🔴 L1 - 平台級更新
Mistral 開放 Mistral Large 4 公開預覽，開放權重預計 10 月底前釋出 L1
信心度: 高
重點: Mistral 於 2026 年 10 月 6 日開放 Mistral Large 4（官方暱稱 ML4、le Chonk）公開預覽，預覽 API 可在 Mistral Studio 使用。官方描述它是原生多模態、採 Mixture-of-Experts 架構的開放權重模型：公告寫 1 兆參數、52B 活躍參數，文件頁列為 1.05T 總參數、52B 活躍參數與 1.6B 視覺編碼器，context 為 1M。公告列出的價格是每百萬 token 輸入 1.36 美元、輸出 4.18 美元；文件頁目前把這組價格劃線，另標示 Sale price 輸入 0.68 美元、輸出 2.09 美元，沒有說明優惠期限。權重尚未釋出，Mistral 表示會在本月底前公開，屆時補充架構細節、更多基準測試與後訓練方法，授權條款目前沒有說明。官方公布的成績包括 Coding Agent Index 49.8%、DeepSWE v1.1 61.7%、Cybench 93%，並稱在 Artificial Analysis Cyber Index 排進全球前五，這些數字來自 Mistral 自測或其引用的第三方評測。權重釋出前，Mistral 會讓資安業者、經審核的夥伴與政府單位以較寬鬆的內容審核和擴充的資安能力存取同一個模型做紅隊測試。
影響: 需要可自行部署的大型模型的團隊，以及有資料主權要求的歐洲企業最受影響：現在只能透過託管 API 評估，自架要等月底權重釋出，文件頁的 GPU 記憶體需求欄位仍是 N/A。既有 Mistral API 使用者可以把模型名稱換成 mistral-large-4 直接比較。
詳細分析
取捨考量
優點:
- 官方承諾月底前釋出開放權重，並表示之後可在私有雲或地端執行
- 文件頁列出 1M context，並支援 /v1/chat/completions、function calling、structured outputs 與 /v1/batch
- 預覽版由 Mistral 自有的歐洲資料中心提供服務，官方表示歐洲部署由 Mistral 端到端營運並適用歐洲法律
缺點:
- 權重、授權條款與自架硬體需求都還沒公布，目前只能使用託管 API
- 成績多為 Mistral 自述或其引用的評測，官方也表示模型仍在調整，數字可能變動
- 參數數字說法不一：公告寫 1 兆、文件頁寫 1.05T，Let's Data Science 等媒體報導 49B 活躍參數，與官方的 52B 不同
快速體驗（5-15 分鐘）
- 到
https://console.mistral.ai/ 登入 Mistral Studio 並取得 API key - 把既有 chat completions 請求的
model 改成 mistral-large-4，用 5 到 10 個自己的實際任務與目前使用的模型比較輸出與延遲 - 開啟
https://docs.mistral.ai/models/mistral-large-4，確認當下顯示的價格（原價或 Sale price）與 1M context 後再估算成本 - 打算自架的團隊，月底前回到同一頁的 Weights 分頁，查看權重、授權與 GPU 記憶體需求是否已公布
建議
現在先用託管預覽 API 在自己的任務上評估，不要只看官方成績。需要自架或有授權顧慮的團隊，等月底權重、授權與硬體需求公布後再做決定。
來源: Mistral 官方公告 (官方) | Mistral 文件：Mistral Large 4 模型頁 (文檔) | iNews Zoombangla (新聞)
OpenAI 以公開測試版推出 Decisions API，用 gpt-6-luna 回傳型別化的判斷結果 L1
信心度: 高
重點: OpenAI 的 API changelog 在 2026 年 10 月 6 日記載 Decisions API 以 beta 釋出並搭配 gpt-6-luna，官方指南稱目前是 public beta，預計未來數週內 GA。這個 API 使用獨立端點 POST /v1/decisions，輸入文字、圖片或兩者，針對開發者定義的問題回傳型別化答案，而不是生成的文字。問題分三種：predicate 回傳條件成立的機率（0 到 1），choice 從開發者提供的選項中選一個，score 依有序等級回傳機率加權平均分數；choice 與 score 會附上 probabilities 與 confidence。官方稱速度約為 Responses API 的 10 倍，但沒有提供延遲數字或測試條件。價格為 gpt-6-luna 每百萬輸入 token 0.10 美元，只收輸入 token，不收快取讀寫與輸出 token 費用，區域處理加價與長 context 輸入倍率仍然適用。這個 API 先前於 9 月 29 日的 DevDay 以 limited preview 公布。
