature. The final part addresses the limitations and provides directions for future research...


二、討論本研究與已有文獻的關系
discussion應該要和文獻對話里找到的文獻相呼應起來。
這一部分，核心問題：
* 你的研究結果是否與現有文獻「一致」？哪些一致？怎麼一致？
* 更重要：你的研究結果是否與現有文獻「不一致」？哪些不一致？
* 為什麼不一致？如何解釋它們的不一致？
要提出三點左右的發現和能解釋它們不一致的原因（這里需要大量的 critical thinking!）這里也需要盡量找到有參考文獻的支持！

同時可以討論，為什麼一些理由不適用於解釋當前的不一致？這樣會讓 discussion 部分顯得更加的 critical!

* The findings match those observed in earlier studies
* Our findings are in accord with recent studies indicating that…
* There are similarities between the current study and …

「與現有文獻不一致」萬能句型
* In contrast to/Contrary to earlier findings, however, …
* The results provide evidence against the widely held assumption in …
* The results/findings go exactly counter to the idea that …

「對結果進行解釋」萬能句型
* A possible explanation for this might be that…
* We speculate that this might be due to …
* Two types of accounts could be proposed for the …. The first account assumes that… The second account assumes that…
* The difference between … and … could be attributable to…

三、討論意外，或預料之外的發現（unexpected or surprising findings）

是否有一些結果是和預想的不符，意想不到的？可以從中進行討論，並給出解釋理由，比如是否有一些結果並不顯著（statistical significance）
其他次要的結果，也可以簡單的進行討論+解釋
更重要的是這些意外發現的價值在哪裡？對這個研究領域能有什麼樣的implication? Any new insights that emerged as a result of your research?

* Surprisingly, ...
* What is surprising is that...
* One unanticipated finding was that...
* Contrary to expectations, this study did not find...
* It is somewhat surprising that...

描述意外結果的 implication 萬能句型
* The experiment provides a new insight into the relationship between...
* These results should be taken into account when considering how to...
* The data contributes a clearer understanding of...
* While previous research has focused on X, these results demonstrate that Y.
* The findings have extended our knowledge of...


四、闡明本研究結果與相關理論模型的關系

說完和之前具體的 study 的關系，要開始討論理論部分了！這邊要把眼光放長遠，要想到整個bigger picture！這部分也是想要拿到高分的重點，因為這都是研究contribution！

* 基於你的研究結果，可以對現有的理論作出任何貢獻嗎？
* 你的結果是否與某理論觀點不符？
* 是否可以改變某個理論觀點？
* 或者可以補充一些什麼觀點？
* 是否可以基於你的研究，提出一個更新版的模型呢？


五、本次研究的不足之處（limitation）

任何一個研究都會有局限性，不可能有一個研究是完美的！所以只需要承認這些局限性就可以了，這里也是你critical thinking的展現之處。

* 有哪些局限性？（如樣本量小，研究結果普適性（generalisability）較低，實驗器材有局限性）
* 為什麼會有這些局限性？
* 這些局限性會帶來什麼影響？

全文連結

論文閱讀：Free Transformer

Arxiv 連結

來記錄一下最近在 GPT 幫助下讀過的最難的 paper：Free Transformer。這篇的數學難到撞牆。

這篇核心概念，就是在 Transformer 裡面明確在模型裡顯式引入潛變量 Z。（論文 Z 不是單一全局變數而是序列 Z1...ZT）

 

在原本 Transformer 結構，潛變量 Z （例如影片是正評、負評）是通過學習序列預測來進行隱式學習。這種方法存在幾個缺點。首先，要計算我們感興趣的變量 Z，會涉及很複雜的計算，並且這類計算容易出錯。只要序列生成中出現錯誤，整個序列以及根據該序列推導出的 Z 都會是錯誤的。此外，沒有顯式表達 Z，把產生 Z 建立在序列預測，也可能在新資料因為序列預測表現不同而影響泛化，這也是論文 (1)(2) 式舉例想表達的。


