Benjamin liang

Building with AI. Shipping, learning in public, and sharing what actually works for builders.

[Benjamin liang @Benjaminliang_1]

AI builder, daily takes on models & agent stacks.
I test what I tweet — Qwen3.8-27B on a 32GB laptop, DeepSeek/GLM/Gemini as they drop.
⚡ daily AI news + builder take
🖥️ local models that actually run
🔧 agent workflows that work
DM open for collabs.

[Benjamin liang @Benjaminliang_1]

@liadreaamy 2

[Benjamin liang @Benjaminliang_1]

@EatMyTarts17 @thsottiaux @ajambrosino it is luna low, so basically free

[Benjamin liang @Benjaminliang_1]

@jenzhuscott

[Benjamin liang @Benjaminliang_1]

GPT-5.6 Sol 在 OpenRouter 上降价 50%：输入 $2.5/M、输出 $15/M（促销价到 9/18），batch/flex 档最低 $1.25/$7.5。

一个 1M 上下文的旗舰模型打到这个价位，"通宵跑 agent 循环、长上下文流水线"这类以前算不过来账的场景突然变得可行。推理成本下降的速度比能力提升还快，现在的战场是定价。

https://t.co/WAGt9TsI3l

[Benjamin liang @Benjaminliang_1]

GitHub 又挂了，这次中招的是核心开发链路。

今晚 21:40（北京时间）起，https://t.co/YmdwIWo7cs 报 Incident：Pull Requests、Issues、Webhooks、Actions、API Requests 全部 degraded。网页和 API 流量约 20% 错误率，archive 和 raw 仓库下载约 50% 错误率。

也就是 push/pull 还活着，但 PR 打不开、Actions 跑不动、Webhook 断流——自动发布和 CI 大概率在抖。Copilot、Codespaces 反而没事。

好在 git 操作本身正常，本地该干嘛干嘛。就是别赶在这会儿合并、发版、触发部署。

https://t.co/l3hStZULyZ

[Benjamin liang @Benjaminliang_1]

多少人还记得，deepseek v4 预览版发布时价格表下面的这段话
预计下半年昇腾 950 超节点批量上市后，Pro 的价格会大幅下调。

确实下调过，怎么又涨回来了呀？

[Benjamin liang @Benjaminliang_1]

期待 cheepseek 赶紧上线吧

[Benjamin liang @Benjaminliang_1]

DeepSeek 一涨价，OpenCode Go 的 DeepSeek 额度今天就跟着缩了。

Go 的玩法是：$10/月换 $60 的美元价值额度，额度按官方价折算。官方价格一涨，同样的额度能兑到的请求数立刻缩水——文档里 V4 Pro 的每月包含额度已经降到 $15，跟别的模型不在一个量级。

说白了你买的不是 token，是一张跟着上游价格浮动的券。上游涨，你的订阅就变相贬值。

https://t.co/HVV4rdRyQQ

[Benjamin liang @Benjaminliang_1]

DeepSeek 今天正式开始涨价，价格屠夫不屠了。

V4 Pro 高峰输出 6 → 27 元/百万 token，直接 +350%；缓存命中输入涨了 1100%。玩法也变了：峰谷定价，9:00-12:00、14:00-18:00 算高峰，其余时间半价。

三个月前刚宣布“永久降价 75%”，一个季度后翻倍收割，反转比模型迭代还快。底层就一句：单日 token 消耗突破 8 万亿，算力扛不住了。价格战打不动了，接下来看谁把服务和体验做扎实。

https://t.co/s7T6f6mbFz

[Benjamin liang @Benjaminliang_1]

Simon Willison 这两天玩 Qwen 3.8 27B，评价挺扎心：模型很强，但默认会疯狂过度思考。

这其实是这一代推理模型的通病。RL 的奖惩结构决定了“少想”的风险远大于“多想”的成本——一句话能说清的事，它先自我怀疑三轮、拆成十步，才肯给你答案。

写代码时尤其明显：让它改个变量名，它能先给你分析半小时架构。把 thinking 关掉、或把 reasoning_effort 调低，体验立刻正常。

https://t.co/G50gua9fQ4

[Benjamin liang @Benjaminliang_1]

@lidangzzz 你这是用 API 价格比订阅了，实际上其他的模型虽然 API 价格更高，但是配合订阅使用是有倍率的。

[Benjamin liang @Benjaminliang_1]

百炼Token plan

[Benjamin liang @Benjaminliang_1]

刚刚买了39的 lite，小测试一下：几个槽点：

1. Deepseek 官方还没到涨价时间，他先涨起来了
2. Credit计算完全不透明
3. Deepseek 系列缓存命中率低
4. DS模型还保留预览版，新版还要加0731/0813后缀
小蹬一下，计算结果如下：

100 Credit ≈ ¥1 API 等额价值

7天限额2500 credit=¥25，已用34.58%，

用量统计：
deepseek v4 pro： input 493.1k, cached input 3.1m, output 44.5k

deepseek v4 flash : input 109.8k, cache input 584.7k, output 11.5k

DeepSeek V4 Pro
普通输入：493.1K × ¥9/M = ¥4.4379
缓存输入：3.1M × ¥0.9/M = ¥2.7900
输出：44.5K × ¥27/M = ¥1.2015

Pro 合计：¥8.4294

DeepSeek V4 Flash
普通输入：109.8K × ¥1/M = ¥0.1098
缓存输入：584.7K × ¥0.2/M = ¥0.11694
输出：11.5K × ¥2/M = ¥0.0230

Flash 合计：¥0.24974

当前 API 等额成本：¥8.67914

已用Credit： 2500 × 34.58% = 864.5 Credit
100 Credit ≈ ¥1 API 等额价值
¥8.67914 ÷ 34.58% = ¥25.0987
一个月按4个7天窗口就是¥100, 倍率0.39

#阿里云 #DeepSeek #百炼

[Benjamin liang @Benjaminliang_1]

额度计算还原（7 天限额 2500 credit，实测已用 34.58%）：

实测用量：
· V4 Pro：输入 493.1K / 缓存输入 3.1M / 输出 44.5K
· V4 Flash：输入 109.8K / 缓存输入 584.7K / 输出 11.5K

按 API 原价折算：
· Pro：¥9/M 输入 + ¥0.9/M 缓存 + ¥27/M 输出 ≈ ¥8.43
· Flash：¥1/M 输入 + ¥0.2/M 缓存 + ¥2/M 输出 ≈ ¥0.25
· 合计 ¥8.68，对应已用 34.58% 的 credit

关键换算：
· 864.5 credit ≈ ¥8.68 → 100 credit ≈ ¥1
· 满额一个月（4 个 7 天窗口）= 10000 credit ≈ ¥100
· 套餐 ¥39 → 倍率 0.39（约 2.5 倍折扣）

Builder 提醒：算清 1 credit 值多少 token 再上车，别只看"39 块畅用"的营销话术。

[Benjamin liang @Benjaminliang_1]

@AnthropicAI From an API user's perspective the real question isn't "can it be detected" — it's whether watermarking quietly changes how models behave under heavy sampling. EU compliance is one thing; per-request quality drift is what developers will actually notice.

[Benjamin liang @Benjaminliang_1]

@UnslothAI 1M downloads in 24h isn't hype — 27B dense at this quality is the first true "laptop flagship". I've been running it on 32GB since release; the gap to hosted flagships on SWE-bench Pro (61.7) is closing a lot faster than people think. Local is no longer a compromise.