Anthropic 上週宣布，6/15 起訂閱額度一分為二。

1. 人類在場、有互動的 Human-in-the-loop 用途（像是 Claude Code 日常使用）繼續吃原本的額度
2. 自動化工作流 Away From Keyboard（AFK）則改吃獨立的月度 credit——Pro 給 $20、Max 5x 給 $100、Max 20x 給 $200

這對 AFK 工作流和 harness engineering 來說是一記重拳，但同時也是重新審視自己 agent infra 的好時機。

- 閱讀剩餘部分 -

OSM 的隱藏陷阱：以 λ 指數修正志願者貢獻偏差

系列 A 第三篇 / 本系列的核心方法論貢獻。台中 OSM 建築數量 2018→2025 增長 392%，但其中有多少是真實建設、多少是社群回填？本篇提出一個可量化、可控制修正強度的 λ 偏差修正指數。

一、問題：392% 的增長，有多少是「真的」？

先檢視台中市 OSM 數據 8 年的原始增長：

採樣點 500m 範圍內的「平均建築數量」更為顯著——從 2018 年的 27.6 棟，增至 2025 年的 136 棟，+392.1%。

- 閱讀剩餘部分 -

今天來試用看看 unity 的 ai assistant，官網連接：https://unity.com/features/ai，進入官網後往下拉，看到添加了 Assistant、Gateway、MCP 模塊

點擊上面的 start 進去申請，申請試用必須遞交支付（0元、14天試用），支持完成后收到試用通知

然後看到開啓項目通知

- 閱讀剩餘部分 -

map3d 開源 3D 城市地圖生成工具技術解析

技術背景

傳統 3D 城市模型製作流程繁瑣，需要手動建模或購買付費資料源（如 ArcGIS Urban），且專有格式難以跨工具流通；既有免費方案（Google Earth 3D、Cesium OSM Buildings）存在需登入、無直接 GLB 導出、格式複雜等門檻。

建構一個零門檻的 Web 工具，讓使用者在地圖上框選區域後，於數秒內生成可直接匯入主流 3D 軟體的城市模型，將原本耗時數週的工作壓縮到秒級。

- 閱讀剩餘部分 -

在這裡面我們來探討如何使用 cv 分析城市演化，話句話說就是分析城市規模變化

衛星影像的三個低成本量化指標（無需深度學習）

系列 B 第一篇：運用 Canny 邊緣偵測、Otsu 二值化、Shannon 紋理熵這三項傳統電腦視覺技巧，將衛星影像壓縮為三個可橫向比較的數值。每個指標的核心邏輯不超過 10 行程式碼，處理 8 年 × 44 張影像耗時不到一分鐘。

一、而為何不直接採用深度學習

在進行衛星影像的城市量化分析時，往往是第一直覺「丟進 ResNet 抽取特徵」或「用 U-Net 做建築分割」。然而，這條路徑存在幾個現實層面的問題：

- 閱讀剩餘部分 -