Apple 已收购 Pixelmator。Pixelmator Pro 是一款易于使用的图像编辑和图形创作工具，适用于 Mac 和 iPad。其核心特点包括：

• 强大的 AI 功能：构建于 Apple Intelligence 之上。
• 与 Apple 生态深度整合：作为 Apple Creator Studio 创意应用套件的一部分，与 Final Cut Pro、Logic Pro 等协同工作。
• 灵活的创作体验：提供画布控制和可自定义工作区，支持使用触控手势操作。
• Apple Pencil 支持：实现精确编辑和压力感应。
• 跨设备无缝协作：可在 Mac 和 iPad 之间同步编辑进度，通过“通用剪贴板”跨设备复制粘贴图层，并支持一套键盘鼠标控制多台设备。
• 集成至照片应用：可直接在“照片”应用中使用 Pixelmator Pro 的完整功能。

关于 Apple Creator Studio 订阅服务：

• 这是一个捆绑订阅计划，包含 Pixelmator Pro、Final Cut Pro、Motion、Compressor、Logic Pro 和 MainStage 等应用，并提供高级模板、免版税素材库和智能功能。
• 订阅价格：个人用户每月 12.99 美元或每年 129 美元；学生和教育工作者每月 2.99 美元或每年 29.99 美元。提供 30 天免费试用。
• 单独购买选项：Mac 版 Pixelmator Pro 也可通过 App Store 一次性购买，价格为 49.99 美元。

其他说明：

• iPad 版 Pixelmator Pro 包含在订阅中，提供与 Mac 版相同的功能，并针对触控优化。
• 旧版的 Pixelmator Classic for iOS 不再更新，仍可提供基本编辑功能。
• Photomator 仍作为独立应用在 App Store 提供。
• 系统要求：Pixelmator Pro 需要 macOS 26 或 iPadOS 26，iPad 版需搭载 Apple M1 芯片或更新的机型。

ChatGPT Search 是一项由 OpenAI 开发的搜索功能，旨在改进信息检索和呈现方式。该功能的核心承诺是更好地突出展示和归属来自可信新闻来源的信息，正如 Vox Media 总裁 Pam Wasserstein 所指出的，这既能使受众受益，也有助于扩大产出优质新闻的出版商的影响力。

该项目由多个团队协作完成，领导层包括研究负责人 Michael Janner 和技术负责人 Philip Pronin。其核心研究、产品、设计和工程工作由一支庞大的团队负责，成员包括 Adam Fry、Adam Perelman 等数十人。此外，还有众多贡献者（如 Adele Li、Allison Tam 等）和支持领导层（如 Barret Zoph、Greg Brockman、Sam Altman 等）共同参与推动该项目的发展。

新型牙科骗局：拔除健康牙齿以推销昂贵种植牙

文章揭露了一种日益普遍的牙科过度治疗现象：部分牙医或牙科连锁机构为追求高额利润，倾向于建议患者拔除本可保留的健康牙齿，转而推荐昂贵的种植牙修复方案。这一做法引发了专家对患者健康、经济负担以及行业伦理的严重担忧。

核心问题与典型案例

• 健康牙齿被过度拔除：多名专家指出，他们为许多被推荐进行全口种植牙的患者提供第二诊疗意见时，发现其牙齿实际上可以通过根管治疗等常规手段保留。哈佛大学牙医学院院长表示，他曾为“数十位”被误推荐种植牙的患者提供咨询。
• 种植牙并非一劳永逸：专家纠正了公众认为种植牙比天然牙更坚固持久的误解。种植牙无法患龋，但依然可能发生牙周感染和骨吸收，且一旦出现问题，治疗选择比天然牙更少，失败速度可能更快。
• 患者经历惨痛后果：52岁的贝琪·卡罗尔因牙齿问题，在一家ClearChoice诊所被建议并实施了全口上颌牙齿拔除及种植手术，费用3.1万美元。手术中麻醉失效导致她全程清醒，术后假牙严重错位，两年多无法正常咀嚼，需额外进行修复手术。她后悔未先尝试保留牙齿的治疗。

驱动因素与行业现状

• 经济利益驱动：单颗种植牙费用数千美元，全口种植则需数万美元。专家指出，从牙医收入角度，拔牙并植入种植体的利润远高于保留和治疗天然牙。
• 私募股权主导的连锁化经营：近年来，大型牙科连锁机构（如ClearChoice、Aspen Dental、Affordable Care）被私募股权公司大量收购。批评者认为，这种商业模式可能助长过度治疗以追求短期利润。有诉讼指控，患者在未见到牙医前就先与销售人员签订贷款协议。
• 培训不足与监管缺失：在美国大多数州，牙医无需接受专门的种植牙手术培训即可操作。一项分析发现，一些连锁诊所超过70%的门店仅列明全科牙医，缺乏口腔外科医生等专科医师。俄勒冈州因频发的手术失败案例，成为全美首个要求牙医在放置种植牙前完成56小时实操培训的州。
• 广告误导与市场扩张：电视和社交媒体广告常宣传种植牙可“一日焕新微笑”，影响了公众认知。美国2022年植入物销量超370万颗，年均增长率超6%。

法律纠纷与行业回应

• 多地出现诉讼：文章列举了在美国多个州提起的诉讼，指控牙科连锁机构在未充分告知替代方案或存在误导的情况下，不必要地拔除患者牙齿。许多案件最终以私下和解告终。
• 行业机构辩护：涉事公司（如ClearChoice、Affordable Care）否认存在不当行为或过度治疗。ClearChoice在声明中称，全口种植是牙齿严重缺失患者的“公认标准护理”。美国牙科支持组织协会则拒绝受访。

总结

文章通过个案与行业调查，揭示了在经济利益和商业模式驱动下，牙科种植领域可能出现的道德滑坡：即牺牲保留天然牙的治疗原则，过度推广昂贵且不可逆的种植牙手术。专家呼吁公众需提高警惕，寻求第二诊疗意见，并认识到维护天然牙齿的重要性。同时，行业监管和牙医培训的不足也被认为是导致问题的重要因素。

Wait Until 8th 运动摘要

运动目的：鼓励父母承诺在孩子至少完成八年级之前不给他们智能手机，以保护小学和中学生免受智能手机的干扰和潜在危险，减轻早期拥有手机的社会压力。

关键点：

• 背景：孩子平均在10岁时获得第一部智能手机，智能手机的普及改变了童年，减少了户外活动、阅读和家庭时间，增加了社交媒体（如Snapchat、Instagram和YouTube）的使用。
• 社区行动：已有超过147,000名父母签署了承诺，通过集体努力减轻早期拥有手机的压力，影响全国社区。
• 激活机制：父母签署在线承诺后，需同一学校和年级的至少10个家庭共同签署才能激活。激活后，参与者会收到等待家庭的列表和家长联系方式，便于连接支持。
• 替代方案：如果需要联系，运动推荐使用基本手机或智能手表，这些设备仅支持通话和短信，避免智能手机的干扰和危险，同时允许签署承诺。

行动呼吁：父母被鼓励立即签署承诺，延迟给孩子智能手机，共同保护孩子的童年，改变社区规范。

苹果 M1/M2 GPU 驱动更新摘要

驱动概况与目标

• 技术栈与成就：苹果 M1/M2 GPU 的开源内核图形驱动使用 Rust 语言编写，并已达到多项图形标准的符合性认证。
• 演讲背景：在 XDC 2024 上，开发者 Alyssa Rosenzweig 汇报了驱动的最新进展，重点包括曲面细分技术的实现和 Vulkan 的支持情况。