另一個難點是論文中 (3)。這個(3)邊際似然（marginal likelyhood）P(S)和論文中 loss function 有關，loss function 其中一部分近似 logP(S) 的證據下界（ELBO），因此當 loss 降低時，意謂 ELBO 提高，從而提高對 logP(S) 的下界。而 P(S) 基本上可以看作在先驗 P(Z) 下對 P(S|Z) 的期望。如果P(S)夠高，那麼在模型生成的過程中，只要採樣Z，就會有足夠的機會讓模型產生的 S' 能夠對應到真實的序列 S。而 Z1...ZT 並非參數，是隨機採樣出來的，編碼器參數（確定 Q）與解碼器參數（確定 P(S|Z)）才是需要學的。


接下來難點是所謂 free bit 設計。Free bit 目的在於避免 KL collapse ，也就是，VAE decoder 以及後面的模型直接將採樣的 Z 丟棄不用，然後 VAE 訓練出的分佈 Q(Z|S) 直接套先驗分佈，然後 KL Loss 歸零成功最小化，但 VAE 就整個沒用。為了避免這種情況，模型引入了 free bit，使得 Q 分佈與先驗分佈之間可以允許一定程度差異，不會計入 Loss。

接下是所謂的 Binary Mapping。它的模組有一層，不是直接輸出 2^H 次方個 output，而是將輸出 H 個互相獨立的 Binary Bit，具體輸出 class number 則是這 H 個 bit 對應的 binary number。學習 H 個（例如 16 個）互相獨立的 binary classification 會比直接學 2^H 個 class（如 65536 個）訓練更好，降低參數量、避免大多數輸出都是在 0 附近微調，訓練速度慢並且容易被 noise 干擾，也避免資料不夠長尾類別學不到。


剩下的部分是實際測試。首先是 free bit 的設定。Kappa 太低，模型表現與正常 Transformer 相同，實際上就是 KL collapse，導致 VAE 沒有作用。然後，當 Kappa 的值過大，模型會在 Z 藏太多資訊，實際上是 overfitting，測試中連雜訊都學進去了。然後後面 benchmark 的部份就沒有細讀。更多的細節我看不懂 XD

全文連結

讀論文：Less is More: Recursive Reasoning with Tiny Networks

連結

這篇論文挺有趣，裡面提到的 HMM 和 TRM 架構，讓我想到 RNN 。不過在RNN中，Recurrent 是讓 latent space 隨時間演化，最後 prediction 才參考一次 gold label 進行 BPTT，而這篇文章中的 TRM 每次遞迴的大步（deep supervision）都維護「當前答案 y」與「推理潛變數 z」並參考 training gold label 進行更新 z 修正 y。

全文連結

好文：The RAG Obituary: Killed by Agents, Buried by Context Windows

連結

這文章真是打動我心，明顯作者踩了一堆坑。RAG 本質就是 workaround，當 LLM context window 不夠長，無法塞進足夠資料的前提下，RAG 就是沒有辦法的辦法。RAG pipeline 很長，Chunking、Embedding、Search、Reranking 每個步驟都可以 fail。而且 upstream 爆了，往往 downstream 錯誤不會消失，只會放大，最終變成災難性的低準確度。而且 RAG 方法有先天缺陷。例如本文提到的，長文本之間會有複雜的依賴關係，一旦進行 chunking 可能某些語義或查詢路徑就不見了。

不過說這麼多，對我個人好像也沒什麼幫助啊。我司不想買，連 RAG 的單顯卡都下不來。真的要做 RAG 的話，也只能開源系統套一套，開源沒辦法，就真的沒辦法囉。至於像這篇說的一樣開發 agentic search，只能說夢裡什麼都有 XD

全文連結

為什麼論文不被送外審

連結

很好的影片，文中提到幾個我之前沒有想到的方法。首先，在 Introduction 部分引用目標期刊的相關文章，可達到15篇以上，最好是三年以內的，可以影響 IF 的計算，能引期刊主編、副主編的文章更好。如果沒有同樣的研究問題，可以引用上一層的背景問題。甚至為了做到這一點，可以每投一家期刊都重新改寫一次 Introduction。