影響: 用 LLM 做內容分類、請求路由與排序的開發者，可以改用固定選項的判斷呼叫，成本只算輸入 token。目前只支援 gpt-6-luna，圖片必須以 inline base64 data URL 傳入，不支援託管的圖片 URL 與 file_id。
詳細分析
取捨考量
優點:
- 只收輸入 token（gpt-6-luna 每百萬 0.10 美元），沒有輸出與快取費用，高流量分類與路由的成本容易估算
- 回傳機率與 confidence，應用程式可以自己設定門檻，不必解析模型生成的文字
- 符合資格的客戶可使用 Zero Data Retention 與 HIPAA，資料落地支援美國與歐洲（EEA 加瑞士）
缺點:
- 仍是 public beta，只有 gpt-6-luna 一個模型，GA 時間只說未來數週
- 快 10 倍是 OpenAI 自己的說法，官方指南沒有延遲數字、測試條件或分類準確度資料
- 需要自訂 JSON 結構或文字解釋時，官方仍建議使用 Responses API 的 Structured Outputs
快速體驗（5-15 分鐘）
- 開啟
https://platform.openai.com/decisions 的 Playground，用自己的資料試 predicate、choice、score 三種問題 - 對
POST https://api.openai.com/v1/decisions 送出 model（gpt-6-luna）、input 與 questions（每題含 type、name、instructions，choice 題另加 choices），檢查回應 answers 陣列裡的 choice、probabilities 與 confidence - 使用 SDK 前先升級到官方列出的版本：Python 3.26.0、JavaScript 7.30.0、Go 3.73.0、Ruby 0.101.0 或 Java 4.78.0 以上，再呼叫
client.decisions.create(...) - 挑一個既有的分類或路由呼叫，用相同輸入比較 Decisions API 與原本做法的延遲、費用與判斷一致性
建議
已經用 LLM 做分類、路由或是非判斷的團隊，值得現在用 Playground 和一小批真實資料測試準確度與延遲。因為仍是 beta 且只有單一模型，正式環境先保留原本的路徑。
來源: OpenAI API Changelog (官方) | OpenAI 文件：Decisions API 指南 (文檔) | NYU Shanghai RITS (新聞)
🟠 L2 - 重要更新
Google 發布 EmbeddingGemma 2，Apache 2.0 授權的裝置端多模態嵌入模型 L2
信心度: 高
重點: Google 於 2026 年 10 月 6 日發布 EmbeddingGemma 2，以 Apache 2.0 授權開放，把文字（含程式碼）、圖片、影片與音訊對應到同一個 768 維向量空間。模型共 7.4 億參數，純文字只需 2.7 億，視覺（1.7 億）與音訊（3 億）編碼器可選擇性載入；context 為 8K token，並可用 Matryoshka Representation Learning 把向量截短到 512、256 或 128 維。Google 表示量化後在 Pixel 11 Pro 上，純文字權重約需 191MB RAM、完整多模態約 567MB，MTEB Code 分數由前代的 68.76 升到 78.68。
影響: 做本機搜尋、裝置端 RAG 或程式碼語意搜尋的開發者，多了一個可商用、可離線執行的多模態選項。權重已上架 Hugging Face 與 Kaggle，官方列出的支援工具包括 transformers、sentence-transformers、MLX、vLLM、llama.cpp、Ollama 與 LM Studio。
詳細分析
取捨考量
優點:
- Apache 2.0 授權，權重在 Hugging Face（google/embeddinggemma-2）與 Kaggle 提供
- 模組化設計：純文字工作只載入 2.7 億參數，可依需求加上視覺或音訊編碼器
- 向量截短最多可減少 6 倍儲存空間，8K context 是 EmbeddingGemma 1 的 4 倍
缺點:
- 模型卡顯示截到 128 維時多模態成績明顯下降（MMEB v2 Overall 由 59.01 降到 45.65），並建議 128 維先用自己的工作負載驗證
- 多語文字成績與前代接近（MTEB multilingual v2 為 61.36 對 61.15），純文字使用者的升級效益主要在程式碼與較長的 context