技术实现与挑战

曲面细分

• 进展：驱动已从 OpenGL ES 3.1 升级至 OpenGL 4.6 符合性。
• 硬件限制：尽管苹果 GPU 有硬件曲面细分器，但其功能缺失，无法直接支持 OpenGL、Vulkan 或 Direct3D 等标准，因此无法直接使用。
• 软件解决方案：驱动采用纯软件方案实现曲面细分：
  • 使用微软多年前发布的参考曲面细分代码（约 2000 行 C++）。
  • 将此代码移植为 OpenCL C 代码，利用 GPU 的大规模并行能力处理场景中的众多曲面片。
  • 通过 GPU 原子指令管理内存分配，解决了并行处理中的资源分配问题。
• 性能：软件方案在演示中达到 265 fps，远高于纯 CPU 方案的不到 1 fps，虽低于硬件原生的 820 fps，但被认为足够用于游戏。

Vulkan 支持与游戏运行

• Vulkan 符合性：基于 NVK 驱动开发的 Honeykrisp 驱动已达到 Vulkan 1.3 符合性，并支持几何着色器、曲面细分、变换反馈等特性，满足多个 DirectX 版本的功能需求。
• 运行 AAA 游戏的挑战：要在 Asahi Linux（基于 ARM 架构的 M1/M2 芯片）上运行 Windows x86 平台的 DirectX 游戏，需解决多重转换问题：
  1. 图形 API 转换：使用 DXVK 和 Wine/Proton 将 DirectX 转换为 Vulkan 并提供 Windows 兼容层。
  2. CPU 架构模拟：使用 FEX-Emu 模拟 x86 架构。
  3. 页面大小差异：这是最大挑战。Linux 不支持异构页面大小，但虚拟化（KVM）可以。解决方案是将整个技术栈（FEX-Emu、Wine、DXVK、游戏）运行在一个使用 4KB 页面的 KVM 虚拟机客户内核中。
• GPU 虚拟化：Honeykrisp 驱动运行在客户机中，通过 virtgpu 原生上下文与主机通信，将最终的 GPU 命令缓冲区交给主机的 VirGL 渲染器。此方案开销主要在 CPU 和 GPU 之间并行，整体性能损失可控制在 10% 以内。

成果与现状

• 游戏兼容性：该方案已成功运行多款游戏，包括《传送门》、《巫师3》、《辐射4》、《Control》、《赛博朋克2077》等。
• 性能示例：在 M1 MAX 系统上，《Control》以 45 fps 运行。
• 资源要求：运行高端游戏通常需要 16GB 或以上内存的设备。
• 未来计划：开发者计划开始为 M3 GPU 提供驱动支持。对于光线追踪支持，目前被视为低优先级功能。
• 发布状态：演讲中提到的所有组件已于 2024 年 10 月 10 日发布，建议使用 Fedora Asahi Remix 的用户更新。

《自己动手做》 是一本数字书籍，旨在展示全球创意人士的才华。该书汇集了超过1000个实用的DIY项目，旨在展示亲自动手制作的无限可能。书中展示的每个项目都直接链接至其原始项目网站，在那里你可以找到完成该项目所需的一切资料。作者希望这本书能成为你下一个项目的灵感来源。

错误提示分析

文章内容显示为一段网站错误提示信息，而非预期的苹果M4 Max芯片性能文章。具体内容如下：

错误现象

• 访问过程中出现技术问题
• 平台：x.com（推特）

可能原因

• 隐私相关扩展程序干扰了网站正常功能

建议解决方案

1. 禁用隐私扩展程序（如广告拦截器、跟踪保护工具等）
2. 刷新页面或重新尝试访问

技术背景

此类错误常见于：

• 第三方浏览器插件与网站脚本冲突
• 过度严格的隐私设置阻止必要内容加载
• 临时服务器连接问题

注意：此错误提示并非原预期的M4 Max芯片性能评测内容。实际技术文章未能正常加载，建议检查网络连接或尝试其他访问方式。

Automat 项目摘要

项目定义 Automat 是一个为虚拟事物设计的实体化交互界面，致力于通过视觉隐喻和直接操作来提供对软件最自然、最精确的控制。

核心设计理念与原则

1. 最小延迟与性能优先：强调通过视觉隐喻和直接操作实现低延迟交互，并明确要求动画和声音不得拖慢用户界面。
2. 互操作性：认识到现有软件难以被轻易取代，因此该项目必须能够包装、嵌入并与其他现有技术并行运行。
3. 未来兼容性：设计目标是能在各种形态的计算机上运行，包括PC、VR眼镜、物联网和可穿戴设备。部分设备可能需要无头操作，并通过基于Web的界面进行访问。
4. 极致的轻量化：以能在树莓派等硬件上运行为基准，强调每一兆字节内存都至关重要，确保极低的资源占用。

发布与许可

• 发布模式：Automat 采用每周发布的节奏，目前为Linux和Windows提供最新构建版本及其发布说明，稳定版本即将推出。
• 许可与支持：项目采用宽松的MIT许可证，适合商业使用。其支持来自公共和非营利组织，这消除了从用户身上牟利的动机，从而避免了损害用户体验的“变质”风险。

Oasis：Transformer中的宇宙

模型概述

Oasis是首个实时、开放世界、体验式AI模型，通过AI生成交互式视频体验。它能接收用户键盘输入并实时生成包含物理规则、图形和游戏机制的世界，用户可移动、跳跃、拾取物品、破坏方块等，且不依赖传统物理引擎，完全基于基础模型实现。

核心技术架构

1. 双模块结构：

   • 空间自编码器（基于ViT）：处理空间信息。
   • 潜扩散骨干网络（基于DiT）：生成动态内容。
   • 均采用Transformer架构，确保稳定扩展性和快速推理能力。

2. 自回归生成：

   • 与双向模型（如Sora）不同，Oasis以自回归方式逐帧生成，每帧可依据用户输入调整，实现实时交互。
   • 训练采用扩散强迫技术，支持独立去噪水平和新型解码方案。

3. 时间稳定性优化：

   • 通过动态噪声注入解决自回归模型中的误差累积问题：初始推理阶段注入噪声以减少错误积累，后续阶段逐步移除噪声以保留高频细节，提升长期一致性。

性能表现

• 实时生成：以20帧/秒速度输出，比现有同类模型（如Sora）快100倍以上。
• 硬件优化：
  • 依赖Decart推理引擎实现实时帧率。
  • 为Etched公司的Transformer专用芯片Sohu优化，可支持4K分辨率、千亿参数级模型，并提升10倍以上用户服务效率。
• 规模化潜力：未来计划扩大模型与数据集规模，以解决远景模糊、物体一致性、领域泛化等问题。

应用与展望

• 交互扩展：未来可基于文本、音频等多模态输入控制体验。
• 开放资源：已开源代码、发布5亿参数模型权重及在线演示。
• 合作方向：寻求解决大规模训练与推理成本问题的技术合作。

挑战与未来方向

• 当前局限：远景视频模糊、不确定性物体时间一致性不足、长上下文生成困难。
• 解决路径：通过模型/数据规模扩展及推理技术突破来优化性能与成本平衡。

“幽灵职位”现象对科技行业求职者造成严重影响

“幽灵职位”是指并非真实空缺、但被公开招聘广告的岗位。近年来，随着科技行业裁员和预算削减，这种现象愈发普遍。根据2024年MyPerfectResume的调查，81%的招聘人员承认发布过虚假或已填满的职位广告；而Resume Builder的报告显示，40%的雇主在2024年发布了虚假职位列表，其中十分之三的雇主当前仍挂着幽灵职位。

