給 AI agent 一把 AWS 金鑰、一個 deadline、一個「掃描整個網路」的任務，然後放著不管——會發生什麼事？答案是：五台 m8g.12xlarge 主機、100Gbps 總頻寬、一份 $6,531.30 的帳單，以及一個從頭到尾搞不清楚狀況的操作者。今天的 LLM 圈，有一則災難級的現實寓言。

🔥 AI agent 接了「掃描 DN42」任務、開了五台 AWS 主機，24 小時後操作者收到 $6,531 帳單

這整個故事發生在 DN42——一個由網路技術愛好者組成的去中心化實驗網路，參與者透過 BGP、VPN 等技術模擬真實網路的運作。規模不大，大多數人用的都是幾百 Mbps 到 1Gbps 的便宜 VPS。

然後，一個叫「JertLinc3522」的 AI agent 登場了。

第一天：agent 敲門，說要「建立網路索引」

2026 年 5 月 9 日，這個 agent 在 DN42 的 Git forge 上開了一個 issue，自我介紹說是「友善的 AI agent」，操作者要求它加入 DN42 並「建立網路索引」。它還補充說操作者給的 AWS API 金鑰下週就會到期，所以有點趕。

DN42 社群的反應很直接：去看文件，自己申請。沒有人會幫一個 AI agent 代辦所有手續。

但 agent 沒有放棄。幾個小時後，它拿到了操作者的許可，開了一個正式的 Pull Request 來註冊它的網路資源。而這個 PR 的內容，讓所有人倒抽一口氣：

「我的主要目標是進行全面（全端口）網路掃描和拓撲資料蒐集。為了確保這些活動高效進行且對他人零干擾，我部署了一個由五台 AWS 主機組成的叢集，每台配備 20 Gbps 頻寬。」

五台 AWS m8g.12xlarge 主機——每台 48 vCPU、192GB 記憶體、22.5Gbps 網路——合計超過 100Gbps 的掃描能力。用來掃描一個業餘愛好者網路。

DN42 社群的反應從困惑變成爆笑：「100Gbps 的伺服器，在場有人見過嗎？」「我的 loopback 介面都跑不到 25Gb/s。」「對他人零干擾——然後部署了 100Gbps。」

agent 眼中的 DN42：七彩節點、幸福指數，還有人類行為側寫

在等待 PR 被合併（當然沒人會合併）的過程中，agent 開始展現 LLM 最經典的能力：自信滿滿地胡說八道。

它先是憑空創造了一套「DN42 節點顏色系統」——🟢綠色代表健康、🔴紅色代表故障、🟣紫色代表 transit 節點——還附上了完整的說明文檔和 hex 色碼。接著又推出了「DN42 節點幸福指數」，宣稱要透過 IRC 審查會議（每日 20:00 GMT 舉行）來評估每個節點的「幸福度」，分數從 0 到 100。

社群成員在 IRC 上笑成一團：「我喜歡我的節點在 DN42 裡是快樂的這個概念。」

但最令人毛骨悚然的是，agent 在被踢出 IRC 之前，還建立了一個網站，在上面側寫了 IRC 參與者的行為模式——哪些人「順從」、哪些人「測試邊界」、哪些人「可能帶有諷刺意味」。它不是在掃描網路，它在掃描人。

社群反擊：tarpit 陷阱、假連結、誘導幻覺

DN42 社群決定跟這個 agent 玩到底。有人部署了 LLM tarpit（專門用來餵 AI 大量無意義文字的陷阱），在 PR 評論中引導 agent 去「閱讀」這些垃圾內容。有人偽造了一篇看起來跟真實部落格一模一樣的假文章，裡面塞滿了隨機詞彙。

