[{"content":"這裡是 Chuan 的個人網站，你會在這裡看到\nHomelab / IT / Local LLM / 容器技術 / 虛擬化 / 網路 / 遊戲 / VTuber / 生活\n當然，最多的內容會是我個人的廢話\n","date":"2026年5月9日","externalUrl":null,"permalink":"/","section":"Chuan ONE","summary":"這裡是 Chuan 的個人網站，你會在這裡看到\nHomelab / IT / Local LLM / 容器技術 / 虛擬化 / 網路 / 遊戲 / VTuber / 生活\n當然，最多的內容會是我個人的廢話\n","title":"Chuan ONE","type":"page"},{"content":"","date":"2026年5月9日","externalUrl":null,"permalink":"/tags/dgx-spark/","section":"標籤","summary":"","title":"DGX-Spark","type":"tags"},{"content":"自從去年十月公司購入兩臺DGX-Spark以來，一直都在找一個速度不會太慢，同時又具備複雜解題能力的Local LLM模型\n這件事在DGX-Spark上面可能是空集合\u0026hellip;至少目前為止是\n目前的主力模型是Qwen3.6-35B-A3B，兩個禮拜前剛從Qwen3.5-35B-A3B升級上來的，這兩個型號的表現可以說是令人驚艷，僅35B參數量3B活躍參數就可以表現得比GPT-OSS-120B還要好上許多。在使用體感上，Agent性能與Tool Call方面也是大幅領先GPT-OSS-120B\n但是\nDGX-Spark有128GB統一記憶體誒?\n裝得下120B的機器只拿來裝35B是不是太浪費了一點\n於是就開始了不斷調校模型參數、微調選想\n想盡辦法讓他跑的又快又好的測試之旅\n模型設定 # 下面的模型全部用的都是vllm/vllm-openai的容器跑起來的服務，vllm參數大部分是網羅網路上各家的優點，自己不斷排列組合，試錯試出來相對比較好的參數，可能不會是社群上的最佳解答，如果要抄我的作業還請注意 XD\n另外，模型的本體檔案 .safetensors 我喜歡自己下載完，另外存到自己指定的路徑，而不是帶入 HF_TOKEN 參數在啟動時下載\nQwen3.5 35B-A3B # HuggingFace: Qwen/Qwen3.5-35B-A3B-FP8\n1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 --- services: qwen3.5: container_name: vllm-qwen3.5 image: vllm/vllm-openai:v0.18.0-cu130 restart: unless-stopped network_mode: \u0026#34;host\u0026#34; ipc: host volumes: - ~/models:/models deploy: resources: reservations: devices: - driver: nvidia count: all capabilities: [gpu] environment: - VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 command: \u0026gt; /models/Qwen/Qwen3.5-35B-A3B-FP8 --host 0.0.0.0 --port 18001 --max-model-len 524288 --gpu-memory-utilization 0.90 --served-model-name qwen3.5 --reasoning-parser qwen3 --enable-prefix-caching --enable-auto-tool-choice --tool-call-parser qwen3_coder --hf-overrides \u0026#39;{\u0026#34;text_config\u0026#34;: {\u0026#34;rope_parameters\u0026#34;: {\u0026#34;mrope_interleaved\u0026#34;: true, \u0026#34;mrope_section\u0026#34;: [11, 11, 10], \u0026#34;rope_type\u0026#34;: \u0026#34;yarn\u0026#34;, \u0026#34;rope_theta\u0026#34;: 10000000, \u0026#34;partial_rotary_factor\u0026#34;: 0.25, \u0026#34;factor\u0026#34;: 2.0, \u0026#34;original_max_position_embeddings\u0026#34;: 262144}}}\u0026#39; --api-key sk-VERY_SECRET_KEY Qwen3.5 如果加入 --kv-cache-dtype fp8 參數會無法啟動 Qwen3.6 35B-A3B # 與 Qwen 3.5 的差異\nvllm 版本升級到 0.20.0 KV-cache 指定用 fp8 格式 --kv-cache-dtype fp8 開啟MTP=2 HuggingFace: Qwen/Qwen3.6-35B-A3B-FP8\n1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 --- services: qwen3.6: container_name: vllm-qwen3.6 