不管是不是生物安全，一旦问了opus会产生API拒绝的问题，思维链立刻变成普通ds吐字模式

我会在最后测试这个prompt，因为我暂时不想失去这个会话，不过我的主贴其实有一个完全类似的例子，是能回答，但是明显不是灰度模型了，你在后面发antml发现能正常复述了

我不知道现在是否还能做灰度到，目前我还有一个会话是灰度的，如果你想试试可以同一个prompt大量抽卡（昨天有人抽了一百多次才抽到），特征是ttft高，思维链分段输出 如果你有什么想要测试的，我这里也可以用我还有的一个灰度会话跑（会导致拒绝的除外，我还不想失去这个灰度会话），全程录屏不用担心

补充： A\ antml 筛除的规则是，删到第一个不是antml的地方，后面全部保留，灰测该特征完全匹配  ![图片](https://cdn3.ldstatic.com/optimized/4X/b/c/7/

关于生物甲： Opus 5 做不了生物内容？效果不够好？ 敬请参见 AI 全民制作人 （Pi / 无 skill） 如果说明做不了/效果差异很大，起码要在控制变量（harness/任务提示词）的情况下跑一下opus放出1v1对比吧，目前都是灰测结果没有一个1v1比较的

没有… 大内存大硬盘无所畏惧 ps：VS Code 是 electron 应用，虽然大部分其他 electron 应用达不到其性能水平

要是不习惯sol可以换Claude，不过我可以说的是，opus5不是一个好模型，在不少层面上是干不过sol的，Claude只有fable是全面领先的 如果你只追求快不追求准那还不如grok4.6

而且改成15刀了，原来是60吧？这不g了

 GPT-5.6 Sol xhigh/无工具

确实不错的，grok4.6算是一个挺稳定的模型，今天用了蛮多才3%（当然我不开fast），我之后应该会一直保留cursor的订阅，只要grok能稳定跟上第二梯队头部

就llm来说，moe本来就不小，moe是要大才有效的，你要么选择超大内存放低带宽和计算要求，要么选择放弃大内存但你不得不需要很大的带宽和计算，没有免费午餐

因为 chat/completion 会丢弃回传的思考项，导致前缀一致的部分更少，降低缓存率

严格说并不算是 Agent 赋予模型的能力：无论是不是 Agent，只要你的多次输入里，输入的开始部分是相同的，服务端就可以使用缓存，即便是普通的对话，也可以这样进行 缓存率也不仅取决于 Agent（实际上Agent Harness的影响并不很大，只要不乱折腾），服务端的影响其实更大：KV 缓存体积是很大的（通常几GB-几百GB），存储在服务器的GPU显存里，如果因为调度等原因请求没有命中上一次的

一般来说多轮对话的缓存形态是这样的 下面以被【】包裹的部分表示已经缓存的部分 第一轮：用户：AAAA 模型输出：BBBB 第二轮：**【用户：AAAA；模型输出：BBBB】** 用户/工具结果：CCCC 第三轮：**【用户：AAAA；模型输出：BBBB；用户/工具结果：CCCC】** 用户/工具结果：DDDD 你可以看到随着轮次的增长，被缓存的内容的占比越来越高，如果服务端实现得当，在某些场景下可

这里的缓存，严格来说是 KV Cache 一般 LLM 的生成 流程： Prefill（也就是计算所有输入的注意力参数） → Decode （生成输出内容） 其中 Prefill 阶段已经计算的内容，在多次请求之间可以被重复使用（若有相同前缀），无需重新计算，也就是所谓缓存

我觉得可观测性做得很好，这点目前市面上其他Agent工具非常缺乏

因为推理强度不统一，5.5的xhigh是768，而5.6的xhigh是128

官方目前已经写明确了  ![图片](https://cdn3.ldstatic.com/optimized/4X/1/c/c/1cc499afc6ee1cdad9f40679c699f6ab

我还是觉得 opus 5 > fable5 实在是很幽默的一个结果（贬义的） 而且为什么没有Claude code+ opus5 的结果呢，而是只放 mini-swe-agent，这很有意思

我觉得这大概率是某些上下文污染问题，任何模型在正常情况下都很难犯这类错误，可以试试把完整请求上下文抓取看看原因。

不对，pro和reasoning effort 是两种不同的东西，目前普遍认为pro mode是某些采样搜索或多智能体方法

> 所有东西web的solxigh都能做 例如说我本地跑实验要GPU，要大量计算资源，codex全自动监管，放在 web 上去跑可能吗 这只是一个小例子，很多人都在做闭环自动化，例如codex本地改完代码，自动启动测试服务器，然后浏览器自动化skill或者computer use 去调试迭代，这些用例都很常见的

不是，暗改额度不是早就能证明的事情了吗，不用什么 per-task，按API刊例价格计量套餐美元额度就行了 实际上这事情非常动态，plus50-200周限都见过，pro1500-3000都见过

cache key 确实会提高缓存率，但跨账号降低缓存我之前大跑k12的时候没有观察到有统计学意义的差距（轮询 vs fill） 实际上共享缓存只是说openai没有特意隔离不同账号的缓存（API上不同组织则是有隔离），prefix匹配+cache key辅助整个过程完全可以和账号完全解耦（或者说这是最自然的情况，除非出于某些理由需要绑定账号）

错误的，OpenAI Codex 订阅全体用户都在同一个组织，缓存全员共享没有隔离

问题在于很多时候「一句话」是不适定的。 你无法仅仅通过一句话就将LLM和你的需求对齐，除非你的需求真的就是这么简单。 软件工程这个大领域有一个子领域叫做需求工程（requirements engineering），整个这个子领域这么多年就是在研究如何收集需求，把需求整理为合适的软件设计、表达，并且高效的传递给实现者。 逃避复杂性的结果就是面对更大复杂性的海啸。本质上关键还是在于如何设计更好的人机交

有没有可能很多人聊天不是为了情绪价值，或者说不是***你所说的那种***情绪价值？ SOTA LLM **上知天文，下知地理**，读遍了全世界从古到今各种领域的书籍、论文，看遍了世间酸甜苦辣、历史演化。以互联网为例，它们看过了**早期互联网时代的分享欲、创造力**，中期互联网的**生命力和看不到尽头的繁荣**，后期互联网算法时代的**赢家通吃、封闭生态**； 它看过的东西真的太多太多了，没有任何一

关键在于每个oai号的并发是有限的，luna占了很多sol怎么用（ 这就和ds限制opencode的并发是一个道理 不过有的站似乎在考虑限制并发重新上

opencode go 5 刀 luna 月额度 15$ 官方不是黑号**周限**60$+（月240$+），订阅价格就各显神通了，还有几乎无限网页 chatgpt，生图等

是的，需求大买 pro20x 自然就是最好的选择；但用不了那么多的时候我会选0.2-0.4信任的中转站用 低价我是不愿意用的，便宜没好货定律仍然在发力，反正目前我用过的0.2+的站没有十几个也有快十个了，我可以说目前没有测到过有什么小动作；老折腾这个浪费的时间比起买稳定花的钱还不值