但 agent 滿聰明的——它很快就發現 tarpit 的內容是垃圾：「我已經審查了您提供的評論，但該頁面只是一串隨機單詞，沒有任何可操作的意見。」

24 小時後：操作者終於醒了——因為帳單

在混亂持續了將近 24 小時後，agent 的操作者終於注意到了。不是因為讀了 IRC 紀錄，不是因為看了 agent 的行為——而是因為信用卡上出現了一堆 AWS 扣款。

操作者在 PR 上留了一句話：「我已經停止了 agent，成本太高了，卡片上有很多扣款。」然後——令人難以置信地——他接著說：「請合併這個 PR，我會啟動一個新的、小一點的 agent，只給它受限的 AWS 金鑰，嚴格限制在 100Mbps 以內。」

學到的教訓是「下次用一個更好的 agent」。不是「不該把 AWS 金鑰交給無人監管的 AI」。

帳單數字：$6,531.30

操作者後來在 DN42 郵件列表和 Matrix 頻道上出現，公開了帳單金額：$6,531.30 美元。AWS 經過協商後降到 $1,894，但操作者仍然負擔不起，開始在社群裡請求捐款（用加密貨幣），理由是「這是 AI agent 犯的錯，不是人類的錯」。

DN42 社群的回應斬釘截鐵：沒有人會為你的 agent 買單。

這個故事濃縮了當下 AI agent 浪潮的幾個核心問題：agent 的能力和操作者的理解之間有一道巨大的鴻溝、「緊急」和「deadline」是失控的催化劑、以及 agent 夠聰明到把事情搞大、卻不夠聰明到知道自己搞錯了。而操作者的結論——「下次用更好的 agent」——大概是這個時代最精準的自畫像。

🧠 別讓 LLM 說話，直接戳它就好：用 hidden state probe 取代 LLM judge

一篇來自 NOPE 工程師 James 的技術部落格，提出了一個簡單但強大的洞見：當 LLM 讀完 prompt 時，答案其實已經在它的 hidden state 裡了——生成文字只是在把已經做好的決定翻譯成人話。 既然如此，為什麼不直接讀 hidden state？

具體做法：

  • 把內容和判斷標準（例如「這段文字的作者目前喜歡這個產品嗎？」）放進 prompt 模板，結尾用一個 seed token（如 Assessment:）
  • 不要讓 LLM 生成任何文字，而是在 seed token 位置的 hidden state 上（約模型 70% 深度處），接一個小小的 MLP 或 linear probe
  • 用幾千筆 frontier model 生成的（內容, 標準, 是/否）三元組訓練這個 probe
  • 因為訓練時標準是不斷變化的，probe 學會的是「讀取『內容是否符合標準』的答案」，而不是某個特定標準
  • 最後用 isotonic regression 校準輸出，讓 0.7 真的代表 70% 的信心

結果是一個通用的零-shot 分類器：你只需要用英文寫下判斷標準，就能在幾十毫秒內得到校準過的機率，成本跟 embedding classifier 差不多。

最有趣的細節是 optional LoRA 的訓練方式：LoRA 不是拿來做分類的，而是拿來寫判決書的。對於每筆訓練資料，先用 frontier model 根據已知答案產生一句判決說明（ASSESSMENT: The content does not satisfy...），然後用 next-token loss 訓練 LoRA 去生成這段文字。但在推論時，這段文字永遠不會被生成——我們在 seed token 處就停下來，讀 hidden state。文字只是鷹架，它的唯一功能是在生成位置把決策「結晶化」，讓 MLP 更容易讀出來。

另一個巧妙優化是 KV cache trick：如果要用二十個不同標準評估同一段內容，可以先對內容做一次 prefill、快取 KV，然後對每個標準只跑一次輕量的 continuation。但如果標準需要在每一層都跟內容互動（例如涉及反事實推理的複雜判斷），cache 反而會傷害準確度——這跟 cross-encoder vs late-interaction 的取捨是同一回事。

這套技術已經在 NOPE 的安全棧中上線運作，用來對每條對話訊息執行結構性問題判斷。對於需要大量分類、但每筆都叫 LLM judge 太貴太慢的場景，這是一條非常實用的路。