還有就是，原來期刊副主編不會很認真地看論文，可能只是看完 cover letter 和 highlight，就決定這篇文章要不要送外審了。Cover letter 應該更有內容，包括研究方法、解決問題的方式，傳統方法存在的問題、本文的創新之處，文章的影響力，包含應用對象、結果、方法可行性。最後再總結一句，指出這篇文章符合本本期刊哪個主要研究方向。這種寫法比我原有 Cover letter 好太多了。（抓圖出自上方連結影片）

 

全文連結

用 ChatGPT 研讀論文成功

ChatGPT 真的是越來越強，生態系也比以前更成熟。我之前成功地用 GPT-5 進行 Vibe Coding，現在用它來幫我讀 Paper 的效果也非常好。我使用的 LobeChat，搭配 GPT-5 可以將 PDF 、檔案或圖片直接發送給大模型，讓它幫我讀論文，省去了我手動從 PDF 中抄文字、校正 LaTeX，然後再貼到大模型 的繁瑣步驟，讓我提問的效率大幅提升。GPT-5的總結能力也很強，只要告訴它我是大學生，現在只是學過大學程度的 deep learning 和哪些數學，再請 deep research 幫我制定 step by step 學習計畫，教我如何深入理解某篇論文。GPT 真的能把文章一步步拆解成我可以吸收的樣子。

這次試用目標是 Weakly-supervised Medical Image Segmentation with Gaze Annotations 這篇論文。因為我業務跟影像有關，對於 Computer Vision 和 Weakly Supervised Learning 有興趣。不過這篇論文我自己看完全看不懂。Deep research 和 GPT-5 拆解後真的能看懂了。這篇論文的核心其實就是訓練多個 Weakly Supervised Network，根據不同的粒度的 pseudo-label 訓練不同的 classifier。這些不同的 classifier 會使用一些特殊設計的 loss function 達成一致，以避免對 noise 的 overfitting。Core idea 其實幾句話就能講清楚，但自己看就是看不懂。

用 GPT 加上自己驗證，可以避免卡在鬼地方。沒有 GPT，光一句 Current noise-robust approaches are based on the symmetric or asymmetric assumptions of simulated noise...的 symmetric 是什麼意思，就要查半天，一個點就吸乾全部精力。又例如本文 isotropic Gaussian 和 dense CRF 的應用，我完全沒有學過相關數學和 Computer Vision 知識，所以根本無法看懂。請 GPT 解釋後大概明白其實它只是對 pseudo-mask 做微調，很快就能過掉難點。如果自己看就會卡在這，還以為這是重要的核心方法。

這次實驗非常成功，接下來我應該會用這個方法快速過掉自己感興趣的論文。目前有一些論文提醒服務，像是 StorkApp，可以自動找出我感興趣的論文。靠這個方法，希望就算沒有在博士班學習，也能快速跟上研究動態。


全文連結

第一次 Vibe Coding 成功！

這次需求是英文聽打。之前一直用 AudioPen。AudioPen 即使沒對口音做校正也非常精準，不過它的免費版有個致命的，官網上沒有提到的小問題，就是免費版竟然是有限制的！某天我在手機按下錄音，App 冷冷地告訴我不能用了，要用就要付錢！不過有七天免費試用期優（微笑）。之前一直想學 Vibe Coding，但沒想到好的題目。剛好遇到機會，直接拿這個題目開始做，用 VS Code + Cline + GPT-5 (BYOK) 搥一個 AudioPen 堪用替代品。

