在上一篇文章 《我的生成式 AI 使用經驗分享》 中，我測試了 Qwen、Gemma、Deepseek 與 Taide。當時的結論是：雖然 Qwen 和 Gemma 很強，但總免不了需要「新同文堂」外掛來修正簡體用語；而本土的 Taide 雖然立意良好，但穩定性仍有待加強。 最近，台灣團隊 Twinkle AI 釋出了一款基於 Google Gemma 3 4B 架構微調的模型—— TwinkleAI/gemma-3-4B-T1-it 。它主打針對 台灣法律、政府公文、在地人文 進行深度優化 。身為一個重視資安與在地化體驗的 IT 人，當然要立刻在我的 Debian 環境上實測看看，它是否能成為我們期待已久的「台灣隊」解答。 💻 測試環境 延續之前的硬體配置，我依然是在中階 GPU (6GB VRAM) 的環境下進行測試。 OS: Debian 13 (Trixie) GPU: Nvidia GeForce GTX 1060 (6GB VRAM) 工具: Ollama + Open WebUI 模型: TwinkleAI/gemma-3-4B-T1-it 為什麼是 4B？ 對於我們這種不想花大錢租雲端算力、又想在本地端跑 AI 的使用者來說， 4B (40億參數) 是一個非常甜蜜的點。它比 7B 更輕量，推理速度飛快，而且對 VRAM 的需求極低，舊顯卡也能跑得嚇嚇叫。 🚀 實測重點：它真的懂台灣嗎？ 這次我針對之前幾個模型的痛點進行測試，看看 T1-4B 表現如何。 1. 台灣用語在地化測試 (修正「支語」？還差一點！) 以往使用國外模型，最頭痛的就是它滿口「視頻」、「質量」、「信息」。針對這一點，T1-4B 的表現如何？ 測試 Prompt: 請比較「視頻」與「影片」、「質量」與「品質」這兩組詞彙的差異，並說明在台灣通常使用哪一個？ T1-4B 回答摘要 (實測結果): 關於視頻 vs. 影片： 它正確...
面對大量相片時，傳統手動整理、命名與修復既辛苦又耗時。透過兩支自動化 Shell 腳本與 AI 工具 CodeFormer，可以實現相片批次命名、縮圖、AI 修復、格式轉換與備份的一條龍作業，極大提升效率。 工作流程詳述 1. 匯入相片並命名資料夾 將拍攝好的相片傳入任意資料夾，並將該資料夾命名為「拍攝日期_分類+事件描述」，例如： 20251104_旅遊_阿里山 方便追蹤跟管理。 2. 自動命名相片（photorename2.sh） 運行 photorename2.sh ，依據相片的 EXIF 資訊自動讀取拍攝時間（Image Created）和相機型號（Camera Model），再依照格式： 時分_相機型號_序號.副檔名 自動重命名相片檔案，例如： 1030_Canon_001.jpg 若照片缺少拍攝時間則用檔案的修改時間代替。命名後的檔案方便辨識該張照片的基本資訊。 3. 縮圖並 AI 修復（aiphoto2.sh） 運行 aiphoto2.sh ，它會先呼叫 photorename2.sh 進行命名，再將照片依「最長邊1920像素」限制縮放，並呼叫 CodeFormer 進行人像修復、背景優化及彩色化等處理。 最後會將修復完的照片轉為 4K 解析度 JPG，90%壓縮率，以兼顧畫質與檔案大小。修復後會搬回原始資料夾並依「拍攝日期_分類+事件描述_時分_相機型號_序號」命名。 4. 原始相片壓縮保存 原始相片會集中移到一個子資料夾並壓縮打包，確保有完整原始備份且不占用過多空間。 5. 靈活使用 由於 CodeFormer AI 修復需要較多資源與時間，若不需精細處理，只執行 photorename2.sh 即可快速完成命名及匯整，保持 EXIF 資訊完整。 腳本內容詳列 photorename2.sh — 自動依拍攝時間、相機型號重新命名 #!/bin/bash count=1 shopt -s nullglob files=(*.jpg *.JPG *.jpeg *.JPEG *.png *.PNG *.tif *.TIF *.tiff *.TIFF) for file in "${files[@]}"; do # 取得 Camera Model model=$(...