FCC于2024年12月11日通过新规则，将整个6 GHz频段（1,200兆赫兹）向超低功率设备操作开放。此举旨在扩展未经许可设备的操作范围，与现有Wi-Fi设备共存，以支持可穿戴技术、增强现实和虚拟现实等尖端应用的发展。

新规允许超低功率设备在6 GHz频段的U-NII-6和U-NII-8部分操作，功率水平和保护措施与已批准的U-NII-5和U-NII-7频段一致。这些设备不受操作位置限制，也无需自动频率协调系统控制，但必须采用基于竞争的协议和发射功率控制，且不得作为固定户外基础设施使用。

超低功率设备能在短距离内实现高速连接，适用于高数据速率应用，如增强/虚拟现实、车载连接、可穿戴设备、医疗监测、移动热点、高精度定位及自动化等。FCC此举旨在通过提供更大容量，促进创新和新兴技术发展，从而丰富消费者体验并推动经济增长。

该决定由主席Rosenworcel及各位委员批准，并以第三报告和命令（FCC 24-125）形式发布。

BlenderGPT 概述

BlenderGPT 是一款面向Blender用户的AI工具，通过文本或图像输入，直接生成可导入场景的3D模型。超过5万名艺术家、工作室和建筑师在使用它，以加速创意流程的早期阶段。

核心工作流程

1. 输入描述：输入文字提示（如“一张木椅子”）或上传参考图片，可在数秒内获得图像预览，此时不消耗模型生成积分。
2. 迭代优化：对结果不满意时，可修改提示、更换参考图或重新生成。仅在用户最终确认时才消耗积分。
3. 导出与集成：生成的模型可下载为GLB或STL格式。通过免费Blender插件，可一键直接导入当前活动的Blender场景，无需处理导出设置。

主要功能与特性

• 场景上下文感知：配合免费插件，BlenderGPT可读取Blender视口内的现有内容。后续对话会基于此上下文进行，无需重复解释。即使不使用插件，对话上下文也贯穿整个交互过程。
• 多级质量控制：
  • Draft：快速生成粗糙几何体，用于初期构思和探索（消耗3积分）。
  • Balanced：生成干净、可用于生产的网格（消耗15积分）。
  • HQ：用于核心资产，提供最高保真度（消耗25积分）。用户在使用积分前均可预览结果。
• 智能场景规划：不仅能生成单个物体，还能根据指令规划整个场景。它会建议下一步添加的内容（如家具、灯光和布局），并逐件执行，每一步都需要用户批准。
• 脚本自动化：通过自然语言描述（如灯光设置、批量重命名、修改器堆栈、动画关键帧）即可生成Blender Python脚本。脚本在执行前完全透明可见，必须获得用户许可才会运行。
• 图像参考：支持使用照片、渲染图甚至草图作为参考。结合文本描述，可以更精确地控制生成结果。

定价模式

采用订阅制，每月14美元（按年付168美元），包含所有功能，可随时取消。所有套餐均包含：

• 完整AI助手功能（对话、迭代、生成）
• 文本转3D与图像转3D
• 所有质量层级（Draft， Balanced， HQ）
• 通过免费插件一键导入Blender
• 场景脚本与自动化功能 如需额外积分，可随时以10美元购买300积分。

用户反馈

来自不同领域的创作者（包括产品可视化、建筑、自由职业者）均表示，该工具显著提升了工作流程，特别是在概念构思和快速生成基础模型阶段，将过去需要数天的工作缩短至数小时甚至几分钟。

这是一个用约3000字节C代码实现的GPT-2模型，旨在创建一个功能类似ChatGPT的程序。该程序完全独立，无需外部依赖，能够从原始TensorFlow文件加载模型权重和字节对编码词表，并完成从文本输入到生成回复的全过程。其主要特点和实现细节如下：

