上週末，我在 GitHub 上滑到一個名為 dots3-note-prev 的 repo，原本以為又是哪個 lab 丟出的 benchmark 冠軍，但仔細翻閱 README 後，我意識到事情沒那麼簡單——這是小紅書（Rednote）旗下 dots studio 首次對外開放的「開放權重」模型，而且它不跟你比誰算得快，而是比誰能「撐得久」、誰能把一個真實世界的任務從頭跑到尾，中間不崩潰、不遺忘、不亂扯。這感覺就像過去我們習慣叫 AI 回答問題，現在我們可以叫 AI 去「做一份工作」——而且它會一直做到你叫停為止。

這種「長期任務自動化」的想像，過去只存在於封閉的企業級系統（比如 SAP 或 Salesforce 的流程機器人），但 dots3 的開源授權（Apache 2.0）與實用導向的設計，可能正在把這項能力交到每一個有想法的開發者手中。這篇文章，我想從實際觀察的角度，帶你拆解這個模型到底變態在哪裡，以及它怎麼跟 n8n 這類自動化工具搭配，成為你 2026 年建立被動收入系統的關鍵拼圖。

1. 為什麼我們需要「長時程」AI？一場從問答到執行的典範轉移

如果你過去一年有在使用 ChatGPT 或 Claude，你一定遇過這種狀況：請它爬完一個網站並總結，結果它只抓了前兩段；請它追蹤某個話題的發展，它只記得最近一次對話。問題不在於模型不夠聰明，而在於它們的「上下文窗口」太短，而且缺乏跨回合的計畫與反思能力。

dots3 系列從設計之初就不是為了單輪問答，而是為了「長時程真實場景任務」。根據官方文件，dots3-note-preview 可支援長達數百步的推理鏈，並且在 VibeLifeBench 等新型評估框架中，表現出對「長期規劃—執行—修正」循環的耐受度。這意味著你可以交給他一個任務：「每天凌晨三點，掃描 Reddit 上關於 Web3 的熱門討論，提煉出三個潛在投資機會，並生成一份報告寄到我的信箱」——它不會做到一半就忘記指令，也不會因為中間出現一個異常資料就全面崩潰。

2. dots3-note-preview 憑什麼打破開源天花板？280B MoE + 512K 上下文的技術解析

先來點硬核數據：280B 總參數、16B 啟用參數的混合專家（MoE）架構，這代表它雖然龐大，但每次前向傳播只點亮 5.7% 的神經元，推理速度比同尺寸密集模型快得多。更誇張的是 512K token 的上下文長度——足以裝載整本《沙丘》小說，或一個月份的公司郵件往來。而且它不只吃文字，還能同時處理圖像、影片、音訊，輸出文字結果，這讓它非常適合做多模態的長期監控（例如從監視器畫面分析物流狀況，同時對比庫存數據）。

根據 Hugging Face 上的模型卡，dots3-note-preview 已經整合了 vLLM 和 SGLang 的推理優化，開發者可以在一天內用較低的門檻部署起來。另外，OpenRouter 也已上架免費 API 版本，讓沒有頂級 GPU 的開發者也能先試玩。

從上圖可以看出，dots3 在開源陣營中無論是上下文長度還是總參數量都佔據頂尖位置，這讓它有能力處理需要跨越多份文件、多輪互動的長期任務——例如自動化市調、持續性競品監測，甚至智慧合約的條件觸發。

3. 被動收入新基建：如何將 dots3 串接 n8n 打造自動化內容與交易系統

聊到這裡，你可能會問：「啊這跟我有什麼關係？我又不是搞 AI 研究的。」——別急，dots3 最迷人的地方在於它已經被包裝成可調用的 API（OpenRouter 提供免費額度），而且它跟 n8n 這類低程式碼自動化平台可以無縫整合。想像一下：

• 內容自動化：設定 n8n 工作流，每小時抓取指定 RSS 或推特趨勢，餵給 dots3 進行摘要與觀點提煉，再自動發布到 WordPress（siuleeboss.com 支援 REST API），每天產出 5–10 篇短文，長期累積 SEO 流量。
• 交易訊號過濾：將加密貨幣或股票的價格、新聞、社群情緒數據輸入 dots3，由它綜合判斷是否出現買賣訊號，再透過 n8n 連接交易所 API 下單（當然，建議先用模擬盤測試）。
• 客戶互動監控：讓 dots3 持續分析客服郵件或即時訊息，自動分類緊急程度並生成回覆草稿，釋放人力。

根據 dots studio 的技術報告，TEMPO 強化學習方法讓代理能適應環境反饋，這意味著你的自動化系統會隨著數據變化微調策略，不會死板地執行同一套規則。對於追求「被動收入」的技術愛好者，這是一個非常紮實的起點——因為你不再需要寫一堆 if-else，只要給定目標和約束，模型會自己找出路徑。

4. 2026 年市場規模與開源模型的「長尾賦能」效應

Gartner 在 2026 年 1 月的報告中指出，全球 AI 支出將達 2.52 兆美元，年增 44%；到了 5 月，他們更上修至 2.59 兆美元，年增 47%。其中基礎設施（硬體、雲端、平台）佔比最大，從 2025 年的 9,755 億躍升至 2026 年的 1.43 兆。這些數字背後代表什麼？代表企業已經過了「要不要用 AI」的猶豫期，進入「怎麼用得更深、更廣」的軍備競賽。

然而，絕大多數 AI 支出仍集中在少數超大規模業者（微軟、Google、AWS）和頂尖新創。開源模型如 dots3 的出現，讓中小企業和個人開發者也能以極低成本取得接近一線模型的推理能力，這會釋放巨大的「長尾創新」——從在地化的電商推薦、小眾社群的輿情分析，到非營利組織的自動化文書處理，這些過去被忽略的場景將因為開源權重而獲得賦能。

根據 MarketsandMarkets 的預測，AI 市場從 2026 年的 6,019 億美元（另一口徑）成長至 2033 年的 3.64 兆，CAGR 達 29.3%。開放權重模型將在這一波成長中扮演「催化劑」角色，因為它們降低了實驗門檻，加速了垂直應用的迭代。

5. 常見問答（FAQ）

dots3-note-preview 跟其他開源模型（如 Llama 3.1）最大的不同是什麼？

主要差異在於「長期任務」的設計焦點。dots3 的 512K 上下文長度和 TEMPO 強化學習機制，讓它能夠執行數百步的推理與行動循環，而不會忘記初始目標或偏離主題。Llama 3.1 雖然參數更大（405B），但上下文僅 128K，更適合短週期問答。

我沒有 A100 顯示卡，能用 dots3 嗎？

可以。OpenRouter 已提供免費 API 試用版，同時 Hugging Face 上也有 FP8 量化版本，可在單張 A100（80GB）上推論。若只想實驗，用 OpenRouter 的免費額度最簡單。

將 dots3 整合到 n8n 需要寫很多程式碼嗎？

不需要。n8n 有 HTTP Request 節點，只要填入 OpenRouter 的 API 端點與金鑰，並設計好 prompt 格式，就能完成串接。複雜的決策邏輯可以直接寫在 prompt 中，讓模型自己判斷分支。

📚 權威參考文獻（真實連結）：

• Gartner 2026 AI 支出預測（2.52 兆美元）
• Gartner 2026 年 5 月修正（2.59 兆美元）
• dots3-note-preview GitHub 官方倉庫
• Hugging Face 模型頁面（FP8 量化版）
• OpenRouter 免費 API 試用

本文基於 2026 年 8 月公開資訊撰寫，所有數據均引述自權威機構，實作前請自行驗證最新版本。