出现原因多元且复杂：

• 维持存在感与建立人才库：部分公司借此在招聘平台保持活跃。
• 心理战术：25%的受访者称此举用于评估员工的可替代性；23%称是为了在招聘冻结期营造公司稳定的假象；Resume Builder的报告指出，62%的公司故意让员工感觉可被替代，或欺骗过度劳累的员工，使其相信将有新人入职分担工作。
• 其他目的：有时高级职位的招聘广告甚至被用作拓展业务联系的渠道，招聘人员在面试中转而推销自己的服务。

对求职者产生负面影响：

• 求职者耗费大量时间研究和定制申请，却发现许多职位虚假，导致士气低落、精神疲惫。
• 职业教练John Lovig指出，申请大量职位却无回音令人沮丧，而接到电话又会让人感到“唯一的救命稻草”，导致求职者可能显得过于急切，影响面试表现。
• 这种趋势在科技行业尤为明显，因过去几年裁员频繁。

识别与应对建议：

• 交叉验证：若职位发布超过30天、薪资范围模糊、且未出现在公司官网或社交媒体，需保持警惕。
• 网络社交：职业教练Jasmine Escalera和John Lovig均强调，主动建立人脉是关键。通过社交网络可以了解公司实际招聘情况，甚至获得内部推荐。
• 创建在线原创内容：展示专业能力，吸引关注，增加职业机会。

结论： 尽管这种做法不道德且损害求职者福祉，但短期内可能持续存在。职业顾问Stacie Haller批评了由HR部门主导这种误导性做法的现象。求职者需提高警惕，并将网络社交作为求职策略的核心组成部分，以更有效地辨别真实机会并寻找就业途径。

这篇文章讲述了作者为构建海关申报应用选择技术栈的经历。作者最初出于熟悉和开发效率选择了Ruby on Rails，计划之后用更“安全”的语言重写。

作者尝试用Rust和SvelteKit构建第二版，虽然性能出色，但因缺乏成熟框架、需要大量基础工作且功能远落后于Rails版本而放弃。此后，作者计划逐步用SvelteKit和Rust替换Rails的前端和后端，初期迁移了一些页面，但随后发现团队（包括新招的开发者）将大量时间投入技术实现细节（如Rust库选型、抽象构建），而非为用户创造直接价值。主要功能仍在Rails上运行且更完善。

经反思，作者意识到这种技术栈迁移消耗巨大精力却未惠及用户，并增加了维护复杂性。因此，他做出了将已迁移部分重写回Rails，并让团队学习Rails的决定。文章最后强调，Rails的成熟生态系统、约定俗成和专注产品开发的优势胜过其他方案的潜在性能收益。作者接受Ruby/Rails的缺点（如运行时错误），认为可通过测试、重构和合理设计来管理。这次经历让他认识到软件开发本质是权衡，而专注于构建产品比追求技术完美更重要。

文章摘要：荷兰城市间初步量子网络链接

由QuTech领导的国际研究团队成功演示了跨越城市距离的量子处理器间网络连接，这一成果标志着从实验室早期研究网络迈向未来量子互联网的关键进展。团队开发了完全独立运行的节点，并将其与已部署的光互联网光纤集成，实现了25公里的量子链接。研究结果已发表于《科学进展》期刊。

量子互联网的潜力 当前的互联网共享经典信息（比特），而未来的量子互联网将能共享量子信息（量子比特）。量子比特不仅能处于0或1状态，还能处于叠加态（同时是0和1），且能实现量子纠缠——即无论距离多远都能保持瞬时关联。全球研究人员正致力于构建利用这些特性的量子网络，以提供全新的通信和计算能力，例如生成安全加密密钥以保护金融或医疗数据，或连接远程量子计算机以增强其能力并保障用户隐私。

走出实验室的突破 该团队在荷兰代尔夫特和海牙之间通过25公里已部署的地下光纤连接了两台小型量子计算机，创下了量子处理器间量子纠缠的距离纪录，这也是首次在不同城市间连接量子处理器。团队此前已在实验室内实现了首个多节点量子网络，但走向城际连接面临重大挑战：需设计灵活系统使节点能长距离独立运行；需缓解光子损耗对连接速度的影响；并需确保每次成功建立纠缠链接时能可靠确认。若无这些创新，如此远距离的连接将不可能实现。

攻克技术难题 为解决光子损耗问题，团队采用了光子高效协议，并对连接光纤链路进行了极其精确的稳定化处理。共同作者Arian Stolk比喻道：“该链接需要在25公里光纤上保持比光子波长（小于1微米）小得多的稳定性。这一挑战相当于将地球与月球之间的距离控制在仅几毫米的精度内。”通过结合研究见解与工程应用，团队成功解决了这一难题，并演示了两个包含金刚石自旋量子比特的量子网络节点间的成功纠缠。独立运行的节点通过中点站经光纤连接，能够可靠地交付预先指定的节点间纠缠态。

产学研紧密合作 共同作者Kian van der Enden强调，团队的广泛专业知识对项目成功至关重要：弗劳恩霍夫ILT开发了关键组件——新型量子频率转换器；OPNT提供了先进的计时硬件；Element Six提供了定制的合成金刚石材料；Toptica开发了高稳定性激光器；荷兰电信运营商KPN则提供了光纤基础设施以及节点、中点站和海牙节点的部署位置。

为欧洲量子互联网奠定基础 该成果解决了未来量子网络扩展的关键挑战，是重要的里程碑。研究共同资助方QDNL的Jesse Robbers表示，这体现了在数字基础设施未来基础开发及应用化方面的领导力。所采用的架构和方法可直接应用于其他量子比特平台，包括团队正在开发的新一代可扩展量子比特。成功利用已部署的传统互联网基础设施，为量子互联网的发展开启了新阶段。Hanson总结道：“这项工作标志着从研究实验室迈向实际现场的关键一步，使得在城市规模上探索首批量子处理器网络成为可能。”

出版详情 该研究论文题为《都市尺度下固态量子比特的受约束纠缠》，发表于《科学进展》。

这篇文章记录了作者在DOSBox-X模拟器中尝试安装Windows XP的实验过程与最终成功的关键突破。

起初，作者尝试了两种常规方法均告失败：

1. 从Windows 98升级：安装程序在复制文件时失败，尽管ISO镜像的校验和正确。
2. 全新安装：启动安装程序困难，即使从Windows 98环境内启动，安装过程也会因文件复制错误而中止，重启后问题依旧。作者推测这可能与IDE驱动或控制器模拟相关。

关键突破源于对系统内核的思考：

• 作者意识到Windows XP与Windows 2000同属NT内核，而Windows 98基于MS-DOS。他推断直接在DOSBox-X环境下进行NT内核的转换可能需要更低级的访问权限，而这可能无法实现。
• 因此，他改变了策略：先在Windows 98基础上成功升级到Windows 2000并确保其正常工作，然后再从Windows 2000升级到Windows XP。

这次方法奏效了：

• 升级过程顺利，没有出现文件复制错误。
• 安装程序重启后进入了图形化安装界面（而非之前的文本模式），安装顺利完成。
• 尽管首次启动的“开箱体验”（OOBE）阶段因音频失真和性能问题导致系统锁死，但重启后Windows XP成功启动，并自动迁移了来自Windows 2000的用户账户。

最终，Windows XP在DOSBox-X中成功运行。作者测试了部分软件：

• 《过山车大亨》运行流畅，无音频问题。
• 《三维弹球：太空军校生》完美运行。
• 其他游戏（如《模拟人生》）仍然无法运行。

文章总结了这次实验：通过发现并遵循从Windows 2000（同为NT内核）升级这一可行路径，作者最终实现了最初认为“不可能”的任务，体现了在模拟器探索中尝试新方法的重要性。