核心功能与特点

• 完整流程：实现了GPT-2推理的全部关键步骤：加载权重和BPE词表、输入文本分词、执行Transformer模型推理、输出文本解码。
• 极致精简：整个实现（包括矩阵运算、神经网络层、模型架构、分词器等）压缩在约3000字节的C代码中。
• 运行效率：通过KV缓存、优化的矩阵乘法算法及可选的OMP并行支持，使得GPT-2 Small模型在现代计算机上生成回复仅需数秒。
• 已知局限：输出质量较差，处理UTF-8字符时存在异常，运行更大的XL模型需要约100GB内存。但使用GPT-2 Small和ASCII输入时，通用性较好。

代码结构详解

程序代码按功能划分为多个模块：

1. 基础矩阵库 (700字节)：定义了最小化的矩阵结构（数据指针、行数、列数）。利用C语言宏（#define）的文本替换特性，通过一个通用宏（如BINARY）来批量定义元素级矩阵运算（加、乘、除等）以及特殊的分块运算（如add_tile），极大地节省了代码空间。

2. 快速矩阵乘法 (300字节)：实现了基本的三层循环矩阵乘法，并通过分块循环（例如内层循环以4为步长）来优化内存访问模式，提升计算性能。该函数后续通过参数优化，支持仅计算部分结果以配合推理优化。

3. 神经网络层 (300字节)：实现了三个关键层：

   • GELU激活函数：使用给定的近似公式。
   • 因果注意力掩码：通过tril函数将注意力矩阵的上三角部分置零（或设为极小值），确保自回归生成时只关注已生成的token。
   • 层归一化：实现了用于稳定训练的LayerNorm层，涉及均值、方差计算及缩放平移。

4. Transformer模型 (600字节)：这是程序的核心，实现了GPT-2的推理流程：

   • 前向传播：依次经过多个Transformer层，每层包含层归一化、计算Query/Key/Value、多头注意力、残差连接、前馈网络（GELU激活）等标准步骤。
   • 推理优化（KV缓存）：关键优化点。利用之前推理过程中计算并缓存的Key和Value（存储在连续分配的内存中），在生成新token时，无需重新计算整个序列的注意力，只需计算新token的Query与缓存Key/Value的交互，从而大幅降低计算量。

5. 字节对编码 (400字节)：实现了BPE分词器。

   • 分词算法：采用递归回溯的方法，尝试用词表中的词作为前缀来匹配输入，并递归处理剩余部分，选择总token数最少（或token索引和最小）的方案。该方法为节省代码而牺牲了效率（最坏情况为指数时间）。

6. 权重与词表加载 (300字节 + 300字节)：

   • 权重加载：从文件读取32位浮点数，并需要按照模型架构参数（如层数、隐藏维度）重塑为正确的矩阵。由于GPT-2权重按层名称字母顺序存储（导致“10”在“2”之前），代码中包含了一个重排层顺序的逻辑。
   • BPE词表加载：加载包含合并规则的词表文件。代码中硬编码处理了部分特殊字符（如空格）的UTF-8编码，以及不同token索引范围对应的字符表示。

总结

该程序是一个技术演示，展示了如何用极简的代码（约3000字节）实现一个完整的、可运行的GPT-2推理引擎。它通过精巧的宏设计、针对性的性能优化（如KV缓存和分块矩阵乘法）以及对原始模型文件格式的适配，将庞大的机器学习模型浓缩到几乎可以“徒手编写”的规模，体现了神经网络底层结构的简洁性。

费马大定理形式化项目进展

项目目标与当前进展

项目旨在使用Lean证明助手及其数学库mathlib，将费马大定理（FLT）的证明形式化。目标并非形式化90年代怀尔斯的原始证明，而是采用后来由Diamond/Fujiwara、Kisin、Scholze等人发展出的更简化、更通用的证明版本，以期未来能帮助机器推动数论前沿研究。项目进行了约两个月，核心工作是教会计算机理解怀尔斯证明中的关键部分“R=T”定理中“R”和“T”的定义。博士生Andrew Yang已证明了所需的抽象交换代数结果，但两个定义的完整形式化尚未完成。

