聯發科 Breeze 2：不只會說，繁中AI還要看圖動手！

揭開新篇章：聯發科 Breeze 2 大型語言模型深度解析

近年來，大型語言模型（LLM）的發展一日千里，深刻地改變了我們與科技互動的方式。從簡單的問答到複雜的內容生成，LLM 的應用正以前所未有的速度滲透到各行各業。對於身處金融市場、熱衷於捕捉新興趨勢的我們來說，理解這些底層技術的演進至關重要，因為它們不僅是茶餘飯後的話題，更是未來產業發展、投資機會乃至風險評估的重要拼圖。

在這個快速變化的環境中，本土化的大型語言模型扮演著越來越重要的角色。近期，聯發科創新基地發布了 Breeze 2 大型語言模型，這不僅是台灣在 AI 領域的一項重要進展，更在技術上帶來了令人矚目的突破。作為一名長期在幣圈與金融市場打滾、習慣透過數據與技術分析捕捉機會的觀察者，我認為 Breeze 2 的出現，為我們提供了理解新一代 AI 模型及其潛在影響的絕佳視角。

不僅是技術，更是本土智慧的結晶

為什麼我們需要像 Breeze 2 這樣的本土大型語言模型？雖然國際上已有許多功能強大的通用型 LLM，但在處理繁體中文、理解台灣在地語境、文化脈絡以及行業術語時，它們往往力有未逮。語言的細膩之處、慣用語、甚至特定領域的黑話，都需要模型經過大量在地化資料的訓練才能真正掌握。

聯發科 Breeze 2 的核心優勢就在於其針對繁體中文進行了深度的擴展預訓練與後續的指令微調。這意味著它不只是簡單地將其他語言的模型翻譯過來，而是從語言的基礎結構、語料的豐富度以及任務的符合度上，都融入了台灣本地的特色。根據其發布的資料，Breeze 2 基於 Llama 3.1/3.2 模型進行強化，並使用了包含新聞、學術文獻、法律條文甚至社群討論等大量繁體中文語料進行訓練，讓模型能夠更精準、更自然地生成和理解繁體中文內容。

這樣的在地化優化，使其在例如 TMMLU+ 這樣的台灣在地知識基準測試中，展現出比許多通用模型更優異的表現。對於企業而言，這代表著使用 Breeze 2 可以建立更貼近台灣使用者習慣的客服系統、內容平台或應用程式，減少因語言隔閡或文化差異造成的誤解或不自然感。

打破界線：多模態與函式呼叫的強大賦能

Breeze 2 不僅在語言上深耕本土，更在功能上進行了重要的拓展，首次整合了視覺理解（Vision-aware）和函式呼叫（Function Calling）能力。這兩項功能的加入，讓大型語言模型從單純的文字處理工具，一躍成為能夠感知環境並執行外部任務的智慧體。

視覺理解（Vision-aware）：讓 AI 看懂世界

多模態能力讓 AI 不僅能處理文字，還能理解圖片等其他形式的資訊。Breeze 2 的視覺理解功能採用了 ViT-MLP-LLM 架構，這表示模型能夠同時接收圖片和文字輸入，並對其進行聯合理解和推理。簡單來說，你可以上傳一張圖片，然後用文字詢問模型關於這張圖片的問題。

這項功能在實際應用中具有廣闊的前景。想像一下，在電商領域，使用者可以上傳一件衣服的圖片，詢問這件衣服的材質、品牌或搭配建議；在旅遊領域，使用者可以拍下景點的照片，模型能識別地點並提供相關介紹或導覽資訊；甚至在文件處理上，它也能進行光學字元辨識（OCR），提取圖片中的文字內容。以我長期分析市場數據的經驗來看，能夠整合處理不同數據形式（文字、圖像）的模型，其分析與應用潛力將遠超單一模態的模型，這在未來數據爆炸的環境中，是極為關鍵的能力。

函式呼叫（Function Calling）：AI 行動力的引擎

函式呼叫是讓 AI 模型能夠與外部系統或服務互動的關鍵能力。透過 Breeze 2 內建的 Breeze-FC 框架，模型在理解使用者意圖後，可以判斷是否需要呼叫特定的外部函式（例如搜尋資料庫、發送郵件、操作應用程式介面 API 等），並能結構化地輸出呼叫所需的參數。你可以把它想像成給予 AI 一個「遙控器」，讓它可以在必要時操作其他設備或服務。

這項功能對於開發高度自動化的智慧應用至關重要。例如，一個智慧客服系統在理解使用者想查詢訂單後，可以自動呼叫後台的訂單查詢 API，並將結果回傳給使用者，而無需人工介入。或者，在企業內部，LLM 可以根據員工指令，自動生成會議議程並發送郵件給與會者。根據聯發科公布的數據，Breeze 2 在函式呼叫的基準測試（BFCL）中，表現與 GPT-4o-mini 相當，這顯示其在理解使用者意圖並精確呼叫函式方面的實力。

這兩項功能的整合，讓 Breeze 2 不僅能夠「說」流利的繁體中文，還能「看」圖片並「做」事情，大大擴展了其在現實世界中應用的可能性邊界。

堅實基礎與實力展現：訓練與效能數據

一個模型的實力，最終還是要看其訓練過程和實際測試數據。Breeze 2 的訓練歷程包含擴展預訓練與多階段微調，特別針對指令追蹤、函式呼叫與視覺指令進行優化。訓練資料集除了前述的大量繁體中文語料外，還包含針對多模態和函式呼叫任務精心準備的資料，例如圖文配對資料和 API 定義資料。

