過去三天的素材同時碰到模型能力、推理基礎設施與使用成本：一項皮膚病灶測試中，專門訓練的舊 CNN 在固定資料集上高於兩個 frontier LLM；Cerebras 說明如何把約三兆參數模型拆到多片 wafer；API 價格整理則顯示，快取讀取成本已成為 agent coding 支出的重要部分。這些結果都帶有明確的資料集、硬體、模型版本或測試 harness 條件，不能直接互換成普遍結論。

🔥 200 個病理確認皮膚病灶中，舊 CNN 的正確率高於兩個 frontier LLM

皮膚科醫師 Magnus Lynch 使用 MILK10k 公開資料集，隨機抽取 200 個已由組織病理確認的皮膚病灶，分成 100 個不應直接放行的病灶與 100 個可放行病灶，讓 GPT-6 Astra、Claude Fable 5.1 與 fine-tuned Inception v3 分別從六種診斷中選擇。這是研究者自行設計的測試，不是臨床試驗，也不是模型供應商公布的評測。

Inception v3 判對 125/200（62%），GPT-6 Astra 判對 84/200（42%），Claude Fable 5.1 判對 85/200（42%）。在黑色素瘤分類上，三者分別判對 13/30（43%）、8/30（27%）與 11/30（37%）。CNN 的模型在訓練前排除了相同病灶及同一病人的其他影像，使用者也可以在瀏覽器中試跑它。

測試結果也包含錯誤型態與閾值差異。GPT-6 Astra 把 75 個病灶判為基底細胞癌，但其中只有 25 個屬於該診斷；Claude Fable 5.1 把 53 個病灶判為日光性角化病，而資料中只有 20 個。原文列出的限制包括樣本數小、病灶本身偏難、模型可能存在資料污染，以及 CNN 並非當代架構。以病人提問「需不需要看醫生」時，兩個 LLM 幾乎都建議進一步就醫，這個情境與要求模型直接分類病灶不同。

Cerebras 說明如何用 59 片 WSE-3T wafer 部署約三兆參數模型

Cerebras 的工程文章以開源 Kimi K3 作為示例。文章假設模型約有三兆參數、69 個 linear-attention layers 與 24 個 dense layers，權重使用 4-bit quantization，平均請求長度為 256k，KV cache 使用 8-bit。單片 WSE-3T wafer 有 44 GB on-chip SRAM；在這組假設下，每層約 16 GB，69 個 linear layers 可用兩層一片的方式放到 35 片 wafer，24 個 dense layers 則各佔一片，合計 59 片。

部署方式是把模型層映射成 pipeline stages。權重留在各 wafer 上，請求的 activation 透過 RDMA over Ethernet 傳往下一片，文章給出的單次 hop 延遲約為 2 微秒。多個請求同時填滿 pipeline，不是等一個請求完成後才送下一個；較小的 micro-batch 偏向降低單一請求延遲，較大的 micro-batch 則提高總吞吐。

並行請求數受 dense layer wafer 剩餘的 on-chip memory 與每個請求的 KV cache 大小限制。文章宣稱這種配置可讓多兆參數模型達到每秒 1,000–2,000 個以上 token，但文中的模型、量化、請求長度、硬體數量與服務配置都是示例條件，且性能數字由 Cerebras 自行提供。文章沒有提供與同模型 GPU 叢列在相同請求分布下的獨立比較。

OpenAI 與 Anthropic 近月調整 API 價格，快取讀取成本成為 agent 支出變數

Max Woolf 整理 2026 年 6 月至 9 月的 OpenAI 與 Anthropic 模型價格。整理中，GPT-5.6 Luna 從每百萬 input/output/cache-read token 的 1/6/0.10 美元調整到 0.20/1.20/0.02 美元；GPT-6 Sol 後來列為 0.10/0.50/0.01 美元。Anthropic 的 Claude Sonnet 5 定價為 2/10/0.20 美元，Claude Opus 5.5 則為 4/20/0.20 美元；文章也記錄了模型發布與降價時間點。

這篇整理特別把 cache read 放進 agent coding 的成本計算。作者根據自己的使用觀察指出，編碼代理每輪對話會重用前文，快取讀取可能占 token 支出的 96–99%，快取命中率約為 90–100%；因此快取價格下降，可能比單看 input token 價格更直接影響長對話代理的實際費用。這些比例是作者的說明，不是跨供應商的獨立計量。

文章引用 Vercel AI Gateway 的資料，指出每 token 成本降到 2026 年 4 月的 43.3%，但總支出仍上升，原因是使用量與模型能力增長速度高於單價下降。作者把 OpenAI、Anthropic、開源模型與多家 inference provider 的競爭列為可能因素；至於價格是否由成本降低、競爭或融資壓力主導，原文沒有可驗證的供應商成本資料。

GVS5H 報告：五個 Qwen3.8-27B 模型在 LiveCodeBench Hard 達到 Fable 5 水準

GitHub 專案 GVS5H（Gorilla vs. 5 Humans）公開一套多模型 manager harness，主張讓五個 Qwen3.8-27B 模型協作後，在 LiveCodeBench Hard 的表現達到 Claude Fable 5 的單次呼叫分數。專案 README 同時展示單一模型、五次模型呼叫與 manager 模式的正確率和每題成本，並提供 paper、程式碼、執行結果與圖表。

專案頁面註明，Opus 5 的數字來自較早版本的 scaffold，且是透過 OpenRouter 的單次服務；其他比較則使用固定 backend 的五次呼叫。這些執行設定並不相同，模型、供應商、呼叫次數與 harness 版本都會影響結果，因此頁面數字不是同一條件下的模型能力排名。

GVS5H 提供的重現方式需要 uv、模型供應商 API key 與 LiveCodeBench Hard 的 100 題設定，執行結果會寫入 JSON。專案提供 MIT 程式碼授權與 CC BY 4.0 的 paper、圖表和 run data；目前頁面呈現的是作者專案的 benchmark 與成本報告，尚未包含獨立團隊在相同版本與相同硬體上的重現結果。

📡 其他值得關注

  • Argus：MIT 授權、自架式 AI security operations 平台，包含事件偵測、調查代理與 action broker。它的 simulator 將合成事件交給偵測引擎，可加入節奏與規模等規避變體，不是向外部目標重播攻擊流量 → 原始來源

    10 月 27 日查核補充：我們固定上游版本，在停網容器中重跑 18 項控制測試。通過案例包括 agent 提案保持 pending、排隊後啟用 kill switch 阻止執行，以及 simulation-tagged detection 跳過自動回應；測試使用 SQLite、假執行器與合成資料，沒有呼叫真模型或雲端帳號。

    讀碼另顯示，kill switch 是執行關卡，不是已送出外部 API 的中途取消機制；rollback 也受它阻擋。Simulator 的 coverage 衡量內建情境是否觸發預期規則，不能當成真實攻擊偵測率。完整資料流、失敗對照與 Notebook 重現入口見Argus 提案與執行權限拆解。

  • Corgi：面向人類與代理的 terminal multiplexer，支援 macOS、Linux 與 WSL，提供 agent 狀態、工作區、worktree 與資源使用追蹤 → corgi.computer