- 不能用 float16 推論，模型卡警告會回傳 NaN 或品質下降的向量而不報錯
快速體驗（5-15 分鐘）
- 安裝套件：
pip install -U sentence-transformers transformers - 用
SentenceTransformer("google/embeddinggemma-2") 載入模型，查詢用 model.encode(query, prompt_name="SearchQuery")、文件用 prompt_name="Document" 產生向量 - 只做純文字時，在
config_kwargs 傳入 {"vision_config": None, "audio_config": None}，只載入 2.7 億參數 - 要省儲存空間時，在
model.encode() 傳入 truncate_dim=256 與 normalize_embeddings=True，比較截短前後的檢索結果
建議
正在用 EmbeddingGemma 或其他小型嵌入模型做本機檢索的團隊，可以先用自己的資料比較檢索品質，尤其是程式碼與多模態搜尋。截到 128 維之前先驗證品質。
來源: Google 官方部落格 (官方) | Hugging Face 模型卡：google/embeddinggemma-2 (文檔)
OpenAI 公開未發布內部模型產出的 722 篇數學手稿，部分附 Lean 形式化證明 L2
信心度: 高
重點: OpenAI 於 2026 年 10 月 6 日在 GitHub 的 openai/math 公開一批由未發布內部模型產出的數學手稿與證明材料，以 Apache-2.0 授權釋出，首版目錄為 722 篇手稿、372 個家族，另附 10 個家族的模型推理摘要。README 說明模型約被提出 4,000 個問題，平均每個結果使用約三小時的 ChatGPT Pro thinking 運算量，並提醒未形式化的結果可能有問題。10 月 7 日的更新因一處正負號錯誤撤回 3 篇、修訂 14 篇，目錄降為 719 篇，history.md 記載主要結果已有 Lean 形式化的比例為 300 / 719（約 42%）。
影響: 數學與形式化驗證社群可以直接檢查這些手稿與 Lean 證明；對一般開發者，這是觀察前沿模型研究能力的公開樣本。發布隔天就有 3 篇撤回，README 也明講未形式化的結果可能有問題，引用前需要獨立查核。
詳細分析
取捨考量
優點:
- 手稿、原始檔、Lean 函式庫與形式化目錄（
lean/formalization.yaml）全部公開，採 Apache-2.0 授權 - 保留公開版本歷史，更正與撤回都記錄在
history.md，舊版仍可取得 - 同時公布嘗試的題數（約 4,000 題）與平均運算量，而不只列出成功的結果
缺點:
- 依 history.md 的 300 / 719 計算，仍有約 58% 的主要結果沒有 Lean 形式化，README 承認未形式化的結果可能有錯
- 模型未發布也未具名，外部無法重現產出過程
- 材料目前放在 OpenAI 自己的 repo；Unite.AI 報導 IAS 的數學與 AI 諮詢小組建議把結果存放在不受 AI 實驗室控制的儲存庫，OpenAI 表示仍在評估社群託管方案
快速體驗（5-15 分鐘）
- 開啟
https://github.com/openai/math，先讀 overview.pdf 了解各家族，再用 CONTENTS.md 找到個別手稿 - 閱讀
history.md，確認想引用的手稿是否已被撤回或修訂 - 要驗證形式化證明時，依
lean/README.md 與 lean/ComparatorChallenges/README.md 的說明檢查，並在 lean/formalization.yaml 查對應的手稿
建議
把這批材料當成待審的預印本，而不是已確立的定理。要引用時優先選有 Lean 形式化的結果，並先查 history.md。
來源: GitHub：openai/math (GitHub) | Unite.AI (新聞) | Interesting Engineering (新聞)
Anthropic 擴大 Cyber Verification Program，分為 Defense、Red Team、Specialized 三級並整併 Project Glasswing L2
信心度: 高
