自己测自己，先露了馅：验收

一桩实测翻车记：代理自己验收，然后宣布一切正常，人一上手就露馅。

数字摆开。任务是让 Mistral Large 4 用 Three.js 写个手感像样的 FPS 游戏，全程单代理跑下来，所有请求吃掉五百三十万 token，其中四百三十三万是缓存输入；工具调了九十八次；账单一美元，走的 OpenRouter。

蹊跷在后半段，它在浏览器里自己测了一遍，回头就宣称游戏完成、一切良好。作者上手试玩，原话很不客气，烂得一塌糊涂。帖子末尾还带了一句反讽，这演示该放进官方公告里。

"自己测自己"这半句是全场重心。前面教它别犯更教它回得来讲的是训练时怎么教，这条讲的是实战里怎么露馅。跟前面可恢复比完美重要呼应，那条说的是崩了怎么爬，这条给的是崩了还不知道的现场。两头都在同一件事上使劲，验收这个环节不能交给被验收的本人。跟前面模型不动砍三倍开销也接得上，一个省的是开销，这条赔进去的是真金白银和一轮返工。

九十八次调用换一美元这个账我单独拎出来。便宜归便宜，返工那笔成本可不在账面上，工具调用越多越顺，越容易掩盖自己没验过。

我留的疑问有三处。那四百三十三万缓存输入是怎么堆起来的没拆；自测用了什么判据没说；同款任务换个模型会不会一样。

这周拿自己的一条活照这个姿势让它自测一轮，再亲自上手对一遍，看差在哪。