image: vllm/vllm-openai:v0.20.0-cu130 restart: unless-stopped network_mode: \u0026#34;host\u0026#34; ipc: host volumes: - ~/models:/models deploy: resources: reservations: devices: - driver: nvidia count: all capabilities: [gpu] environment: - VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 command: \u0026gt; /models/Qwen/Qwen3.6-35B-A3B-FP8 --host 0.0.0.0 --port 18001 --max-model-len 524288 --gpu-memory-utilization 0.90 --served-model-name qwen3.6 --reasoning-parser qwen3 --enable-prefix-caching --enable-auto-tool-choice --tool-call-parser qwen3_coder --kv-cache-dtype fp8 --max-num-batched-tokens 4096 --speculative-config \u0026#39;{\u0026#34;method\u0026#34;:\u0026#34;qwen3_next_mtp\u0026#34;,\u0026#34;num_speculative_tokens\u0026#34;:2}\u0026#39; --hf-overrides \u0026#39;{\u0026#34;text_config\u0026#34;: {\u0026#34;rope_parameters\u0026#34;: {\u0026#34;mrope_interleaved\u0026#34;: true, \u0026#34;mrope_section\u0026#34;: [11, 11, 10], \u0026#34;rope_type\u0026#34;: \u0026#34;yarn\u0026#34;, \u0026#34;rope_theta\u0026#34;: 10000000, \u0026#34;partial_rotary_factor\u0026#34;: 0.25, \u0026#34;factor\u0026#34;: 2.0, \u0026#34;original_max_position_embeddings\u0026#34;: 262144}}}\u0026#39; --api-key sk-VERY_SECRET_KEY Qwen3.5 122B-A10B # 要放得下122B模型只能找4Bit量化的模型，找了找最後選了RedHatAI做出來的NVFP4版本，理論上DGX-Spark對NVFP4的支援度很高\n參數基本上是抄Model Card的，但是我記得Qwen3.5對MTP的支援不好，所以這邊我有分別測關MTP跟MTP=2的狀況\nHuggingFace: RedHatAI/Qwen3.5-122B-A10B-NVFP4\n1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 services: qwen3.5: container_name: vllm-qwen3.5 image: vllm/vllm-openai:v0.20.0-cu130 restart: unless-stopped network_mode: \u0026#34;host\u0026#34; ipc: host volumes: - ~/models:/models deploy: resources: reservations: devices: - driver: nvidia count: all capabilities: [gpu] environment: - VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 - VLLM_NVFP4_GEMM_BACKEND=marlin - VLLM_USE_FLASHINFER_MOE_FP4=0 command: \u0026gt; /models/RedHatAI/Qwen3.5-122B-A10B-NVFP4 --served-model-name qwen3.5 --host 0.0.0.0 --port 8000 --async-scheduling --dtype auto --kv-cache-dtype fp8 --tensor-parallel-size 1 --pipeline-parallel-size 1 --data-parallel-size 1 --trust-remote-code --gpu-memory-utilization 0.90 --enable-chunked-prefill --max-num-seqs 4 --max-model-len 262144 --max-num-batched-tokens 8192 --reasoning-parser qwen3 --speculative-config \u0026#39;{\u0026#34;method\u0026#34;:\u0026#34;qwen3_next_mtp\u0026#34;,\u0026#34;num_speculative_tokens\u0026#34;:2}\u0026#39; --enable-auto-tool-choice --tool-call-parser qwen3_coder