重點: Anthropic 於 2026 年 10 月 6 日推出新版 Cyber Verification Program（CVP），把 Project Glasswing 併入，分成 Defense Access、Red Team Access 與 Specialized Access 三個層級，各層級都涵蓋 Claude Opus 5.5、Claude Sonnet 5.5、Claude Mythos 5.1 與後續模型。Defense 供防禦工作使用，申請預計數日內回覆；Red Team 增加經授權的滲透測試與紅隊演練，審核約需數週且不開放個人研究者；Specialized 的資安阻擋最少，只給獲授權測試攸關人命或市場的安全系統的少數機構，並與美國政府共同審查。加入計畫的組織必須接受資料保留以供濫用監控，Anthropic 表示今年秋季稍晚會推出 Enterprise Frontier Safeguards（EFS），讓符合資格的組織把資料存放在自己控管的雲端基礎設施。
影響: 資安團隊、滲透測試公司與開源維護者可以依工作範圍申請對應層級，取得較少被分類器阻擋的模型存取。沒有加入 CVP 時，一般可用模型仍會阻擋大多數資安工作，但可繼續做程式碼審查、修補已知問題、在自有原始碼中找漏洞與資安警示分流。
詳細分析
取捨考量
優點:
- Defense Access 資格範圍廣，涵蓋企業、非營利組織、大學與政府的資安團隊、各種規模的關鍵基礎設施營運者、小型資安公司、開源維護者，以及有漏洞通報紀錄的個人研究者
- 既有 CVP 成員保留舊模型的設定並自動評估新模型存取，既有 Project Glasswing 成員轉入 Specialized Access，現有模型不需重新核准
- Anthropic 公布 Claude Opus 5.5 在 CyScenarioBench 的測試：沒有 CVP 時 50 次全部在第一個提示被擋，Defense 擋下 46 次，Red Team 沒有阻擋並完成 34 次
缺點:
- 加入計畫必須接受資料保留；EFS 上線前，只有已取得 Claude Fable 5.1 或 Claude Mythos 5.1 零資料保留的組織能在零資料保留下使用 CVP
- Red Team Access 審核需數週、個人研究者不符資格，且仍會即時阻擋可能造成實體傷害或大規模破壞的行為
- Amazon Bedrock 上只開放給符合 EFS 資格的客戶；Claude Platform、Google Cloud Vertex AI 與 Microsoft Foundry 可用
快速體驗（5-15 分鐘）
- 到
https://portal.anthropic.com/programs/cvp 查看三個層級的資格，選擇符合工作範圍的層級申請 - 準備該層級要求的安全控制證明，申請流程會驗證所有申請者
- 核准後請管理員依官方說明，把存取權指派到特定 workspace
- 組織要求零資料保留時，先確認是否已有 Claude Fable 5.1 或 Claude Mythos 5.1 的零資料保留，或登記 EFS 意願
建議
做防禦性資安工作且常被分類器阻擋的團隊可以先申請 Defense Access。有資料保留限制的組織，先釐清零資料保留的條件再申請。
來源: Anthropic 官方公告 (官方)
Atlassian 與 OpenAI 擴大合作，透過 Atlassian MCP 把 Jira、Confluence 脈絡接入 ChatGPT 與 Codex L2
信心度: 高
重點: Atlassian 與 OpenAI 於 2026 年 10 月 6 日宣布擴大自 2023 年開始的合作，把 OpenAI 的前沿模型與 Atlassian 的 Teamwork Graph 結合。Atlassian 表示目前已可用的部分包括：OpenAI 模型驅動 Rovo 與 Atlassian 平台的推理、團隊可透過 Atlassian MCP 把 ChatGPT 與 Codex 連到企業脈絡，以及用 DX 觀察開發者影響；Atlassian 內部有超過 3,000 名開發者透過 ChatGPT Enterprise 使用 Codex。讓自主代理接手 work item、執行測試、把本機工作階段紀錄同步回團隊看板，以及具人工檢查點的多代理協作，仍在設計階段，沒有時程。
影響: 同時使用 Atlassian 與 ChatGPT 或 Codex 的團隊，可以讓模型讀取 Jira work item、Confluence 文件與 Bitbucket repo 的脈絡。Atlassian 稱 Teamwork Graph 會依權限處理資料。
詳細分析
取捨考量
優點:
- 透過 MCP 這個開放標準連接，Codex 可以在終端機檢視 Jira work item 與 Bitbucket repo
- 代理的工作階段以 Jira 為紀錄系統，work item 會記錄需求、代理進度與決策，並與人的留言並列
- 搭配 DX 可以觀察 Codex 等工具對交付速度、cycle time 與團隊健康的影響
缺點:
- 代理自動接手工作、執行測試與多代理協作等較深的整合仍在設計階段，沒有上線日期
- Atlassian 的公告沒有列出具體模型名稱（Crypto Briefing 報導為 GPT-6 系列）、價格或合約條件