結果 GPT 一如既往比我聰明。我原本只想做個簡單的 Client，輸入 OpenAI API Key 存本機，對 Whisper 做 inference 就好。不過心念一動，想到最近某個 Google Gemini Vibe coding 爆雷的事情，還是決定把方案丟給 GPT-5，將 Reasoning 開最高，問一下這樣的計畫到底安不安全。果然 GPT 把我噴得滿頭滿臉，它給了幾個備選方案。我選了把金鑰保存在 Local 端且做成可攜的方案。

接下來就是被 GPT 教育的過程。例如：

Me：我可不可以輸入文字密碼，直接加密 API key 就行？
GPT：不行！你要經用雜湊 KDF 用 Argon2id 其中 target derivation time 至少 200-500ms，另外要有 16-32 byte 的 salt 12 bytes 的 nounce，金鑰長 32 bytes，加密用 AES-256-GCM blahblahblah
Me：恩，好 OwO （當事人大腦已失去回應，系統提示：找不到「20 年前學的應用密碼學」）

另外一次，我發現長語音會造成 App crash。我請 GPT 補 Error Logging，再把 dump 丟給 GPT-5 high reasoning，GPT-5 就直接告訴我這是 PyAudio 的哪個 function 因為什麼樣的原因造成 C runtime 的 stack overflow，然後就幫我把 code 改好。重新執行 Bug 也不見了，我完全沒進 debugger。

這樣一套做下來，發現我真的菜，擔心我到底價值在哪裡？雖然我還是有 function，例如我能告訴 GPT 該怎麼樣切模組，第一步做什麼第二步做什麼逐步做出來，但真正難搞的難點都是 GPT 做掉的，特別是資安，GPT 還提了些我聽都沒聽過的打法（例如 TOCTOU 之類）

以前總覺得寫 Code 是通靈。但我發現錯了，以前根本沒真的通過靈！用 Vibe Coding 才是真通靈，呼叫 AI Agent 就是請神上身施展道法，瞬間寫 code 品質還很好。App 穩定下來後，我還要好好讀 AI 生的 code，因為 AI 的產出比我手寫義大利麵程式碼更結構，看來更好讀、好維護、而且用了不少我還不懂的 Python 細節和技術。

不過這些折騰還是有收獲的。至少現在真的有了 APP，可以勉強實現 AudioPen 免費版和一咪咪的付費版功能，當然都有點劣化，也有些額外小問題，比如只有 PC 端，顯然沒有手機版，網頁版。程式 crash 得自己找問題，得自己申請 OpenAI API Key 搞定付費、金鑰授權...。呼叫 Whisper 和 GPT-4o-mini 顯然也不是真的免費，只是比直接買包好的產品便宜。當然最重要的是有成就感，這也是我自己整一套最重要的原因。

P.S 自己寫 Prompt 調模型做改寫後，發現模型 behavior 跟 AudioPen 很像。推測 AudioPen 很大可能是 Whisper 加上 GPT 改寫套殼 QQ

全文連結

第一篇 GPT 研究終於被 Accept

 搞很久的文章，終於前天被 JMIR Formative Research 接受了！！！回顧 FB 才發現這文章寫超過一年 QQ

這次有別 2023 年的好運氣。當年需要文章，手上剛好有好題目，正好有資料，剛好大樣本 real-world internal validation 沒人做，剛好 finetuned models 可以直接跑出好結果，所以那篇很快就有結果。

這次一開始就踩坑。因為上次作法嚐到甜頭，這次一樣採用基於 real-world observation 但與現有研究稍微有別的 target task 建立新賽道，避免跟人直球對決（我就廢），針對台灣特有報告寫法做 anomaly detection。少量平衡模擬樣本用 GPT 跑起來效果好，決定做下去，先來標個 10000 份資料（每個資料三個 label），為了標資料還自己做 Tampermonkey script 來 patch 標注程式。

