slowgen

token 花不完可以去搞库移植，一发/goal 下去就可以了，说不定还能混个奖金 https://moonbitlang.github.io/Hackathon2026/

会，而且语料不再会是问题，强反馈（形式化验证 + 可证明正确） + 高性能 + 快速的编译速度会是后续的重点。

可以想象以下今天的 Claude Fable 5.1 被明年的本地小模型超越，用低到无法想象的 token 成本来大量移植其它现成的库来打造丰富的语料。

MoonBit 、Nim 、V 这些语言够小众了吧？我把官方的文档克隆到本地，光靠本地 Qwen3.8-Flash-Next 无限 token 来移植其它脚本语言的库，1 天跑 60 亿 token ，就靠语法检测和原文档参考以及循环的性能测试，左脚踩右脚螺旋上天了，各项指标超越原版 10 ～ 20 倍，这种情况下怎么可能还会缺语料

@mewking 没什么特别的感觉，就是速度快还有和 27B 一样多黑话。下一代 27B 的架构没有确切的消息，除非盯着蹲 vLLM 和 SGLang 的分支。

@nicegoing 我也是直接在 Google 的 AI Studio 里让 Gemini 3.8 Flash 直接输出翻译后的演讲稿，好用

海外 TypeScript 做全栈是因为可以部署到 CloudFlare Workers 体系，心智负担极低而且账单增长也平缓，没有运维压力，国内没有可以直接对标的产品。

而且在国内用 AI 又离不开人情世故，二线城市本来很多公司的员工本来就是专属某个语言的码农（注意和工程师的区别），出事故要拉来背锅的，如果不换语言，那么 Bug 还可以先甩锅给码农，码农还可以甩锅说已经用了最强的模型了。

虽然我以前写 Node ，又切到 Deno ，但是 AI 时代后端业务要常驻的我首选 Golang ，在 Token 经济学角度来说最划算，本地模型写得又快又准，压根不会有 Token 焦虑，像 mitmproxy 这个老牌抓包软件我前天用本地部署的 Qwen3.8 Flash Next NVFP4 安排任务移植到 Golang ，花了 8 亿多 token 就搞定了，各项性能指标都是 10~20 倍的提升，内存占用也非常低。

Rust 用来负责超高频的热点服务就好， 像 DHH 这个演讲也提到，将 HEY 的核心后端逻辑改由 Agent 生成 Rust 编写后，CPU 消耗降低 99%，内存降低 95%，服务器从 110 台缩减为 10 台（仅为容灾冗余保留），其峰值负载理论上一台树莓派即可承载。换到 Golang 就算悲观估计那就是 3 台树莓派也能承载，差别不大的，但是编译时间、单元测试时间、开发阶段的硬盘占用、Token 消耗都极大减少，在“生成代码→→运行测试→→捕获报错→→重新生成” 的自我纠错循环里算账划算很多。

除了应用本身服务器的成本，还要考虑到周边基础设施的成本，像数据库、缓存、消息队列、对象存储这些大部分设施都是直接买云厂商的高可用版会很贵，敢自建运维的公司少。最近 celld 这种做 CloudFlare Workers 本地部署版的设计就很激进，基础设施就依赖一个 S3 ，应用代码丢 V8 运行，如果单个实体同时访问在 50 人以下就可以设计成一个 cell ，数据库给你绑定 SQLite ，没人访问就休眠把 SQLite 丢到 S3 ，有人访问就从 S3 拉下来，没人访问时常驻内存都为 0 了，用来容灾冗余的资源也可以大幅度削减，经济帐也是非常划算，就看有没有魄力敢这么选型，我已经开始用了。

https://docs.sglang.io/cookbook/diffusion/MiniMax/MiniMax-H3 根据 SGLang 部署文档买显卡就行了

当然重要，选本地模型就能搞定的同时性能最好的那个，不受模型价格波动影响，同时做出来的应用性能也不会差到哪里去。
工具调用也要足够快，不然让模型干等也是浪费时间的。

你假设的数据让你得到了错误的结论，因为你假设的 token 处理量太低了，当然如果你每天就用那么多，那确实回本周期慢。

我用 4 卡 RTX Pro 6000 跑 Qwen3.8 Flash Next NVFP4 ，现在一天最多是跑 54 亿 token(有峰谷，不均匀)，还是因为 SM120 在新模型 Day 0 支持不给力，降级到了 marlin 的 backend 数据，要是用新内核估计处理能力还能提升 20%。

结合 Deepseek Harness 一个/goal 开放式任务可以跑 20 小时以上，最近我做了 xterm.js 移植到 dart 和 CSharp 的测试，然后用 Flutter 和 Avalonia 复刻 tabby ，并且自我迭代优化，几乎是每小时跑 1 亿 token 输入，25 到 30 万的 token 输出，缓存命中率一般在 98%~99%。按照 Qwen 官方定价每小时大概消耗 12~13 元。

现在我的 M2 Ultra 跑 Qwen3.8 Flash Next 的 4bit 量化，短的上下文时，prefill: 538.1 token/s, decode: 55.2 token/s ，长任务会衰减，假设这个数据在 M5 Ultra 上不衰减（因为增强了 AI 部分计算性能），根据 M5 Ultra 对比 M2 Ultra 的带宽差异计算，decode 的 token/s 大概在 80 ~ 100 ，prefill 速度估计可以 x10 ，这个意义在与有 KV Cache 的部分不用重复 prefill ，跑 Agent 新追加的上下文一般是并发读文件，追加的文件到上下文里几乎秒处理完，保守点的估计每小时 3000 万到 5000 万的 token 应该有，对比官方定价每小时消耗 6 元，一个月是 4320 元，M5 Ultra 256G 的 24 期免息分期费用每个月是 3615 元。