在效能評估方面，聯發科利用多個繁體中文及多模態基準測試來驗證 Breeze 2 的能力。以下表格匯總了部分關鍵測試結果：

從數據中可以看出，8B 參數版本的 Breeze 2 在各項任務上的表現普遍優於 3B 版本，尤其在複雜的多輪對話、函式呼叫和多模態理解上更為突出。3B 版本則因其模型規模小，更適合在資源受限的環境下部署，例如行動裝置。值得注意的是，Breeze 2 在函式呼叫和多模態測試中與國際頂級模型的比較結果，顯示其在這些進階功能上的競爭力，這對於台灣本土 AI 的發展無疑是個強心針。

此外，Breeze 2 還支援長達 128k 的上下文長度，這意味著它可以處理非常長的文本，例如整本書、詳細的會議記錄或複雜的程式碼，並在此基礎上進行問答、總結或分析。這項能力對於需要處理大量資訊的金融分析、法律諮詢或學術研究等領域尤其有用。

從技術到應用：Breeze 2 的產業潛力與導入考量

Breeze 2 的技術特性使其在眾多產業中都有實際的應用潛力。除了前面提到的智慧客服、電商、旅遊導覽，它還可以應用於：

• 內容生成與編輯： 自動撰寫廣告文案、新聞稿、部落格文章，甚至程式碼片段。
• 知識庫問答： 建立企業內部的智能問答系統，快速解答員工或客戶關於公司政策、產品資訊的問題。
• 自動化流程： 結合函式呼叫，自動化處理重複性任務，例如資料擷取、報表生成、系統操作。
• 數據分析輔助： 幫助分析非結構化文本數據，例如客戶回饋、市場評論，提煉關鍵資訊。

企業在考慮導入 Breeze 2 時，可以根據自身需求和運算資源選擇適合的模型版本。對於資源較少或希望在邊緣裝置（如手機、物聯網設備）上運行 AI 的場景，3B 版本是個不錯的起點；而對於需要處理更複雜任務、追求更高精準度的應用，8B 版本則更為適合。

導入方式也具有彈性，企業可以先透過 API 串接的方式進行概念驗證和初期測試，快速評估 Breeze 2 的適用性。若有更深入的需求，例如針對特定產業的專業知識進行訓練，也可以基於 Breeze 2 的開源模型進行客製化微調，打造符合自身業務需求的專屬 AI 模型。

來自經驗者的視角：這項技術的投資啟示

從我近十年在幣圈與傳統金融市場觀察和實戰的經驗來看，大型語言模型的快速發展，尤其是像 Breeze 2 這樣具備在地化和進階功能的模型，對未來的產業格局和投資方向有著深刻的影響。

首先，AI 技術的成熟將加速各行業的數位轉型。企業導入 AI 的效率與深度將直接影響其競爭力。這會帶來相關產業鏈的投資機會，例如提供 AI 算力的硬體廠商、開發 AI 應用解決方案的軟體公司、以及擁有大量高品質訓練數據的平台。

其次，具備多模態和函式呼叫能力的模型，正在模糊線上與線下的界線，也讓 AI 從輔助工具轉變為執行者。這將催生更多創新的商業模式和服務形式。以我的數據分析框架來看，我會密切關注那些能夠率先將這些 AI 能力融入核心業務、提升營運效率、或創造全新使用者體驗的公司。這些公司可能不是直接的 AI 模型開發者，而是懂得如何有效利用 AI 的「應用者」。

再者，本土化模型的出現，降低了台灣企業導入 AI 的門檻，有助於提升整體產業的 AI 普及率。這可能帶動一股本土 AI 應用開發的熱潮，值得我們這些對技術趨勢敏感的投資人持續追蹤。分析資金流向時，我也會留意是否有資金正流入那些與 Breeze 2 或其他本土 AI 模型生態系相關的新創或項目。

當然，任何新技術的導入都伴隨風險。企業需要考量數據隱私、模型偏見、以及技術整合的複雜性。對於投資人而言，則需要仔細評估公司的 AI 策略是否切實可行，以及技術落地能否真正轉化為營收或效率的提升。

結語：開創台灣 AI 的新紀元

聯發科 Breeze 2 大型語言模型的發布，是台灣在本土 AI 研發道路上的一個重要里程碑。它不僅展示了台灣在大型模型訓練和優化方面的技術實力，更透過繁體中文的深度強化以及多模態、函式呼叫等功能的整合，使其成為一個具備高度實用性與在地化特色的基礎模型。

這項技術的開源策略，預計將鼓勵更多學術機構和企業基於 Breeze 2 進行創新開發，共同繁榮台灣的 AI 生態系。對於關心科技趨勢和金融投資的我們來說，理解並關注 Breeze 2 這樣的本土 AI 進展，不僅是掌握未來產業變革的鑰匙，也可能是在快速演變的市場中，發掘潛在投資機會的重要一環。

常見問題解答 (FAQ)

幣圈的小小碳生物

幣圈小小碳生物在此報到！

幣圈資歷近10年，空投總收入超過30萬台幣，擅長潛力幣布局與低風險套利策略，交易邏輯以技術面與資金流為主。擅長短中線合約交易、幣種輪動操作，具備多年量化交易模型實測經驗。
專職數據模型建構與資產配置模擬，現為某鏈上資金流動分析平台特約顧問。
實績數據：

2020–2023 現貨平均年報酬率：+82.4%（主力幣種：BTC、ETH、MATIC、SOL）

結合 DeFi 流動性挖礦與鏈上資金輪動策略，2021 年 Q2 曾達單季 ROI +147%

使用自研「穩定幣流出回流模型」避開 FTX 崩盤、LUNA 斷崖，避損超過 95% 資金

現專注於鏈上數據分析與時事解讀，用歡樂的方式，協助新手建立理性交易觀念。