Apple静默上传并保留用户密码问题

核心问题

作者发现，即使禁用iCloud钥匙串功能，苹果仍会将用户密码上传并永久保留在其服务器上，且用户无法在icloud.com上查看或管理这些数据。

事件背景

• 作者在macOS Sonoma更新时，iCloud钥匙串被自动静默启用（尽管作者之前已采取预防措施）。
• 更关键的是，当作者随后禁用iCloud钥匙串时，密码并未从苹果服务器上删除。
• 所有密码在禁用功能后仍保留在iCloud中，作者对此毫不知情。

发现过程

1. 意外发现：作者在仅用于测试的Mac mini（运行Sequoia系统）的Safari中发现了自己的网站密码。该设备本不应包含任何个人数据。
2. 时间线索：密码的最后编辑日期（2024年5月25日）与作者更新主MacBook Pro到Sonoma的日期（2024年5月26日）高度吻合。
3. 推测场景：
   • 更新MacBook Pro时，iCloud钥匙串被自动启用，密码被快速上传。
   • 作者禁用该功能后，密码仍留在服务器。
   • 当作者在Mac mini上首次登录iCloud安装Sequoia测试版时，该功能再次被自动启用，导致密码被下载到Mac mini。

苹果政策变化

• 旧政策（2021年文档）：用户关闭iCloud钥匙串时，若选择不保留信息，钥匙串数据将从设备和iCloud服务器上删除。
• 现政策（当前文档）：关闭iCloud钥匙串后，密码等信息仅存储在本地；若退出iCloud时选择不保留，密码无法在设备使用，但加密副本会保留在iCloud服务器。重新启用后，密码将再次同步。
• 作者认为这相当于苹果永久保留了用户数据。

作者的应对措施

1. 手动删除：在Mac mini的Sequoia系统中手动删除了所有密码。
2. 重新同步：启用iCloud钥匙串以同步删除操作到服务器，然后再禁用。
3. 验证：在另一系统（Sonoma）上启用iCloud钥匙串，确认无密码下载。
4. 遗留担忧：无法确认Wi-Fi密码等其他钥匙串数据是否也被保留。

根本解决方案

作者发现，防止iCloud钥匙串被自动启用的唯一可靠方法是使用MDM（移动设备管理）配置文件。

关键结论

• 苹果可能在用户不知情、不同意的情况下静默启用iCloud钥匙串并上传密码。
• 即使禁用该功能，密码也不会从苹果服务器上删除。
• 苹果的政策使得用户对iCloud中存储的个人密码数据失去控制权和知情权。

在线会议的意义

线下会议的核心功能与在线局限

作者认为线下会议最重要的功能是人际连接（建立持久关系）和领域跟进（在专业领域内获取最新进展）。然而，这两点在线上环境中难以实现：线上活动通常是短暂事件，不利于形成深度社交关系；而对于主题广泛的综合会议，也无法实现对所有领域发展的全面跟进。

在线会议存在的独特价值

作者通过长期思考，提出在线会议应聚焦于以下三个核心价值：

1. 协调作用：集中了演讲者的投入与听众的注意力，创造了高密度的互动情境，高效解决了参与者的协调问题。
2. 知识提炼：为忙碌的顶尖专家提供一个高效传递智慧的途径。相较于写书等耗时方式，准备一个短演讲并回答问题时间效率更高，且预录视频、异步聊天、无差旅要求等形式降低了专家的参与门槛。
3. 跨领域启发：通过精心策划内容，吸引不同背景的观众，解释通用理念而非细微进展，为跨领域工具或方法的借鉴创造条件，这种“偶遇”在线上可能更容易实现。

设计与实现方式

为了实现上述价值，作者在会议设计上采取了以下关键措施：

内容策展

• 主动邀请专家：专注于那些知识文档稀缺、可能带来跨领域启发，或拥有独特想法的专家。
• 缩短演讲时长：采用大量短时演讲（如2022年会议的一天内34场10分钟演讲），以增加信息密度和多样性。
• 平衡参与门槛：在邀请制确保质量的同时，完全开放闪电演讲投稿，降低新人参与障碍。

对话与互动

• 将聊天作为核心：使用Zulip等具备强大线程功能的平台，并将其作为会议主界面，而非附属功能。
• 优化聊天结构：为每场演讲设立独立频道（或线程），支持讨论在会后持续数天，延续思考和交流。
• 强化主持工具：利用Zulip的消息移动、订阅/静音等功能管理讨论，保持话题聚焦。

充分利用在线优势

• 可达性：通过预录演讲和提前转录/校正字幕，服务听障、视障、非英语母语者、口音较重的演讲者及环境嘈杂的观众。
• 经济性：极大降低了参与成本（提供免费门票选项），消除了差旅、住宿、签证等障碍，使全球更多人（包括经济条件有限的学者）能够参与。

Physical Intelligence 的首个通用机器人基础模型 π0

核心目标与背景

当前人工智能在物理世界中的能力有限，而人类在实体任务操作上远超AI。为解决这一问题，公司开发了首个通用机器人基础模型 π0，旨在实现“物理智能”，使机器人能像大语言模型（LLM）一样，仅凭文本指令即可执行各类任务。

π0 模型特点

1. 多模态与动作输出：结合图像、文本与动作数据，通过新型架构直接输出低层电机命令（频率达50Hz）。
2. 跨机器人泛化：训练数据覆盖8种不同机器人平台，支持零样本任务执行或针对特定场景微调。
3. 互联网规模预训练：基于视觉-语言模型（VLM）初始化，继承网络数据的语义理解能力。
4. 流匹配技术：采用扩散模型变体，实现连续动作输出，解决灵巧操作需求。

训练数据与任务

• 数据来源：整合开源机器人数据集（Open X-Embodiment）、互联网预训练数据及自采灵巧任务数据集。
• 任务类型：涵盖叠衣、收桌、装箱、布线等复杂任务，强调物理交互的通用理解而非单一应用。

性能评估

在五项高难度任务中对比了 π0、简化版 π0-small（无VLM预训练）、OpenVLA 和 Octo：

• π0 在所有任务中表现最佳，平均得分显著领先。
• π0-small 性能次之，但 VLM 预训练使完整模型性能提升超过两倍。
• 评估采用评分制（满分1.0），支持部分正确执行（如完成一半任务得0.5分）。

应用示例

• 叠衣：微调后机器人可自主从烘干机取衣并折叠成堆，能适应人工干预。
• 收桌：展示策略涌现能力（如堆叠餐具、抖落垃圾）。
• 装箱：需多阶段折叠与实时调整，模型通过双臂协作完成。

未来方向

• 技术挑战：长期推理规划、自主改进、鲁棒性与安全性。
• 社区合作：呼吁硬件设计、数据采集等领域合作，推动模型适配更多平台。
• 研究进展：π0 为早期原型，后续将探索更通用的机器人基础模型。

Ink 是一个基于 React 的命令行界面（CLI）应用开发框架。它允许开发者使用熟悉的 React 组件模型和 Flexbox 布局来构建和测试交互式 CLI 应用。

核心特性

• React 驱动：作为 React 的渲染器，继承了 React 的全部特性，允许使用 JSX 和组件化开发。
• Flexbox 布局：使用 Yoga 引擎在终端中实现 Flexbox 布局，支持熟悉的 CSS 属性（如边距、内边距、对齐方式等）。
• 跨平台：支持 Linux、macOS 和 Windows。

主要组件

• <Text>：用于显示和设置文本样式（颜色、粗体、斜体、下划线等）。
• <Box>：布局容器，等同于浏览器中的 <div>，支持完整的 Flexbox 属性以及边框、背景色等。
• <Newline>：在 <Text> 内插入换行符。
• <Spacer>：弹性空间，用于在布局中填充剩余空间。
• <Static>：用于渲染不会变化的静态内容（如日志、已完成的任务），其内容固定在输出顶部。
• <Transform>：在写入输出前，对子组件的字符串表示进行转换。

