先固定“做完”的标准，再谈哪种 AI 更便宜。DeepSeek 1017 的个人测试把十个编程任务各跑三次，报告了账单、时间与验收结果；它让低价有了具体含义，也暴露出单次通过率、稳定完成率和缓存条件不能混用。李不凯的成本讨论里，有人觉得日常够用，有人花掉大量 token 仍没完成任务。这些经历未必矛盾，比较还缺共同的任务与验收条件。
本期沿着这些边界往下读：Lean 把证明的再次检查落实到工具链；Sphinx 试图让人解释代码，却也公开了出题与判分失败；MPT 提出了可学习的分工，但社交传播中的“九成掉线后几乎无损”超出了原实验。学习材料则给出一种起点：把真实工作整理成能验收的评测，先检查测试本身，再比较工具。另附 Anthropic 旧报告的正式更正，以及 OpenCode Console 安全事件的已知范围。
当日材料
- DeepSeek 1017 的便宜，要放回同一组任务里看
- Lean 把“再检查一次”做进工具链
- Sphinx 要你解释改动，也暴露了出题者会判错
- 让 Agent 学会接棒：MPT 的启发与被放大的结论
- “花了多少 token”之后，还得问活做完没有
- llmspeed 把本地推理估速变成等待体验
- 回访更正：Anthropic 收窄了“绕过工具限制”的含义
- OpenCode Console 披露安全事件，修订帖明确了影响范围