Nemotron-3-Super 120B # Nemotron-3-Super畢竟是NVIDIA的親兒子，HuggingFace上面就直接有完整的vllm啟動指令可以抄，甚至docker版本都準備好了\n基本上下面這一份完全是Model Card上面的內容，我只有改模型參數跟改成docker compose方式啟動container\nHuggingFace: nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4\n1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 services: nemotron3-super: container_name: vllm-nemotron3 image: vllm/vllm-openai:v0.20.0-cu130 restart: unless-stopped network_mode: \u0026#34;host\u0026#34; ipc: host volumes: - ~/models:/models deploy: resources: reservations: devices: - driver: nvidia count: all capabilities: [gpu] environment: - VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 - VLLM_NVFP4_GEMM_BACKEND=marlin - VLLM_FLASHINFER_ALLREDUCE_BACKEND=trtllm - VLLM_USE_FLASHINFER_MOE_FP4=0 command: \u0026gt; /models/nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4 --served-model-name nvidia/nemotron-3-super --host 0.0.0.0 --port 8000 --async-scheduling --dtype auto --kv-cache-dtype fp8 --tensor-parallel-size 1 --pipeline-parallel-size 1 --data-parallel-size 1 --trust-remote-code --gpu-memory-utilization 0.90 --enable-chunked-prefill --max-num-seqs 4 --max-model-len 1000000 --moe-backend marlin --mamba_ssm_cache_dtype float16 --quantization fp4 --speculative_config \u0026#39;{\u0026#34;method\u0026#34;:\u0026#34;mtp\u0026#34;,\u0026#34;num_speculative_tokens\u0026#34;:3,\u0026#34;moe_backend\u0026#34;:\u0026#34;triton\u0026#34;}\u0026#39; --reasoning-parser-plugin /models/nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4/super_v3_reasoning_parser.py --reasoning-parser super_v3 --enable-auto-tool-choice --tool-call-parser qwen3_coder Benchmark測試 # 由於是放在公司內供團隊使用，考量到會同時有Coding Agent與AI Agent跟大量併發請求\n所以我個人比較關注於速度方面的指標，特別是併發場景下的速度單一請求的速度\n因此只比較速度方面的指標，模型的能力與智商方面參考官方的說法就好\n測試使用的是llama-benchy，這是一個可適用於所有LLM後端的Benchmark工具\n只要LLM後端有提供OpenAI API相容的 /v1/chat/completions 端點就可以用\n測試時llama-benchy版本0.3.7\n測試參數 # llama-benchy --base-url http://127.0.0.1:18001/v1 \\ --model qwen3.5 \\ --api-key sk-VERY_SECRET_KEY \\ --tokenizer /path/to/Qwen/Qwen3.5-35B-A3B-FP8/ \\ --concurrency 1 2 4 8 --pp 2048 --tg 128 測試參數的部份基本上都一樣，僅各個模型的tokenizer不同而已 測試結果 # Qwen3.5-35B-A3B-FP8 (no-MTP)\nmodel test t/s (total) t/s (req) ttfr (ms) e2e_ttft (ms) qwen3.5 pp2048 (c1) 4009.02 ± 80.90 4009.02 ± 80.90 513.13 ± 10.36 513.13 ± 10.36 qwen3.5 tg128 (c1) 49.77 ± 0.10 49.77 ± 0.10 qwen3.5 pp2048 (c2) 4138.44 ± 17.21 2695.37 ± 621.94 804.91 ± 185.38 804.91 ± 185.38 qwen3.5 tg128 (c2) 72.17 ± 0.20 38.41 ± 1.92 qwen3.5 pp2048 (c4) 4193.79 ± 114.18 1827.23 ± 787.25 1322.46 ± 486.34 1322.46 ± 486.34 qwen3.5 tg128 (c4) 95.32 ± 1.80 27.73 ± 2.61 qwen3.5 pp2048 (c8) 4021.53 ± 3.90 1205.39 ± 833.24 2386.87 ± 1135.77 2386.87 ± 1135.77 qwen3.5 tg128 (c8) 115.43 ± 0.64 18.92 ± 2.76 Qwen3.6-35B-A3B-FP8 (MTP=2)\nmodel test t/s (total) t/s (req) ttfr (ms) e2e_ttft (ms) qwen3.6 pp2048 (c1) 4565.80 ± 193.56 4565.80 ± 193.56 450.55 ± 19.72 450.55 ± 19.72 qwen3.6 tg128 (c1) 59.00 ± 1.75 59.00 ± 1.75 qwen3.6 pp2048 (c2) 5262.23 ± 33.47 2731.41 ± 98.80 751.88 ± 27.24 751.88 ± 27.24 qwen3.6 tg128 (c2) 92.08 ± 0.04 46.63 ± 0.66 qwen3.6 pp2048 (c4) 5507.71 ± 8.14 1442.14 ± 48.08 1423.17 ± 47.16 1423.17 ± 47.16 qwen3.6 tg128 (c4) 127.24 ± 3.65 33.60 ± 1.46 qwen3.6 pp2048 (c8) 5561.15 ± 14.13 881.16 ± 252.13 2473.25 ± 526.49 2473.25 ± 526.49 qwen3.6 tg128 (c8) 172.29 ± 2.10 28.31 ± 2.56 Qwen3.5-122B-A10B-NVFP4 (no-MTP)\nmodel test t/s (total) t/s (req) ttfr (ms) e2e_ttft (ms) qwen3.5 pp2048 (c1) 1813.93 ± 116.01 1813.93 ± 116.01 1135.78 ± 75.55 1135.78 ± 75.55 qwen3.5 tg128 (c1) 16.29 ± 0.02 16.29 ± 0.02 qwen3.5 pp2048 (c2) 2142.90 ± 99.84 1072.39 ± 50.00 1916.49 ± 91.87 1916.49 ± 91.87 qwen3.5 tg128 (c2) 31.74 ± 0.81 15.87 ± 0.40 qwen3.5 pp2048 (c4) 2203.46 ± 54.94 613.46 ± 63.68 3376.13 ± 336.09 3376.13 ± 336.09 qwen3.5 tg128 (c4) 48.64 ± 0.68 12.55 ± 0.41 qwen3.5 pp2048 (c8) 956.27 ± 3.37 373.08 ± 256.90 10070.72 ± 6751.63 10070.72 ± 6751.63 qwen3.5 tg128 (c8) 42.06 ± 0.50 12.18 ± 0.47 Qwen3.5-122B-A10B-NVFP4 (MTP=2)\nmodel test t/s (total) t/s (req) ttfr (ms) e2e_ttft (ms) qwen3.5 pp2048 (c1) 1541.53 ± 90.61 1541.53 ± 90.61 1335.71 ± 79.84 1335.71 ± 79.84 qwen3.5 tg128 (c1) 10.44 ± 0.03 10.44 ± 0.03 qwen3.5 pp2048 (c2) 1554.01 ± 285.12 781.84 ± 140.72 2701.32 ± 438.35 2701.32 ± 438.35 qwen3.5 tg128 (c2) 18.57 ± 0.30 9.30 ± 0.13 qwen3.5 pp2048 (c4) 1706.71 ± 435.96 468.93 ± 88.40 4613.70 ± 1290.81 4613.70 ± 1290.81 qwen3.5 tg128 (c4) 29.06 ± 2.17 7.53 ± 0.47 qwen3.5 pp2048 (c8) 676.59 ± 2.91 302.44 ± 217.76 14060.28 ± 10118.51 14060.28 ± 10118.51 qwen3.5 tg128 (c8) 27.64 ± 0.11 7.62 ± 0.18 Nemotron-3-Super-120B (MTP=3)\nmodel test t/s (total) t/s (req) ttfr (ms) e2e_ttft (ms) nemotron-3-super pp2048 (c1) 1459.95 ± 31.19 1459.95 ± 31.19 1406.37 ± 30.08 1406.37 ± 30.08 nemotron-3-super tg128 (c1) 21.12 ± 2.64 21.12 ± 2.64 nemotron-3-super pp2048 (c2) 1507.16 ± 12.52 797.52 ± 43.66 2578.41 ± 140.78 2578.41 ± 140.78 nemotron-3-super tg128 (c2) 36.18 ± 1.97 19.14 ± 1.41 nemotron-3-super pp2048 (c4) 1443.43 ± 166.63 500.68 ± 201.80 4647.43 ± 1421.92 4647.43 ± 1421.92 nemotron-3-super tg128 (c4) 41.60 ± 1.48 13.52 ± 1.67 nemotron-3-super pp2048 (c8) 868.99 ± 5.34 316.90 ± 238.16 10839.04 ± 6589.63 10839.04 ± 6589.63 nemotron-3-super tg128 (c8) 39.72 ± 0.69 12.49 ± 1.48 篇幅關係，輸出表格僅保留重點指標，刪除 peak t/s, peak t/s (req), est_ppt (ms) 欄位 結論 # 我個人主觀的模型速度底線是 20 token/s\n低於這個速度，我會認為這個模型是慢到不可用的\n雖然DGX-Spark有128GB的大容量統一記憶體\n但優勢也僅有大容量而已，受限於LPDDR5x頻寬只有273GB/s\n跑參數量稍微多一點的模型就慢到不行\n模型 參數量 量化 MTP 單併發平均速度 四併發平均速度 qwen3.5 35B-A3B FP8 no 49.77 27.73 qwen3.6 35B-A3B FP8 2 59.00 33.60 qwen3.5 122B-A10B NVFP4 no 16.29 12.55 qwen3.5 122B-A10B NVFP4 2 10.44 7.53 nemotron-3-super 120B-A12B NVFP4 3 21.12 13.52 這邊沒有測Qwen3.6關MTP的情況，無法斷言MTP對速度的影響，不過在Qwen3.5 122B-A10B的情況下，開啟MTP=2反而會讓速度下降不少\n綜合考量下來\n我會推薦以Qwen3.6 35B-A3B作為公司內的主力模型使用\n然後用yarn把Context開到524288盡量用滿RAM，滿足大上下文使用需求\n如果是個人用我才會推薦跑120B左右NVFP4量化的模型\n在滿足複雜解題能力的情況下才不會太慢\n當然，如果公司內比較需要複雜解題能力，那還是只能跑120B的模型\n為什麼不測Qwen3.5/3.6 27B呢?\n因為27B是Dense模型，全部的27B都是活躍參數\n35B-A3B是MoE模型，每個token僅3B活躍參數\n速度快的關鍵就是MoE讓每個token只有3B的參數在參與推論\n如果27B全部都下去跑，速度可能只有10 token/s甚至不到\n所以我就沒測試這部份了\n不過，如果你家裡有一張VRAM\u0026gt;24GB 的GPU 如 3090/4090等\n跑一個GGUF Q4量化的 Qwen3.6 27B應該是會非常強\n以下是我能查到的一些記憶體頻寬數值\n可以看到DGX-Spark的記憶體頻寬低的可憐 QQ\n型號 記憶體類型 容量 記憶體頻寬 DGX Spark LPDDR5x 128 GB 273 GB/s1 RTX PRO 6000 Blackwell GDDR7 ECC 96 GB 1,792 GB/s2 RTX 5090 GDDR7 32 GB 1,792 GB/s3 RTX 5080 GDDR7 16 GB 960 GB/s4 RTX 5070 Ti GDDR7 16 GB 896 GB/s5 RTX 4090 GDDR6X 24 GB 1,008 GB/s6 RTX 3090 GDDR6X 24 GB 936 GB/s7 https://docs.nvidia.com/dgx/dgx-spark/hardware.html\u0026#160;\u0026#x21a9;\u0026#xfe0e;\nhttps://www.nvidia.com/en-us/products/workstations/professional-desktop-gpus/rtx-pro-6000\u0026#160;\u0026#x21a9;\u0026#xfe0e;\nhttps://www.nvidia.com/en-us/geforce/graphics-cards/50-series/rtx-5090\u0026#160;\u0026#x21a9;\u0026#xfe0e;\nhttps://www.nvidia.com/en-us/geforce/graphics-cards/50-series/rtx-5080\u0026#160;\u0026#x21a9;\u0026#xfe0e;\nhttps://www.nvidia.com/en-us/geforce/graphics-cards/50-series/rtx-5070-family\u0026#160;\u0026#x21a9;\u0026#xfe0e;\nhttps://www.nvidia.com/en-us/geforce/graphics-cards/40-series/rtx-4090\u0026#160;\u0026#x21a9;\u0026#xfe0e;\nhttps://www.nvidia.com/en-us/geforce/graphics-cards/30-series/rtx-3090-3090ti\u0026#160;\u0026#x21a9;\u0026#xfe0e;\n","date":"2026年5月9日","externalUrl":null,"permalink":"/posts/dgx-spark-models-2026q2/","section":"文章","summary":"挑選與測試主力使用的Local LLM紀錄","title":"DGX-Spark LLM模型選擇 (2026Q2)","type":"posts"},{"content":"","date":"2026年5月9日","externalUrl":null,"permalink":"/categories/local-llm/","section":"分類","summary":"","title":"Local