10000 筆資料標完後就發現掉進水溝裡了。我完全沒考慮到真實世界數據極度不平衡會讓模型爛掉，和新冠快篩在低盛行率會篩出一堆 false positive 一樣道理。GPT 在 balanced data 上表現不錯（後來實驗 GPT-4o F1 能達到 0.96），但在 100:1 這種比例下，大模型表現整個拉，GPT-4 mini 當初 F1 score 0.15。Paper 準備進入垃圾桶。回顧文獻也發現，前面用 deep learning 解題的大佬們，benchmark 都默契採用 balanced synthetic data，大家都身法靈動、不約而同閃過這坑，只有 paper 沒仔細念的萌新掉進水裡。

但資料都標了，不想打水漂，加上自己業務經驗，覺得問題有極明顯結構化特徵，不應該做不出來。開始用各種異想天開的方法，從 ML、transformer、LLM，從 supervised 到（自創）unsupervised 方法全部試一遍，最後拯救這篇的竟然是 rule-based，imbalanced data F1 能拉到 >0.850。不過 rule-based 怕不好投稿，又設法把 GPT 加入 pipeline。最後發現 GPT 還是能起到作用，改善 rule-based 的 screening performance 才做出實驗。

投稿一樣不順利，desk reject 連發還沒有理由，最後在 JMIR 才遇到編輯善意提一句：這個研究 too formative，並推薦旗下有 IF 的期刊，文章才能活下來。

但 review 還是繼續蹲廁所，期刊找兩人，其中一位眼光非常毒辣，答起來很難。他認為，我主張模型表現不好是因為 class imbalance，但我沒有充分論證這一點。我必須探討 models 表現不好可能原因有哪些，才能跳到 class imbalanced 的結論。

對完全自學、基礎很差（現在還沒去做 numpy 復現 transformer 呢）的我，這要求有億點難。我就不能把 model 下載回來跑一遍交差就好嗎.jpg

這段時間看了很多資料，複習了統計和入門一點點 casual inference，還好現在有 GPT ，想不出來的問題至少能給關鍵字和概念，知道去哪找資料。期間還發生實驗事故，pipeline 參數有問題，跑的模型一開始就錯所以 Results 要重寫。這次 revision 花五個月，稿子增量 60%，補一大堆實驗和分析。好在期刊編輯非常 nice，對於原始文稿那粗陋的動線，直接給了改善文章的建議（甚至包含該用哪些字當標題！現在回想原本寫法沒被 desk reject 真的是佛心），reviewer 也認可了新實驗，總算文章可以過。

這次研究一大收穫，是發現 GPT 的潛力還可以深挖，以前只把 GPT 當高級翻譯和英修，後來發現它其實也可以模擬毒舌審稿人。只要提供稿子或段落，再用提示詞讓 GPT 扮演嚴格 Q1 期刊審稿人或統計專家，GPT 就會摘掉平常那和和氣氣的面孔，對稿子進行狠狠的終極侮辱。GPT 不保證對，但仍能提供有價值的意見。例如我統計作為外行，一開始文章模型參數點估計，後面竟然沒放標準差，這點就被 GPT 抓出來 highlight。一些 GPT 提示的問題，自己判斷、唸書唸文章後修改，文章品質真的能改善非常多。現在還有 deep research，連研究背景，可研究性都能幫忙了。

我也發現 GPT+Endnote 連動小竅門：有 Endnote citation 的文字很難用 GPT paraphrase，因為會破壞 Endnote 格式。後來發現可以 convert to unformatted citation，請 GPT 不動 citation 的情況下 paraphrase，改出來的結果，只要稍微把 unformatted citation 內的空白改好，竟然可以直接貼回 Word 轉回原本 Endnote citation。發現這招後噴研究計畫噴文章的速度就更快了 :P

這篇小文章，要感謝的人好多，我司本科單位和 AI 單位長官們，被我凹來標了幾百份資料的好同事 QQ。總算這篇能夠劃下句點，剩下的就是搞定 copyediting 跟 publish QQ

 

 