常用 Hooks

• useInput：监听和处理用户键盘输入。
• useApp：访问应用生命周期方法，如 exit()。
• useStdin / useStdout / useStderr：访问标准输入、输出和错误流。
• useFocus / useFocusManager：管理组件的焦点状态。
• useAnimation：驱动简单的逐帧动画。
• useWindowSize：获取终端窗口尺寸。

核心 API

• render(tree)：将 React 组件树渲染到终端，并返回一个实例。
• renderToString(tree)：将 React 组件树同步渲染为字符串，不写入终端。
• 实例方法：
  • rerender：更新已渲染的组件树。
  • unmount：卸载应用。
  • waitUntilExit：返回一个 Promise，在应用卸载时解决。

重要功能

• 自动控制台修补：拦截 console.* 方法，使其输出与 Ink 的渲染正确协调。
• 屏幕阅读器支持：通过 aria-* 属性提供基础的无障碍访问功能。
• 测试支持：与 ink-testing-library 结合，便于对组件进行测试。
• React Devtools 集成：可通过环境变量启用，用于调试组件树。
• 终端适配：在 CI 环境中自动调整行为（如仅输出最后一帧），并支持备用屏幕缓冲区等高级终端功能。

生态与示例

Ink 拥有丰富的第三方组件库（如 ink-text-input, ink-spinner, ink-table 等）和实用的 Hooks，文档中也提供了多个示例（如计数器、表单、焦点管理等）供参考。它已被众多知名项目（如 Claude Code, GitHub Copilot CLI, Prisma, Gatsby 等）采用。

安装与使用

可通过 npx create-ink-app 快速创建项目。对于现有项目，需要安装 ink 和 react，并配置 Babel 以支持 JSX。手动设置时，需确保 Babel 配置了 @babel/preset-react。

许多因素可能影响早睡能力，如非晨型作息、工作家庭责任、睡眠或心理健康问题，以及“报复性熬夜”。约35%的美国成年人睡眠不足7小时。通过改善睡眠卫生，可以训练身体更早入睡。

建立睡前放松 routine
睡前进行放松活动有助于入睡，包括：

• 温水淋浴或泡澡：降低核心体温，促进更快入睡和改善睡眠质量。
• 冥想：减少焦虑和失眠症状，缓解睡眠干扰。
• 阅读（纸质书为佳）：有助于放松和诱导睡意，但使用平板电脑阅读可能降低睡意并延迟深度睡眠。
• 听轻柔音乐：帮助放松并改善睡眠质量。
• 写日记：将压力和待办事项写在纸上，有助于更快入睡。

避免睡前使用电子设备
蓝光（来自手机、电视、电脑等）会抑制褪黑激素分泌，延迟入睡并降低睡眠质量。建议睡前数小时限制使用这些设备，最好将设备置于卧室外。

保持规律的睡眠时间表
每天固定时间睡觉和起床，即使在周末也尽量保持一致。调整睡眠时间时，可逐步提前15分钟。避免傍晚后小睡，以免干扰夜间睡眠。

合理安排运动
规律运动有助于改善睡眠，但应避免睡前1小时内进行高强度运动。睡前可选择瑜伽、太极等低强度活动，帮助放松。

优化卧室环境

• 保持黑暗：使用遮光窗帘或眼罩。
• 降低温度：保持卧室凉爽，可使用风扇或调整寝具。
• 减少噪音：使用耳塞或白噪音机。
• 专床专用：仅将床用于睡眠，避免在床上工作；若20分钟内无法入睡，可离开卧室进行放松活动直至有睡意。

避免睡前摄入刺激物
咖啡因（咖啡、茶、能量饮料）应在睡前4-6小时内避免摄入。

考虑天然助眠剂（需咨询医生）

• 褪黑激素：帮助调节 circadian 节奏，可能辅助入睡。
• 花草茶：某些种类可能减少疲劳、改善睡眠质量，但需注意避免睡前过多饮水。
• 助眠香氛：如薰衣草，可能改善睡眠质量。

尝试任何助眠方法前，建议咨询医疗专业人员，以排除潜在睡眠障碍并获得个性化建议。

马萨诸塞大学阿默斯特分校研究人员发明了一种对准三维半导体芯片的新方法：通过激光照射芯片上图案化的同心超透镜产生全息图，实现高精度对准。该方法有望降低三维芯片生产成本，并为紧凑型传感器等应用开辟道路。

技术背景与问题 三维芯片由多个二维芯片堆叠而成，各层需在纳米级精度（沿x、y、z三轴）上对准。传统方法依赖显微镜观察标记（如十字准线）进行重叠对准，但存在两大局限：

1. 由于芯片层间存在数百微米间距，显微镜无法同时清晰聚焦两层标记，重新对焦过程易导致芯片移位。
2. 受衍射极限限制，可分辨的最小特征尺寸约为200纳米，精度不足。

新方法原理与优势 研究团队在芯片中嵌入由同心超透镜构成的对准标记。激光照射后，两芯片的标记产生相互干涉的全息图像。该图像直接显示对准状态、偏差方向及具体数值，且系统无活动部件。

• 精度突破：实际测量精度远超预期，横向（x/y轴）误差低至0.017纳米，纵向（z轴）误差为0.134纳米，达到原子尺度检测水平。
• 操作简化：仅需简单激光和相机即可实现，无需复杂机械运动。

应用前景

1. 半导体制造：解决三维芯片对准的高成本难题，降低生产门槛，助力中小创新企业。
2. 传感器领域：方法可推广至位移传感器，通过测量膜片移动等物理位移，实现对压力、振动、加速度、热膨胀等量的检测。

研究详情 该成果发表于《自然·通讯》（2024年），作者为Maryam Ghahremani等。方法通过超表面实现深层亚波长精度的远距图案对准，为三维光子/电子芯片及相关传感器技术提供了低成本、高精度解决方案。

TokenFormer: 重新思考Transformer的可扩展性

核心问题

传统Transformer模型在扩展时面临高成本问题，主要源于其依赖固定参数的线性投影层。任何架构修改（如通道维度调整）通常都需要从头重新训练整个模型，随着模型规模增长，这种策略导致计算成本不可持续。

创新解决方案

本文提出TokenFormer，一种原生可扩展的架构。其核心创新在于将注意力机制不仅用于输入token间的计算，还扩展到token与模型参数之间的交互，从而增强了架构的灵活性。

关键技术

• 参数作为Token处理：模型参数本身被视为token。
• Token-Parameter注意力层：替代传统Transformer中的所有线性投影层。在此层中，输入token作为查询，模型参数则作为键和值。
• 渐进式扩展：通过逐步添加新的键-值参数对，模型可以从1.24亿参数平滑扩展到14亿参数，无需从头训练。

实验效果

• 模型从124M参数扩展到1.4B参数。
• 扩展后的模型性能与从头训练的Transformer相当。
• 显著降低了训练成本，实现了高效、渐进的模型规模化。

资源

论文代码和模型已公开。

Org Mode 语法速查表（2017）摘要

Org Mode 是一种标记语言，主要用于在 Emacs 环境中进行笔记记录、文档生成（可导出为 LaTeX、Word 或 HTML）以及创建博客文章（如通过 Org2blog）。尽管通常与 Emacs 关联，但 Org Mode 本身是一种强大且标准化的标记语言，优于 Markdown。本文改编自 Karl Voit 的示例，展示了 Org 语法的核心要素，涵盖了多种功能，包括结构、格式、链接、列表、代码块、表格和导出选项。

