「聽說台灣有自己的 AI，國科會做的叫 TAIDE，聯發科也有一個叫 Breeze。那我還要用 ChatGPT 嗎？」
要回答這題，先看它們是什麼形狀。ChatGPT 是一個服務，打開網頁打字，它就回你。TAIDE 和 Breeze 主要是放在 Hugging Face（一個分享 AI 模型的網站）上的模型檔，你要下載、找一台夠力的電腦、裝好軟體，才跑得起來。TAIDE 的模型還要先登入、同意授權條款才能下載。TAIDE 官網列了模型清單和下載頁，但沒有寫哪裡可以直接打開來聊。
所以對多數上班族來說，這題的答案很短：你要有人先把它架起來，才用得到。後面要談的，是誰值得去架。
它們各是什麼
TAIDE 是國科會的「可信任生成式 AI 發展先期計畫」，由國家實驗研究院執行。最新的對話模型 Gemma-3-TAIDE-12b-Chat-2602 是拿 Google 開放的 Gemma 3 當底，再用 22B tokens 的繁體中文資料訓練，資料裡包括中央社 1993 年到 2024 年的新聞。另一個 Llama-3.1-TAIDE-LX-8B-Chat 以 Meta 的 Llama 3.1 為底，針對摘要、寫信、寫文章、中英互譯這些辦公室工作加強。名字裡的 12b、8B 是模型大小（約 120 億、80 億個參數），數字越大通常越吃硬體。
Breeze 是聯發科創新基地（MediaTek Research）的系列。文字模型 Breeze 2 有 3B 和 8B 兩種大小，以 Llama 3.2 為底，可以看圖。語音模型有兩個：Breeze-ASR-25 加強台灣華語和中英夾雜，Breeze-ASR-26 專做台語。
另外還有研究者林彥廷（Yen-Ting Lin）的 Taiwan-LLM，最大的版本是 70B，模型卡寫明不適用醫療診斷、法律建議、投資這類高風險用途。
跟 ChatGPT 差在哪
模型卡上有分數，但要看清楚是跟誰比。TAIDE 12B 在台灣的綜合知識測驗 TMMLU+ 平均 58.02 分，它的原版 Gemma-3-12b-it 是 53.82；TMMLU+ 裡的「台灣用語」子項拿 76.11（原版 71.68）。這張表裡比較的只有 TAIDE 自己的幾個版本和 Gemma 原版，沒有 ChatGPT、Claude 或 Gemini。模型卡告訴你的是「比原版更懂台灣」，沒有回答「比 ChatGPT 好不好」。
弱點模型卡也寫了。TAIDE 8B 在辦公室任務測驗 taide-bench 拿 8.126 分，高於原版的 7.402，不過這份測驗是請 GPT-4 當評審打分數。同一張卡上，長文測驗 CLongEval 它拿 15.94，原版 Llama 3.1 8B 是 25.31，長文反而輸給原版。TAIDE 的模型卡還有一句免責：回應可能包含不正確的資訊，使用者請勿盡信。
下載數也可以參考。2026-10-25 當下，Hugging Face 顯示 TAIDE 12B 的近期下載數是 143，TAIDE 8B 是 444，台語語音的 Breeze-ASR-26 是 36,991，華語語音的 Breeze-ASR-25 是 23,344。兩個語音模型的下載數，都比 TAIDE 的文字模型高出很多。
台語語音辨識做到哪
Breeze-ASR-26 的平均字錯誤率是 30.13%，這個數字要小心讀。這是模型卡自己的測試集：30 段行政院公益廣播的台語音檔，每段約 30 秒，標準答案是華語文字。模型輸出的也是華語漢字，台語和華語又沒辦法一字對一字，所以模型卡寫明，就算辨識完全正確，錯字率也不會是 0。這個數字只適合拿來比較不同系統，不能換算成實際錯幾個字。
同一張表上還列了教育部台灣台語輸入法、雅婷逐字稿和 Gemini 3 Flash。其中教育部輸入法和 Gemini 輸出的是台語正字，表上的分數是先翻成華語才算的，模型卡也說，這類系統不翻譯就沒辦法跟華語標準答案直接比。Breeze 在表上排第一，不能直接讀成它贏過 Gemini。
實際用起來，你錄的是阿嬤講的台語，拿到的是一份華語的逐字稿，台語正字它不寫。模型卡也說，口音重、方言差異大或專業術語多的錄音，表現可能下降，訓練資料也全是合成語音。拿來產草稿、再請懂台語的人逐句校，比較合理。
你需要本土模型嗎
你需要本土模型嗎？ 資料可以送到外面的 AI 服務嗎？ │ 可以 → 用現在的 AI，指定「台灣用語」 ↓ 不行 公司有人能在內部架設模型嗎？ │ 沒有 → 先去識別化，或這件事不交給 AI ↓ 有 要拿來做產品或對外服務嗎？ │ 要 → 先讀授權條款全文 ↓ 不用 用自己的文件測一輪，再決定