全文連結

空之軌跡重製 1st 上市

Steam 商店

時間過真快，本以為是有生之年的空之軌跡 FC 重製版竟然是已推出狀態，在 Steam 上看到想都不想就直接怒刷豪華版。

遊戲設計兼顧新老玩家。過場畫面刻意採用 04 年舊版黏土人角色，音樂可選最新版、Evolution 版或原版。進了遊戲秒選原版，04 年大學時代的原版音樂搭配重製過的 3D 即時運算畫面，老遊戲的情懷和新遊戲的感動一起拉滿。

 

遊戲 3D 畫面相比於 04 年舊版當然是壓倒性進步。即使是與時間較近（已經冷凍）的閃之軌跡相比，3D 運算自然程度和細節感覺也提升不少。法社的技術還是有進步。有 3D 運算表情即時渲染加全語音配音，人物形象變得更加生動，例如跳 tone 者．艾斯蒂爾．話癆．布萊特有了全語音和即時 3D 表情後帶來的煩躁感更增加了，希望後期戰鬥 S Break 可以清靜一點 XD 新繪師的風格跟 04 舊版差很多，略為影響情懷感但瑕不掩瑜。

 

現在唯一小問題是沒有時間和體力玩，昨天進了主選單就關遊戲睡覺，今天玩了快樂的 17 min 就覺得累了該下線睡覺，怎麼覺得有淡淡的哀傷呢？接下來就剩下 FF7 Remake 最後一部了，給我愛麗絲沒有Ｏ的世界線吧 QQ

 

 

全文連結

StorkApp 自動匯總可讀期刊論文

連結

StorkApp 是我偶然發現的一款小應用。一直有個困擾，就是可讀的期刊和文章太多，需要自動化的方法來匯總可讀的期刊。這個App試用版支持十個關鍵字，我直接指定十份不同的期刊 XD。現在，每天都有最新的 High impact factor 文章自動匯入，方便我挑選有興趣的去精讀。

全文連結

AudioPen 線上聽打軟體

連結

一直沒有找到理想的聽打軟體。網上有許多免費聽打軟體，但它們僅支援簡單輸入。一遇到醫療或研究等專業場景，準確度就會大幅下降，根本無法使用。我也試過一些中國軟體，功能雖然強，但需要安裝很多來自中國的軟體，感覺有點害怕。隨著 OpenAI 的 Whisper 興起，網上也有一些免費 GUI 可以串 API 來使用，但這些工具發展尚未成熟，總是有這樣那樣的小問題。Word 聽打雖然好用，但遇到中英混雜的情況，辨識也常常失敗。通常需要中文用聽打，英文則手動輸入，使用起來不方便。此外，面對專業詞彙時準確度也不夠。

今天試用的這款 AudioPen 解決了大多問題。我特意試過中英文混雜的醫療病歷，發現它能辨識度很好，遠勝網路免費產品甚至是 Word。使用時，只需在瀏覽器上操作，不必安裝 Client。功能簡單但實用，聽打輸入後，可以同時提供大模型整理好的版本和原始聽打版本。此外，它有手機 App，可以錄音後在電腦上取回聽打結果。目前我想到的各場景辨識正確率都很高，雖然有些小錯誤，但已經很滿意。這篇文章就是用 AudioPen 聽打後修改的，所以濃濃 AI 味 XD

全文連結

白帽 Wiki

連結

 新發現的好站。未來要在我司維護自己的服務，資安也該多懂一些了。只是藍隊要涉獵的東西好多，去上了 HITCON 的課還是有點沒頭緒，再努力吧。

全文連結

寫論文 revision 碎碎念

終於把文章 revision 送出去惹。

Revision 當初申請延長三個月，截止日就是今天，卡在凌晨 12:00 公主（ㄕㄣˇ ㄍㄠˇ）變回灰姑娘（ㄊㄨㄟˋ ㄍㄠˇ）前極限微操把 tracked change 版文章、乾淨版文章、圖片、point-by-point review ...等像暗器一樣一股腦擲出。