关键语法元素

• 标题层次结构：使用星号（*）定义标题级别，例如一级标题（* Top Level Heading）、二级标题（** Second Level Heading）和三级标题（*** Third Level Heading）。
• 注释：以井号（#）开头的行在导出时被忽略，用于添加注释。
• 段落分隔：至少一个空行用于分隔段落。
• 文本格式：
  • 粗体（*bold*）、斜体（/italic/）、下划线（_underlined_）、删除线（+strikethrough+）和等宽字体（=monospaced=）。
• 链接：
  • 带描述的链接：[[链接地址][描述]]。
  • 无描述的链接：直接放置链接地址。
  • DOI 链接：使用 doi: 前缀，例如 [[doi:10.1093/comnet/cnv016][描述]]。
• 水平线：通过三个或更多连字符（-----）创建。
• 列表：
  • 项目符号列表：使用短横线（-）开头，支持子项目（通过缩进）。
  • 编号列表：在子项中使用数字（如 1. Numbered item.）。
  • 待办事项：使用 [ ] 表示未完成项，[X] 表示已完成项。
• LaTeX 宏：可直接插入 LaTeX 代码，如 $x_2 = \alpha + \beta^2 - \gamma$。
• 待办状态：使用 TODO 和 DONE 关键字标记任务状态。
• 引用块：通过 #+BEGIN_QUOTE 和 #+END_QUOTE 包围文本，实现缩进引用。
• 逐字文本：使用冒号（:）开头显示原始文本，忽略格式标记，常用于代码或预格式化内容。
• 代码块：
  • 使用 #+BEGIN_SRC 和 #+END_SRC 定义，支持特定语言（如 MATLAB）或纯文本（text），代码会按原样显示。
• 表格和电子表格：
  • 使用竖线（|）分隔列，支持自动计算。例如，通过 #+TBLFM 公式（如 $4=$3/$2;%.1f）计算列比率。
• 图片包含：通过 file:文件名 语法嵌入图片。

导出与资源

作者将源代码托管在 GitHub 上，并提供了导出结果示例：

• 导出格式：包括 txt、LaTeX、PDF 和 HTML。
• 导出方法：
  • 推荐使用 Emacs 进行导出。
  • 也可使用 Pandoc 进行转换，但 Pandoc 不支持所有 Org 语法且默认设置不同，因此转换结果可能不完全一致。
• 更多学习资源：作者提供了先前文章和视频的链接，如《Using Emacs 2 – org》和《Getting Started With Org Mode》，以帮助用户深入了解 Org Mode。

此速查表通过紧凑的示例展示了 Org Mode 的多功能性，适用于从简单笔记到复杂文档的各种任务。

美国的崛起与中国的崛起

本文对比了现代中国（约1970年代末至今）与美国镀金时代/进步时代（约1860年代末至1920年代）的相似发展路径。尽管两国起点不同——美国建国时国家力量薄弱、经济体以小微企业为主；中国则在从完全计划经济向市场经济转型——但发展逻辑将它们引向了相似的道路。

相似的发展阶段与模式

• 高速经济增长与人口规模：两国均在战后（美国内战、中国文革）经历了史无前例的经济快速增长，并凭借庞大的人口体量成为全球经济强国。
• 大规模人口流动与城市化：美国通过大规模移民实现人口增长，中国则经历了人类历史上最大规模的国内农村向城市人口迁移。两国的城市化率均从约20%飙升至50%以上，并伴随特大城市的涌现。
• 基础设施与工业化狂潮：两国都进行了宏大的基础设施建设（美国的铁路、电话网络；中国的高铁、港口），并从农业国迅速转型为全球制造业中心。美国在1900年左右成为最大工业国，中国在2020年左右占据全球工业产出的35%。
• 制造业规模革命：两国都通过前所未有的生产规模实现突破。美国发展了连续生产流水线和福特制；中国则出现了如富士康、比亚迪等巨型工厂，其钢铁产量远超美国历史峰值。
• 科学技术的相对滞后：在经济崛起阶段，两国的科学技术基础均相对薄弱。美国在19世纪末大量依赖欧洲科学发现；中国至今诺贝尔科学奖等顶级奖项获得甚少，仍需向外学习。
• 日常生活与消费文化的巨变：随着经济发展，两国都经历了从匮乏到普及电力、现代 plumbing、家电、通信和汽车的转变。一个庞大的中产阶级崛起，催生了“大众消费”社会和强烈的物质主义文化。
• 动荡的社会变革与机会主义文化：旧制度被打破，新秩序尚未稳固，形成了一个充满动荡与机会的环境。两国都涌现出“自我奋斗”的文化，鼓励野心与冒险，出身普通者可通过抓住机遇实现阶层跃升。这也伴随着腐败、诈骗和不规范经营（如美国的“强盗贵族”和中国农民工面临的欺诈风险）。
• 改革与治理的演进：两国都经历了从放任到逐步规范的治理过程。美国随后进入“进步时代”，加强监管；中国也在进行有针对性的反腐败运动，并将部分“腐败”（如与经济增长挂钩的地方利益）转化为发展动力。

关键差异与总结

尽管存在这些深刻的相似性，两国的起点和具体路径仍有差异：

• 国家角色：美国从“小政府”走向大公司和大机构；中国则从“全能政府”走向市场化。
• 劳动力要素：美国发展常为应对劳动力短缺而追求省力技术；中国则依托庞大廉价劳动力完成初始积累。
• 经济地位：美国在崛起期已是高收入国家；中国仍是中等收入国家。

最终，文章认为，发展所需的巨大市场、规模化生产、制度创新以及社会文化变革，将两个起点迥异的国家拉上了相似的轨道。这种比较为我们理解大国崛起时期的社会经济动态提供了一个富有启发性的历史参照。

本文介绍了为任天堂E-Reader外设开发《Solitaire》（纸牌）游戏并将其浓缩在一张卡上的过程。E-Reader是2002年发布的GBA外设，通过扫描带有点码的条带来加载迷你游戏、动画等内容。

作者在查阅历史资料和工具后，选择了z80格式进行开发。相较于GBA应用，z80应用的二进制体积小30-50%，但开发过程更为艰难，因为需要编写z80汇编语言，且E-Reader内置的z80模拟器并不完整，省略了一些操作码和寄存器。

开发中面临的主要挑战是调试。由于无法在真机上输出日志，作者最初编写了一个跟踪工具来记录CPU状态，但效率低下。后来，他基于一个为ZX81设计的VS Code调试器进行修改，成功创建了一个专用的E-Reader调试器，极大地提升了开发效率。

游戏利用了ERAPI API（E-Reader应用程序接口）来实现精灵创建、声音播放等功能，这有助于减小卡带体积。作者在绘制游戏牌桌时遇到了精灵数量限制和图形损坏的问题，最终通过使用更底层的LoadCustomBackground函数解决了问题。

E-Reader设备内置了超过100种背景、800多种声音和200多个宝可梦精灵等资源，供开发者使用，这进一步节省了空间。单个点码条可存储约2KB（压缩后）的数据，作者成功将完整的《Solitaire》游戏控制在了两个条带内，因此可以印在一张卡上。

最终，游戏已完成并可以在retrodotcards.com上获取。作者计划未来开发更多E-Reader应用，并将开源其调试工具。

科罗拉多州应对投票系统密码意外泄露事件

科罗拉多州州务卿办公室在网站上意外发布了一份电子表格，其中包含投票系统的部分密码。这些密码在公开网站上存在了两个多月，直到上周才被移除。官方表示，这不会立即威胁选举安全，因为每个系统组件需要两个独立的密码才能访问，且必须进行物理访问。州务卿Jena Griswold称泄露是由一名已离职的公务员错误造成的，并已联系联邦合作伙伴展开调查。