- 3,000 名開發者是 Atlassian 內部的採用數字，公告沒有提供生產力的量化結果
快速體驗（5-15 分鐘）
- 確認組織的 Atlassian 管理員是否允許連接外部 AI 工具，以及 Jira、Confluence 的權限設定是否符合預期
- 在 ChatGPT 或 Codex 連接 Atlassian plugin（透過 Atlassian MCP），用一個實際的 Jira work item 測試能否讀到正確脈絡
- 檢查回應是否只包含該帳號有權限看到的內容，再決定是否推廣到整個團隊
建議
已經同時使用兩家產品的團隊可以先小範圍試用 Atlassian MCP 連線。自動化代理流程尚未上線，目前不需要為此調整流程。
來源: Atlassian 官方部落格 (官方) | OpenAI 官方公告 (官方) | Crypto Briefing (新聞)
GitHub 說明正在為代理規模的開發量重建 Git 基礎架構 L2
信心度: 高
重點: GitHub 於 2026 年 10 月 6 日發文說明，正在不停機的情況下重建 Git 基礎架構，以因應代理式開發帶來的負載。文中數據顯示每月 Git 活動從 2025 年 9 月的 2,182 億次事件增至 2026 年 8 月的 4,733 億次，push 一年成長 4.9 倍（每月 6.9 億到 33.5 億次），2026 年 9 月的 commit 數為 73.8 億。新架構把儲存與運算分開：權威資料放在 Azure Blob Storage，由可增減的運算工作節點搭配快取服務讀取，push 只對 reference 更新做協調；GitHub 稱內部基準測試的寫入吞吐量最高提升 35 倍。
影響: 使用者不需要改變工作方式，GitHub 表示重建期間沒有維護時段，branch protection、required reviews 與 audit log 等控制都會保留。在單一 repo 上跑大量代理與 CI 的團隊受益最大，因為單次 push 的延遲就是代理迴圈的速度上限。
詳細分析
取捨考量
優點:
- 讀取與寫入可以各自擴充，增加讀取容量不再拖慢每次 push
- 壓縮與垃圾回收移到獨立的背景工作節點，不再佔用服務 Git 請求的主機
- 運算節點故障時由新節點從持久儲存補回快取，不必重建完整的 repo 副本
缺點:
- 35 倍寫入吞吐量是內部基準測試的數字，文章沒有提供延遲資料或測試條件
- 沒有公布遷移時程，也沒有說明哪些 repo 會先受惠
- 這是系列文章的第一篇，新架構的細節要等下一篇
快速體驗（5-15 分鐘）
- 閱讀原文列出的五項架構挑戰，對照自己 repo 的 push 與 CI 頻率
- 檢查自己的代理流程是否每個動作都 commit 或 push，評估 push 延遲是否已經是瓶頸
- 統計 CI 對同一個 branch tip 的 clone 或 fetch 次數，了解自己的讀取放大程度
建議
一般團隊不需要採取行動。大量使用代理或 CI 的團隊可以追蹤這個系列的後續文章，了解新架構何時影響自己的 repo。
來源: GitHub Blog (官方)
GitHub stacked pull requests 正式推出，所有 github.com 方案可用 L2
信心度: 高
重點: GitHub 於 2026 年 10 月 6 日宣布 stacked pull requests 正式推出（GA），可以把大型變更拆成多個較小的 pull request，各自審查後一起合併；所有 github.com 方案都可使用，GitHub Enterprise Server 會在之後的版本納入。GA 版本的改進包括：Rebase stack 在程式碼未變時保留核准並產生已簽署的替代 commit、整個 stack 以單一 merge group 進入 merge queue、base branch 被刪除時自動重新指向，以及 gh stack CLI 擴充功能支援 Git worktree。stack 的 auto-merge 會在未來幾週陸續開放。
影響: 常提交大型 PR 的團隊可以改用較小、可獨立審查的 PR 鏈。使用 merge queue、簽署 commit 規則或自動撤銷過期核准的 repo，這次 GA 針對這些情境做了處理。
詳細分析
取捨考量
優點:
- 程式碼未變時，rebase 後核准會保留，即使 repo 設定為撤銷過期核准
- stack 以單一 merge group 通過 merge queue；採用 merge commit 方式時，每個 PR 各產生一個 merge commit
- GitHub 表示預覽期間使用 stack 的 repo 合併的程式碼比同類 repo 多 9%
缺點:
- stack 的 auto-merge 尚未全面開放，要等未來幾週
- GitHub Enterprise Server 還不能使用，官方沒有說明會在哪個版本納入