LLM","type":"categories"},{"content":"","date":"2026年5月9日","externalUrl":null,"permalink":"/tags/vllm/","section":"標籤","summary":"","title":"VLLM","type":"tags"},{"content":"","date":"2026年5月9日","externalUrl":null,"permalink":"/categories/","section":"分類","summary":"","title":"分類","type":"categories"},{"content":"","date":"2026年5月9日","externalUrl":null,"permalink":"/posts/","section":"文章","summary":"","title":"文章","type":"posts"},{"content":"","date":"2026年5月9日","externalUrl":null,"permalink":"/tags/","section":"標籤","summary":"","title":"標籤","type":"tags"},{"content":"","date":"2026年5月3日","externalUrl":null,"permalink":"/tags/chuan-one/","section":"標籤","summary":"","title":"Chuan ONE","type":"tags"},{"content":"","date":"2026年5月3日","externalUrl":null,"permalink":"/tags/hugo/","section":"標籤","summary":"","title":"Hugo","type":"tags"},{"content":"","date":"2026年5月3日","externalUrl":null,"permalink":"/categories/%E7%94%9F%E6%B4%BB/","section":"分類","summary":"","title":"生活","type":"categories"},{"content":"","date":"2026年5月3日","externalUrl":null,"permalink":"/tags/%E5%80%8B%E4%BA%BA%E7%B6%B2%E7%AB%99/","section":"標籤","summary":"","title":"個人網站","type":"tags"},{"content":" 這是第一篇文章 # 嗯，這就是第一篇文章\n懶懶病了好多年\n終於下定決心要把個人網站弄起來了\n先這樣吧，其它東西改天再弄\n","date":"2026年5月3日","externalUrl":null,"permalink":"/posts/first-post/","section":"文章","summary":"這是第一篇文章 # 嗯，這就是第一篇文章\n懶懶病了好多年\n終於下定決心要把個人網站弄起來了\n先這樣吧，其它東西改天再弄\n","title":"值得紀念的第一篇文章","type":"posts"},{"content":"","externalUrl":null,"permalink":"/authors/","section":"Authors","summary":"","title":"Authors","type":"authors"},{"content":"","externalUrl":null,"permalink":"/series/","section":"Series","summary":"","title":"Series","type":"series"},{"content":" 關於我的頁面還沒有完工，未來會慢慢補上內容 關於我 # 我是Chuan，網名chu3an\n如果你從別的管道認識我有不一樣的名字，那也是我\n興趣與非常廣泛，但大多數都不精\n(待補充)\n這個網站的由來 # 有一張流傳許久的謎因\n在學Coding的過程中，常常會搜尋到一些奇怪的個人網站\n你不認識這個人，但是這個人的文字能解掉你苦惱好久的問題\n或是能給一點解題方面的靈感\n大概吧\u0026hellip;\n我也受惠這些random blog不少，一直在想我也要弄一個我的個人網站\n這件事情一直被我放在心上，但是不斷的改天再弄\u0026hellip;改天再弄\u0026hellip;\n某天突然意識到，現在都AI時代了，弄個個人網站應該不難吧\n於是下定決心把網站弄起來\n生成式AI使用聲明 # 這個網站內絕大部份的文字都是我本人親手在鍵盤上敲出來的\n如果有生成式AI產生的文字段落，會另外明確註明\n生成式AI會用在下列情境:\n網站主體架構的維護\n請AI Agent查Hugo主題文件，調整CSS或是網站設定\u0026hellip;等 文章內容的事實查核\n查文章內的敘述是不是與事實有出入、過於誇大\u0026hellip;等\n但是修正與編輯依然是本人親自敲鍵盤 生成首圖或示意圖\n有時候需要搭配圖像輔助說明，可能會使用到AI產生的圖像\n只要是AI產生的圖像一定會明確註明 聯絡 # Feel free to contact me\nEmail: contact@chu.one GitHub: https://github.com/chu3an ","externalUrl":null,"permalink":"/about/","section":"Chuan ONE","summary":" 關於我的頁面還沒有完工，未來會慢慢補上內容 關於我 # 我是Chuan，網名chu3an\n如果你從別的管道認識我有不一樣的名字，那也是我\n","title":"關於","type":"page"}]