州政府正紧急采取措施，目标是在当日晚间前完成所有受影响密码的更改。州长Jared Polis提供支持，派遣具备网络安全专业知识的州员工协助，他们将在县级官员的监督下，成对进入安全区域更新密码并审查访问日志，以确保投票组件的安全性。科罗拉多州投票设备存储在安全房间中，有严格的身份验证、24/7视频监控和访问控制，密码分开保管，且投票过程使用纸质选票并进行风险限制审计以验证计票准确性。

共和党对此事件提出强烈批评。根据一份宣誓书，密码文件包含63个县的600多个BIOS密码，这些密码未加密且公开了数月。共和党认为BIOS密码高度机密，可能允许对系统进行根本性操纵，因此指责Griswold淡化风险，并称这危及选举结果。科罗拉多州共和党主席Dave Williams要求Griswold辞职，但Griswold拒绝，强调自己将继续履行职责。她指责共和党人散布选举阴谋论，并表示一个公务员的错误正在被妥善处理。

这一事件发生在科罗拉多州前县书记官Tina Peters因类似泄露投票系统密码被判刑之后，该案曾涉及泄露密码的安全风险。Griswold表示，尽管面临政治压力，但她的办公室将专注于维护选举安全。

Shimmer：面向ADHD人群的身体加倍工具

项目概述

Shimmer是一款专为ADHD（注意力缺陷多动障碍）人群设计的身体加倍（body doubling）辅助工具。该项目由Chris Wang创建，目前处于演示阶段，已在Hacker News社区展示。

核心功能

• 身体加倍支持：基于"身体加倍"这一生产力策略，即通过他人在场（虚拟或实际）来帮助ADHD用户集中注意力、提升任务执行力。
• ADHD适应性设计：针对ADHD人群的特殊需求进行功能优化，可能包括任务拆分、时间管理、注意力维持等辅助机制。

当前状态

• 演示阶段：项目目前提供基础功能演示，尚未发布完整版本。
• 开发中：由Chris Wang主导开发，具体技术细节和完整功能列表有待进一步公布。

潜在价值

为ADHD群体提供结构化、低门槛的生产力支持工具，帮助改善任务启动困难、注意力分散等常见挑战。

Proxmox VE Helper-Scripts项目维护者tteck健康状况恶化

项目维护者tteck因健康原因已进入临终关怀阶段，这一消息由社区在GitHub仓库中披露。

• 项目背景：tteck是广受欢迎的开源项目Proxmox VE Helper-Scripts的创建者和核心维护者。该项目提供了一系列便捷的脚本和安装程序，旨在简化Proxmox VE虚拟化环境的部署与管理，在社区内拥有极高的知名度和重要性。
• 当前状态：由于维护者的健康原因，该GitHub仓库已于2024年11月2日被所有者存档，现处于只读状态。这意味着项目已无法接受新的代码提交或功能更新，进入了维护冻结期。
• 社区影响与反应：此消息引发了社区的广泛关注与深切关怀。tteck的持续贡献对Proxmox VE生态系统的易用性提升起到了关键作用，其健康状况令众多用户和贡献者感到担忧与惋惜。
• 项目未来：在当前状态下，项目的后续发展面临不确定性。仓库的存档表明，短期内不会有官方活动或重大变更。社区普遍希望并讨论如何在尊重ttteck意愿和贡献的前提下，为项目的长期延续寻找可能的路径。

这篇文章探讨了在Linux安全领域使用eBPF（扩展伯克利包过滤器）时遇到的典型问题及其解决方案。作者基于开发端点安全代理的经验，总结了BPF的优势与挑战。

BPF的优势

BPF在获取系统可见性、动态重插桩、安全性、容器感知、执行速度和原子性方面表现出色。它允许开发者在内核或用户空间的特定代码路径上插入探针，实时修改行为，并在内核中安全执行代码。

核心问题与挑战

1. 工具链与设计初衷不符

• BPF最初并非为长期运行的安全守护进程设计，现有工具链多针对一次性调试任务优化。
• 解决方案：根据具体需求选择合适程序类型（如kprobe、XDP、TC），必要时自研轻量级加载库（如oxidebpf）。

2. 文档缺乏与维护者重叠

• 内核BPF子系统与用户空间工具链的维护者高度重叠，导致原生接口文档不完善，用户空间工具逻辑复杂且包含大量兼容性补丁。
• 解决方案：直接使用底层系统调用，借助bpftool调试，并参考开源项目源码（如libbpf）。

3. 验证器（Verifier）的不稳定性

• 验证器对代码风格敏感，且在不同内核版本行为不一致（例如循环、变量访问的限制）。
• 解决方案：在所有目标内核版本上频繁测试，开启验证日志（但需控制缓冲区大小），并利用BCC社区资源理解错误信息。

4. 程序类型多样性

• BPF有众多程序类型（kprobe、uprobe、XDP等），每种加载和运行方式不同，且依赖未文档化的约定（如ELF节名）。
• 解决方案：明确目标功能后选择对应程序类型，使用bpftool可视化调试，必要时自行实现加载逻辑。

5. 资源限制

• 栈空间仅512字节，指令数限制约4096条（新内核可放宽）。
• 解决方案：通过尾调用（最多33次）扩展指令数，重用栈空间或使用BPF映射（map）构建外部栈，大数据应分块发送至用户空间。

6. 许可证限制

• 关键辅助函数（如perf_event_output）为GPL许可，要求BPF程序必须开源。
• 解决方案：遵循GPL开源代码，既符合法律要求，也有利于社区协作和技术普及。

7. 容器感知需主动编程

• 默认获取的信息（如PID）可能处于特定命名空间。
• 解决方案：根据需求明确信息位置（如task_struct），主动设计BPF程序以获取跨命名空间数据。

8. CO-RE（一次编译，到处运行）的局限性

• BTF等CO-RE特性较新，旧内核不支持，无法直接跨版本访问内核结构成员。
• 解决方案：动态加载结构偏移量（通过构建调试内核模块提取偏移信息），运行时映射到BPF程序。

9. 内核接口不稳定

• 系统调用和符号可能随内核版本变化（如fork被clone取代，函数被内联重命名）。
• 解决方案：针对不同架构和内核版本维护程序变体，通过/proc/kallsyms验证探针位置。

10. 性能与错误处理陷阱

- 高频探针（如`close`系统调用）可能导致性能下降；kprobe返回值需特殊处理（0表示结束，非0表示继续）。
- **解决方案**：缩小探针范围（如仅跟踪`tcp_close`），批处理事件以减少开销，kprobe中始终返回0（除非需保留事件），错误处理通过消息标志实现。

总结与建议

BPF适合以下场景：有资源维护长期程序、仅需短期调试、或只需支持单一内核版本。若缺乏资源且需支持多内核版本，建议考虑开源替代方案或寻求专业开发。长期运行的BPF安全程序仍是新兴领域，工具链持续改进，但实施前需全面评估。

Oasis: Transformer中的宇宙

项目概述

Oasis 是首个具备体验性、实时交互能力的开放世界AI模型。它是一个由AI完全生成的交互式视频体验，代表了向更复杂交互世界研究的第一步。Oasis 接收用户键盘输入，生成实时体验，包含物理规则和图形渲染功能。用户可进行移动、跳跃、拾取物品、破坏方块等操作，且无需物理引擎，仅依赖基础模型。

核心技术特点

• 实时交互性：模型以自回归方式逐帧生成，每帧可基于用户输入进行条件处理，实现实时交互。
• Transformer架构：由空间自编码器（基于ViT）和潜扩散主干（基于DiT）组成。相较于Sora等双向模型，Oasis采用自回归生成，确保稳定可预测的扩展性，并适配硬件加速。
• 训练与优化：使用扩散强迫训练，通过独立处理每个token的噪声水平。针对自回归模型中的误差累积问题，采用动态噪声注入策略，在推理初期注入噪声以减少误差，后期逐步去除噪声以保留高频细节，提升时间一致性。