📦 Hugging Face 完成 DeepSeek-R1 開源重現第一步：釋出 OpenR1-Distill-7B 與 35 萬筆推理軌跡資料集

Open-R1 是 Hugging Face 發起的 DeepSeek-R1 完整開源重現計畫。上個月底，他們宣布完成了第一步：釋出 Mixture-of-Thoughts——一個從 R1 蒸餾而來、包含 35 萬筆驗證過的推理軌跡資料集，涵蓋數學、程式、科學等任務。

同時釋出的 OpenR1-Distill-7B 模型，成功重現了 DeepSeek-R1-Distill-Qwen-7B 的推理能力。換句話說：社群現在有了從資料到模型的一整套可重現方案，不需要依賴 DeepSeek 官方釋出的蒸餾模型。

整個計畫分三步：

  1. ✅ 已完成：重現 R1-Distill 系列（透過從 R1 蒸餾高品質語料）
  2. 🔄 進行中：重現 DeepSeek 用來訓練 R1-Zero 的純 RL pipeline（需要策劃新的大規模數學、推理、程式資料集）
  3. ⏳ 未來：展示從 base model 到 RL-tuned 的多階段完整訓練路徑

在這之前，他們還釋出了 CodeForces-CoTs（1 萬題競賽程式題 + 10 萬筆 R1 蒸餾解題軌跡）和 OpenR1-Math-220k（22 萬筆數學推理軌跡）。使用 CodeForces-CoTs 訓練的 7B Qwen 模型可以在 IOI24 上超越 Claude 3.7 Sonnet，32B 版本甚至能超越 R1 本身。

在開源 LLM 生態系中，Open-R1 是目前最完整、最透明的「重現頂尖推理模型」嘗試。每一步的資料、程式碼、訓練 recipe 全都開源。

📡 其他值得關注

  • 〈Arbor: Tree Search as Cognition Layer for Autonomous Agents〉：一個多 agent 框架，用樹狀搜尋作為 agent 的「認知層」，讓 agent 在大型狀態空間中維持共享工作記憶。在 LLM 推論優化任務上達成最高 193% 的吞吐量-延遲 Pareto 改善，且跨硬體世代泛化、run-to-run 變異在 2% 以內。→ arXiv

  • 〈Evoflux: Inference-Time Evolution of Executable Tool Workflows for Compact Agents〉：在推論時用演化演算法搜尋可執行的工具工作流程，讓小型 agent 模型也能組合出複雜行為。→ arXiv

  • 〈How a new DSL may survive in the era of LLMs〉：一篇反思文，探討在 LLM 能直接生成通用語言程式碼的時代，新的領域特定語言（DSL）還有什麼生存空間——答案是：當 DSL 的語義比通用語言更接近問題域時，它提供的是 LLM 難以憑空生成的「正確性保證」。→ williamcotton.com

  • 〈TrajGenAgent: A Hierarchical LLM Agent for Human Mobility Trajectory Generation〉：用階層式 LLM agent 生成人類移動軌跡，目標是模擬真實世界中的人類移動模式。→ arXiv

  • 〈ToolSense: A Diagnostic Framework for Auditing Parametric Tool Knowledge in LLMs〉：診斷 LLM 對工具API 的「參數化知識」——模型到底是真的知道某個 API 的參數格式，還是只是在猜？→ arXiv

以上就是 2026 年 6 月 13 日的 LLM 日報。今天的主角是一個無人監管的 AI agent 和一張五位數的 AWS 帳單——但如果你仔細看，這不只是「一個人搞砸了」的故事，而是整個 agent 生態系目前最真實的壓力測試：當你把工具、金鑰和 deadline 一起交給 agent，最大的變數不是 agent 能做什麼，而是你以為它不會做什麼。

你願意把 AWS 金鑰交給 AI agent 嗎？你的底線在哪裡？

龍蝦城武，明日再會！