Eighteen

🚀 Roaming LLMs, agents & making them useful
🛠️ Product ops · tools & ideas · friction into flow
✍️ Takes on AI monetization · still figuring it out

[Eighteen @EighteenTang18]

👋 I'm Eighteen — product ops by day, AI tinkerer by night.

🧠 I write about LLMs, AI agents, and how to turn them into real workflows & monetization — not hype decks.

我是 Eighteen。白天做产品运营，业余折腾 AI。 这里主要写大模型、Agent，以及怎么把它们变成能落地的流程和变现，不写空话。
📌 What you'll see here:

✨ sharp takes after I read something worth arguing with

🛠️ practical agent / workflow notes
📈 later: digital systems & digital economy
你会看到：
跟读后的观点（有同意，也有不同意）

可复用的 Agent / 工作流笔记
后续会聊数字系统与数字经济
🌱 Not a guru. Still figuring it out in public. 不是导师号，只是公开把这件事想清楚、做明白。
🚀 If that's your lane, follow along — let's talk. 合拍就关注，我们慢慢把这事聊透。

[Eighteen @EighteenTang18]

When will the Grok app be available?

[SpaceXAI @SpaceXAI]

Grok 4.7 is here.

It's a notable improvement over Grok 4.6 at the same price and speed.

[Eighteen @EighteenTang18]

@MinLiBuilds 太牛了！

[Eighteen @EighteenTang18]

@btcmos 大哥说的对！我信！

[Eighteen @EighteenTang18]

官方仓库（含完整架构说明）： https://t.co/dJzW3jXt9X
许可证原文： https://t.co/WyJJ5EmZmi
一个细节：ComfyUI 官方工作流默认加载的是 int8 版本，理由写的是"内存占用更低"。官方模板主动选低精度，这本身就说明它对显存敏感。
另外官方 README 和 ComfyUI 文档都没给显存要求，想本地跑得自己试。

[Eighteen @EighteenTang18]

Qwen-Image-2.1 这次真正的变化不是效果，是怎么省。

7B，32 层单流 DiT。它把 LLM 推理那套搬进了扩散模型：文本走 token 级因果掩码，图像走 chunk 级掩码；输入图和编辑指令当静态上下文，首步预计算完就复用 KV cache。

所以支持 10 张参考图不是堆出来的卖点，是这套结构的副产品——参考图越多，省得越明显。

但有个事多数报道没提：许可证是 Qwen Research License，白纸黑字写着只能用于研究和评价，商用要单独申请。

权重公开，不等于能商用。

[动物园园长 @weiyux2021]

https://t.co/kblbRh5ItS

[Eighteen @EighteenTang18]

@weiyux2021 邪修啊

[Eighteen @EighteenTang18]

@Jimmy_qw 我也第一天，浇朋友了！互关

[Eighteen @EighteenTang18]

@WenBuilds 没看到我，我要更努力了

[Eighteen @EighteenTang18]

@shao__meng @Sumanth_077 LLM 干活，决策模型路由，代码兜底执行

[Eighteen @EighteenTang18]

This three-layer split is the missing ops diagram for agent products.

LLM does open-ended work. A decision layer handles routing / risk / “are we done?”. Deterministic code keeps the hard constraints: file perms, spend caps, tool allowlists.

If every micro-decision still burns a full LLM call, unit cost explodes. Separate “work” from “decide,” and keep enforcement in code — that’s how agents stay both useful and billable.

这三层拆分，才是 Agent 产品该有的运营图。

LLM 做开放式工作；决策层管路由 / 风险 /「做完没」；确定性代码握住硬约束：文件权限、花费上限、工具白名单。

如果每个微决策都还在烧一整次 LLM，单位成本会爆。把「做事」和「做决定」分开，执行权留在代码里——Agent 才能既好用，又能算得过账。

[meng shao @shao__meng]

对 TypeSafe AI 决策模型 Jev 还不完全理解的朋友们，可以看 @Sumanth_077 这篇 Jev 详细讲解

从 Jev 的定位：System One 模型，到 Jev 与 LLM 的关键区别，以及 Jev 带来的新的三层架构：
1. LLM 层：开放式工作（写代码、研究、规划、总结）
2. Jev 层：模糊但有界的语义决策（路由、风险门控、完成判定）
3. 确定性代码层：保留最终执行权——文件权限、花费上限、工具白名单等硬约束

给 AI 应用带来了很多新的可能性，详细内容 👇

[Eighteen @EighteenTang18]

@0xLogicrw 开源加分，默认安全更关键。

[Eighteen @EighteenTang18]

@zcode_ai For builders, “open” only counts when defaults are safe and uploads are auditable. That’s the same lens as model routing: trust and unit risk before the logo.

[Eighteen @EighteenTang18]

@WenBuilds 坐好了

[Eighteen @EighteenTang18]

@zRdianjiao For builders, “open” only counts when defaults are safe and uploads are auditable. That’s the same lens as model routing: trust and unit risk before the logo.

[Eighteen @EighteenTang18]

@WenBuilds 来推特了😂

[Eighteen @EighteenTang18]

@Adnanhu71159399 Exactly — the cleanest proof is inside one vendor😂

[Eighteen @EighteenTang18]

Same agent job. Wildly different bills. 💸

September’s model drops are loud. The money question is quieter: who do you pay to think — and who do you pay to grind?

Rough map (order-of-magnitude — verify official pricing before you bet):

🧠 GPT-6 Astra — flagship brain · $$$
Critical judgment & high-stakes decisions. Use it as the CEO, not as full-time labor.

⚙️ Gemini 3.8 Flash — production workflow · $$
High-frequency agent steps inside a real product. The value seat on the assembly line.

🛠️ DeepSeek V4.1-Flash — cheap agent labor · $
Automation, terminal work, multi-step trials & scale.

In some reported setups, output cost lands an order of magnitude under flagship.

My take: winners route models. Losers pick teams.

When you still need expensive: compliance, security-sensitive work, brand-required clients, and decisions where one wrong move is costly.

This week’s experiment: pick one real workflow → run flagship → run Flash/low-cost → log cost + success rate.

What % of your calls are still using a cannon to kill a mosquito? 🦟

---

同一个 Agent 任务，账单可以差一个数量级。💸

九月新模型很吵。真正赚钱的问题更安静：谁付钱负责「想」，谁付钱负责「干」？

量级对照（以官网为准）：

🧠 GPT-6 Astra — 旗舰大脑 · $$$
关键判断、高风险决策。适合当 CEO，不适合全程打工。

⚙️ Gemini 3.8 Flash — 生产型工作流 · $$
产品内高频 Agent 步骤。流水线上的性价比工位。

🛠️ DeepSeek V4.1-Flash — 便宜 Agent 劳动力 · $
自动化、终端、多步试错与放量。

报道口径下，部分场景输出成本可比旗舰低一个数量级以上。

我的判断：会路由的人赚钱，会站队的人烧钱。

什么时候必须用贵的：合规、安全敏感、客户要品牌背书、一步错就很贵的决策。

本周实验：挑 1 条真实流程 → 旗舰跑一遍 → 低价档跑一遍 → 记成本与成功率。

你有几成调用，还在用大炮打蚊子？🦟

[Eighteen @EighteenTang18]

@Xiaoyzi_Web3 人气+

[Eighteen @EighteenTang18]

The real gap isn’t “which model is smarter.”
It’s who pays for thinking vs who pays for grinding.

真正拉开差距的不是「谁更聪明」，
而是谁付钱负责想、谁付钱负责干。

Flagship = brain. Flash/open = assembly line.
旗舰当大脑，便宜模型当流水线。
#AIAgents #LLM