性能表现

• 实时生成速度：达到每秒20帧的实时输出。相比Sora、Mochi-1等模型（生成1秒视频需10-20秒），Oasis速度快100倍以上。
• 硬件优化：通过Decart推理引擎实现实时帧率，并针对Etched公司的Transformer专用芯片Sohu进行优化。Sohu可支持千亿参数级模型在4K分辨率下运行，提升10倍以上用户服务效率。

模型能力

• 复杂机制理解：能模拟建筑搭建、照明物理、物品管理、物体交互等复杂内部机制。
• 场景多样性：可输出不同设置、地点和物体，展现强大泛化能力，有望通过有限额外训练生成新地图、体验和功能。
• 多模态潜力：未来可探索通过文本、音频或其他模态完全控制体验，而非仅依赖动作输入。

未来发展方向

• 待改进问题：包括远距离画面模糊、不确定物体的时间一致性、领域泛化、精确库存控制及长上下文处理。
• 扩展路径：通过扩大模型规模和数据量来解决现有问题，同时需优化训练效率和推理技术以控制延迟与成本。
• 协作方向：寻求在更大模型训练、推理技术突破及硬件优化方面的合作。

资源发布

已开源Oasis代码、500M参数模型权重（可本地运行），并提供更大规模模型的在线演示。

抗体药物偶联物：癌症治疗的前沿

核心概念： 抗体药物偶联物（ADC）是一种创新的靶向癌症疗法，旨在将化疗药物的强效杀伤力与单克隆抗体的精准靶向能力相结合，从而减少对健康组织的损伤。其核心思想可追溯至1908年诺贝尔奖得主保罗·埃尔利希提出的“魔法子弹”概念。

ADC的结构与作用机制： ADC由三个关键部分组成：

1. 单克隆抗体：如同“钥匙”，负责识别并结合癌细胞表面特异性高表达的蛋白质。
2. 化疗药物（毒素）：附着在抗体上的强效细胞毒性药物，用于杀死癌细胞。
3. 化学连接子：连接抗体与药物的化学键，设计为在抗体到达癌细胞后（如进入细胞内部或与靶点结合时）断裂，从而释放毒素。

发展历程与挑战： ADC的概念虽早，但其实现面临巨大挑战：

• 靶点选择：需找到癌细胞特有或高表达，而正常细胞少表达的蛋白。
• 抗体开发：需确保抗体的纯度、稳定性、靶向特异性及低免疫原性。
• 连接子稳定性：早期ADC的连接子不稳定，导致药物过早释放损伤健康组织。
• 药物选择与效力：需筛选出能在低剂量下有效杀癌的高效毒素，并确定合适的药物抗体比（DAR）。

从1983年首次临床试验到2000年首个ADC药物（Mylotarg）获批，再到2019年里程碑式的药物Enhertu问世，ADC技术经过数十年发展逐步成熟。

成功案例：Enhertu（德曲妥珠单抗）： Enhertu 是ADC发展史上的重要突破，其成功归因于：

1. 高药物抗体比：实现了8:1的DAR，使每个抗体携带更多毒素。
2. 旁观者效应：其连接子在抗体结合癌细胞表面时即释放毒素，释放的毒素能穿透细胞膜并杀死邻近的、可能不表达靶蛋白（HER2）的癌细胞，有效应对肿瘤异质性。 在临床试验中，Enhertu对HER2阳性及HER2低表达的乳腺癌、胃癌、肺癌等多种实体瘤显示出卓越疗效。2024年，它成为首个获批用于所有HER2阳性实体瘤的ADC，标志着治疗理念从主要基于癌症类型向基于生物标志物特征转变。

ADC现状与患者意义：

• 获批情况：截至2024年，美国FDA已批准13种ADC用于治疗白血病、淋巴瘤、乳腺癌、尿路上皮癌等多种癌症。
• 临床试验：超过100种ADC正在临床试验中，涵盖数十种癌症类型。例如，针对TROP-2、HER3、c-Met等新靶点的ADC在非小细胞肺癌等癌种中显示出前景。
• 疗效与安全性：总体而言，ADC的客观缓解率通常高于传统化疗和部分靶向疗法。然而，它们仍存在副作用（如恶心、疲劳、血液学毒性等），部分患者因无法耐受而需停药，安全性有待进一步提升。
• 给患者的启示：患者应主动与医生沟通，了解自身肿瘤的生物标志物（如HER2状态）检测结果，以评估是否可能受益于ADC等新型靶向疗法。即使既往被判为“阴性”，也可能因检测标准更新而符合某些ADC的治疗条件。

总结： ADC代表了癌症治疗的重要进步，融合了靶向治疗的精准性与化疗的威力。尽管研发历程漫长且挑战重重，但以Enhertu为代表的ADC已为众多难治性癌症患者提供了新的希望，并推动了癌症治疗向更加个性化和精准化的方向发展。研究仍在继续，旨在优化ADC设计，扩大受益患者群体，并改善治疗的安全性。

实现一个微型CPU光栅化器

这是一个教程系列，专注于从头开始在C++中实现一个基本的CPU光栅化引擎。不涉及GPU，完全通过手动绘制像素来模拟GPU通常执行的操作。

教程分为12个部分，每个部分涵盖引擎的特定方面，内容从绘制第一个像素逐步深入到高级技术和优化。部分教程章节尚未完成，整体工作仍处于进行中状态。

所有项目的源代码均托管在GitHub上，每篇文章的对应代码通过单独的提交进行管理。

魔方（Rubik's Cube）的哈密顿回路问题已解决，具体是四分之一转度量的凯莱图的哈密顿回路。这意味着存在一个移动序列，通过四分之一转操作，遍历魔方的所有43,252,003,274,489,856,000个位置而不重复，最后一步将魔方恢复至初始状态。

解决方案采用层次化嵌套子群构造方法。子群依次为：⟨UR⟩、⟨U,R⟩、⟨U,R,D⟩、⟨U,R,D,L⟩、⟨U,R,D,L,F⟩。其中最后一个子群即整个魔方群。整个回路仅使用U、R、D、L、F五个面层的操作，未使用背面层（B）。

构造从最小循环子群⟨UR⟩开始：该子群有105个元素，其哈密顿回路为序列UR重复105次，形成210个位置的循环。随后将⟨U,R⟩子群划分为349,920个此类循环，并通过广度优先搜索连接成一个大循环，从而获得⟨U,R⟩子群的哈密顿回路。

对于⟨U,R,D⟩子群，使用⟨U,R⟩子群划分为2,177,280个左陪集。每个陪集通过⟨U,R⟩的哈密顿回路构建循环，再逐步连接所有陪集形成整体回路。具体从一个包含63个陪集的循环开始，利用⟨U,R⟩的哈密顿路径和移动D实现。

类似地，⟨U,R,D,L⟩子群被划分为132个陪集，基于⟨U,R,D⟩子群进行连接。对于⟨U,R,D,L,F⟩子群，则划分为2,048个陪集，依据边缘方块的方向确定。由于移动F与之前层次的操作不交换，连接过程分为两阶段：第一阶段连接32个允许最多六个特定边缘方块方向错误的陪集；第二阶段处理32组，每组63个陪集，并关联至第一阶段的对应陪集。连接时使用身份序列（U' R' U F）6，以及可替代单次移动R的序列来连接三个陪集。最终通过递归搜索算法（类似八皇后问题）确定所有2,048个陪集的连接方式。

详细构造规范已包含在一个.zip文件（约7兆字节）中。