今天整個人都在極限狀態，起床大量咖啡 + B 群暴力提神，去醫院打點報告寫文章，中午發現忘了吃飯，一口氣在醫院弄到下午三點多差點鴿了跟家人的約會，回來再一波對 point-by-point 的驗證 + 修改 *N 總算處理完，現在嗑藥壓榨體力提神的副作用已經出現，這篇碎碎念邊打人邊暈，學術之路看來任重而道遠，不知道那些著作幾十篇的大神怎麼生文章的 QQ

不過總算可以安心睡覺 orz

全文連結

影片：90%被拒稿的論文都是因為你的idea太“虛”

影片連結

 這影片說到心坎裡了，模型縫合怪和方法移植，然後附上花裡胡哨的性能對比正是我最愛幹的事情。甚至我連縫模型的能力都沒有 QQ

重點：做研究別想一步登天。永遠先問自己三個問題
1. 當前問題的根本在哪裡：領域經典論文有沒有讀懂、讀透？
2. 現有方法的痛點在哪裡？
3. 你的解方是什麼？解方是針對哪個痛點設計？和別人的方法比起來如何？

全文連結

週末趕稿淚目

禮拜天想衝個文章進度，發現一不小心就寫破 10000 字了，然後整天都不見了！而且還沒辦法收尾，明天只能跟合作夥伴說聲歹勢。現在很慶幸，當初對出版社申請延長三個月（最大值），現在剩不到一個月。如果當初只寫一個月，現在就得 reject 。感覺即使有 GPT 加持，我的學術能力看來還是垃圾級。

另外，GPT 的學術和研發能力真的是遠超過我，不會做的實驗，例如怎麼分析 BERT 的 bad performance，問一下 GPT 然後對個文獻排除幻覺，就能照表操課了。我的研究問題用 GPT 和 BERT 表現很差，我把症狀講一講 GPT 竟然說出了我自創的 ensemble method 還順便推測為什麼這個方法表現會更好。請 GPT 指導的時候，還可以 prompt「你是醫學資訊領域 Q1 期刊嚴格甚至嚴苛的主編....」然後 GPT 就能像真人一樣，把你定到飛起來，整個人在空中螺旋打轉，嚇的我趕快說我只要投 Q2 (IF=2.1) 期刊而已，麻煩神通收一收。

大模型這麼好用，下一篇（淦！）研究計畫 or 合作主管年底建議我請的科技部計畫（淦！）乾脆請 GPT 或 Google deep research 老師來擬稿，我來補充好了，最好可以當個無情的實驗執行機，照 GPT or Gemini 老師的指導做完實驗就能發了 :P

全文連結

JLab Talk 入手

這兩天花約 $1800 買了 JLab Talk。原本做視訊簡報的時候，用的是不到 $200 webcam 內建的麥克風，聲音慘不忍睹，連我本人都聽不清楚自己講了啥。考量到未來簡報需求，看 Youtube 產品測試買了新機器。

換機後聲音品質好太多，原本糊成一團的聲音變得清清楚楚，以後視訊簡報應該不會氣死夥伴 XD

全文連結

Lobe Chat

連結
作為 ChatGPT 少量使用者（使用場景：寫論文、書信、自學遇到不會的問題請 GPT 施捨知識），因為感覺以我的使用量，用 Plus 訂閱每個月 20 鎂不划算，所以我一直都是用 custom client 搭配 OpenAI API 來使用 ChatGPT，用多少算多少，比 Plus 訂閱便宜很多。大多情況功能足夠使用，偶爾有需要再登入 ChatGPT 官網就好。

本來我一直用 NextChat 呼叫 OpenAI API，但後來 NextChat 商業化，Open Source 的 client 只給 source code 不給 binary build，官網 binary 指向他們自建的 service，擺明洽錢，我就搜尋後改用 LobeChat。適應花裡胡哨的界面後，發現這套其實比 NextChat 好用，特別是支援傳圖和附加檔案，現在要請 AI 解釋 PDF 表格、公式和看漫畫 OCR 可以直接螢幕抓圖了（淚目）！，於是正式把 NextChat 丟進垃圾桶了 XD

全文連結