- 同一個 stack 的所有 PR 必須在同一個 repo，CLI 需要 GitHub CLI 2.90.0 與 Git 2.20 以上
快速體驗（5-15 分鐘）
- 安裝擴充功能：
gh extension install github/gh-stack（需要 gh 2.90.0 以上） - 在 repo 中執行
gh stack init 建立第一個分支，commit 之後用 gh stack add BRANCH-NAME 疊上下一個分支 - 執行
gh stack submit 推送並建立互相串接的 pull request，再用 gh stack view 檢視整個 stack - 在 PR 頁面用
Shift+J 與 Shift+K 在 stack 中的 PR 之間切換
建議
常有大型 PR 卡在審查的團隊，可以挑一個功能分支試用 gh stack。依賴 auto-merge 或使用 GitHub Enterprise Server 的團隊先等後續開放。
來源: GitHub Changelog (官方) | GitHub Docs：Stacked pull requests 快速入門 (文檔)
AnkleBreaker unity-mcp-plugin v2.41.0 支援 Unity 6.6，加入逐代理公平佇列與原生多人測試控制 L2GameDev - 程式/CI
信心度: 高
重點: AnkleBreaker Studio 於 2026 年 10 月 6 日發布 unity-mcp-plugin v2.41.0，加入 Unity 6.6 支援、逐代理的公平佇列、受保護的 ticket、針對性的 Undo，以及 MPPM 與 ParrelSync 的原生多人控制；搭配的伺服器為 v2.36.0，舊版伺服器仍可透過 capability 協商運作。這一版同時修正 prefab variant 的 apply、revert 與 compare（先前沒有作用），並讓類別開關實際封鎖 prefs、專案設定、prefab 資產與 memory profiler 的路由。同一天另有 v2.41.1 與 v2.41.2 兩個修補版，內容是 Welcome 視窗、CLICKME inspector 與 Studio 分頁 Nodary 卡片的修正。
影響: 用 MCP 讓 AI 代理操作 Unity Editor 的開發者受影響，特別是多個代理共用同一個 Editor 或需要多人連線測試的專案。部分指令變得更嚴格：建立、實例化與 reparent 遇到未知的 parent 會失敗而不再落到 scene root，移除 Transform 與覆寫其他 scene 或 prefab 需要明確要求。
詳細分析
取捨考量
優點:
- 以 Unity 6000.6.2f1 驗證並通過 Unity 2021.3 API 檢查，舊版伺服器可以繼續使用
- ticket 編號在 domain reload 後不會重複使用，一筆大型結果不再擠掉其他待取的結果
- 場景統計、variant 查詢與擷取的 Editor 效能改善，README 的 GIF 移到
Documentation~，Unity 少匯入約 11 MB 圖片
缺點:
- 指令行為變嚴格，依賴舊行為（例如未知 parent 落到 scene root）的自動化流程可能開始失敗
- 先前已關閉類別開關的使用者，會發現
editorprefs/*、settings/* 等對應路由現在被拒絕 - release notes 對公平佇列、受保護的 ticket 與針對性 Undo 只有一行描述，細節要查
CHANGELOG.md
快速體驗（5-15 分鐘）
- 在 Unity 開啟 Package Manager，選 Add package from git URL，輸入
https://github.com/AnkleBreaker-Studio/unity-mcp-plugin.git#v2.41.2 - 更新搭配的伺服器：
npx anklebreaker-unity-mcp@latest - 重新執行既有的代理流程，檢查建立、實例化、reparent 與 prefab variant 相關指令是否因檢查變嚴格而失敗
- 曾經關閉 prefs、專案設定、prefab 資產或 memory profiler 類別開關的專案，確認需要的路由是否被封鎖
建議
已經在用這個外掛的專案建議直接升到 v2.41.2 並同步更新伺服器。升級後先跑一輪既有的代理腳本，確認沒有被變嚴格的檢查擋下。
來源: GitHub Release：unity-mcp-plugin v2.41.0 (GitHub) | GitHub Release：unity-mcp-plugin v2.41.1 (GitHub) | GitHub Release：unity-mcp-plugin v2.41.2 (GitHub)