| 你的情況 | 建議 | 理由 |
|---|---|---|
| 寫信、摘要、查資料，內容可以送到外面的 AI 服務 | 用現在的雲端 AI，提示詞裡要求台灣用語 | 本土模型要自己架，換過去多出來的只有架設成本 |
| 資料不能離開公司，也沒有人能架 | 本土模型幫不上；先把個資遮掉，或這件事不交給 AI | 沒人架就用不到 |
| 資料不能離開公司，IT 能在內部架設 | 可以評估 TAIDE、Breeze 這類開放模型 | 在自己的機器上跑，資料不出門；先用你們自己的文件測 |
| 要做成產品或對外服務 | 先讀授權條款全文，再決定 | TAIDE 有自己的授權條款；Breeze 2 依 Llama 3.2 授權；Breeze 語音模型是 Apache-2.0 |
| 台語錄音要轉文字 | Breeze-ASR-26 產草稿，懂台語的人逐句校 | 輸出是華語漢字；官方分數只能用來比較系統，看不出實際錯幾個字 |
| 華語會議、中英夾雜 | Breeze-ASR-25 可以試 | 針對台灣華語和中英夾雜加強 |
| 醫療、法律、投資判斷 | 不要只靠任何一個模型 | Taiwan-LLM 模型卡明寫不適用 |
作者整理，非官方。
授權這一格要多說一句。TAIDE 的模型分 Llama 版和 Gemma 版，各有一份「TAIDE 模型授權條款」，下載前要同意。能不能拿去做商業用途、要遵守哪些限制，請讀條款全文，條款連結放在文末來源。
真的要評估的話，拿你們自己的工作去測，比看別人的分數準。下面這段可以貼給 AI，請它幫你出一份測試題：
我們公司在評估要不要在內部架設台灣本土模型（例如 TAIDE 或 Breeze），想先用自己的工作測一次。請幫我設計一份測試題組： - 從下面這些日常工作各出兩題：公告或公文摘要、回覆客戶的信、會議紀錄整理、中英互譯、一份較長文件的重點整理 - 每題附「好答案要包含什麼」的評分重點，方便我們把同一題丟給不同模型後比較 - 標出哪幾題特別考台灣用語和在地知識 - 提醒我們：題目內容要用去識別化的資料，不要放真實個資 我們部門的工作內容：（描述你的部門在做什麼）
如果你只是想讓 AI 寫出比較台灣的中文，先在現在用的 AI 提示詞裡加一句「請用台灣用語」，比換一個模型快得多。
站內延伸
- 資料能不能交給 AI，先看風險落在哪一格 → 台灣的 AI 風險分類框架
- 會議錄音整理成紀錄 → 找方法AI 開會整理
- 想先找適合自己的 AI 工具 → 找工具
來源： TAIDE 官網（2026-10-25 查閱；國科會可信任生成式 AI 發展先期計畫、國家實驗研究院執行、模型清單）；TAIDE 模型下載與授權條款頁；Gemma 版 TAIDE 模型授權條款；Llama 版 TAIDE 模型授權條款；Hugging Face：Gemma-3-TAIDE-12b-Chat-2602（Gemma 3 為底、22B tokens、中央社 1993–2024 新聞、TMMLU+ 58.02 對 53.82、TMMLU+ 台灣用語子項 76.11 對原版 71.68、比較表只含 TAIDE 與 Gemma 版本、請勿盡信）；Hugging Face：Llama-3.1-TAIDE-LX-8B-Chat（摘要、寫信、寫文章、中英互譯加強；taide-bench 8.126 對 7.402；CLongEval 15.94 對 25.31）；taide-bench-eval（以 GPT-4 評估辦公室任務）；Hugging Face：Llama-Breeze2-8B-Instruct（3B 與 8B、Llama 3.2 為底、可看圖、Llama 3.2 授權）；Hugging Face：Breeze-ASR-25（台灣華語與中英夾雜、Apache-2.0）；Hugging Face：Breeze-ASR-26（平均 CER 30.13%、模型卡自己的測試集：30 段行政院公益廣播音檔測試集、CER 只適合比較系統不代表絕對正確率、教育部輸入法與 Gemini 3 Flash 是台語正字翻成華語後計分、輸出華語漢字、合成訓練資料、口音與術語限制、Apache-2.0）；Hugging Face：Llama-3-Taiwan-70B-Instruct（Yen-Ting Lin；不適用醫療診斷、法律建議、投資）。下載數取自 Hugging Face 模型 API 的 downloads 欄位，2026-10-25 當下數字，會變動。判斷流程與決策表為作者整理。