核心挑战：除幂理论与发现的错误

形式化的关键一步是教会计算机“晶体上同调”理论，而这首先需要教会它“除幂结构”。在夏季，Antoine Chambert-Loir和Maria Ines de Frutos Fernandez致力于将除幂理论形式化时，发现人类文献中的一个论证存在问题。具体来说，Roby在1965年论文中的一个关键引理（Lemme 8）可能是不正确的，其证明误用了另一篇论文中的引理。这破坏了“一个模的除幂代数具有除幂”这一性质的证明，从而阻碍了后续定义环 A_{cris} 的步骤，而这是晶体上同调的基础。

问题的解决与启示

由于Roby、Grothendieck和Berthelot均已去世，无法直接求助。作者团队采取了不同方式应对：Antoon致力于修复问题；作者则向专家散布消息寻求建议。经过与Brian Conrad的交流，Conrad指出Berthelot-Ogus关于晶体上同调的著作附录中提供了另一个证明方法，从而使项目得以继续。然而，当作者将此故事告知该书作者Arthur Ogus时，Ogus表示该附录也有几处错误，但他知道如何修正。

这一插曲突显了人类在记录现代数学成果时存在的不足：许多内容对专家而言“已知”，但未被正确或完整地记录。专家们一致认为晶体上同调的核心思想是稳固的，不会因个别引理的问题而动摇，但形式化要求必须实际修正这些细节，而不能仅依赖“我相信它是对的”这种模糊保证。

结论与展望

最终，通过团队的努力，相关技术问题得到解决。在Maria Ines最近的一次报告中，除幂理论的形式化问题已梳理完毕，项目重回正轨。这一经历强化了作者的观点：将数学形式化（如写入Lean系统）能大幅减少错误，并为机器未来能自主协助人类进行数学研究奠定至关重要的基础。

X41 对 Mullvad VPN 的安全审计报告摘要

本次审计由 X41 执行，针对 Mullvad VPN 应用程序进行了白盒渗透测试，拥有源代码访问权限，并制定了轻量级威胁模型。

审计范围包括：

• Android 版 2024.8-beta1
• iOS 版 2024.8
• 桌面版 2024.6

审计目标具有挑战性，原因在于应用规模庞大、跨五个平台（Linux、Windows、macOS、Android、iOS），且 Mullvad VPN 自身已定期进行审计。在现有代码中发现新漏洞，表明 Mullvad 针对此类复杂产品的定期安全投入是合理且必要的。这也表明，在成熟的目标中，漏洞发现往往转向不受应用开发直接控制或关注的领域，例如操作系统特定行为或不同网络层与协议间的交互。

主要结果：

• 测试共发现 6 个漏洞。
• 总体而言，Mullvad VPN 应用程序展现出高水平的安全性，能有效抵御报告中提出的威胁模型。通过安全编码、设计模式与定期审计测试的结合，构建了非常坚固的环境。
• 最严重的漏洞涉及信号处理代码中的竞态条件与时序安全违规，可能导致内存损坏。尽管触发后利用并非不可能，但攻击者需先通过其他故障触发信号，降低了风险等级。
• 其他漏洞可能使相邻网络攻击者泄露用户身份信息，以及进行侧信道攻击，在特定环境下可推断用户当前访问的网站。

风险缓解：

• 侧信道攻击风险大部分已得到缓解，除了源于 NAT、现代 HTTP 协议等技术组合的协议级攻击，这部分超出 Mullvad VPN 的控制范围。
• 对于安全与隐私需求更高的用户，可在受保护的 VPN 内引入混淆技术与代理服务作为补充方案。

结论： Mullvad VPN 客户端应用暴露的相关漏洞数量有限。Mullvad VPN 公司已迅速处理所有问题，且修复措施经审计确认有效。

相关链接：

• X41 完整审计报告
• Mullvad 官方公告
• Mullvad 历次审计记录

FCC威胁关闭超2400家电话服务商以打击机器人电话

核心执法行动

美国联邦通信委员会（FCC）宣布，2411家语音服务提供商因未在机器人电话缓解数据库（Robocall Mitigation Database, RMD）中正确备案，需说明不应被移除的理由。若被移除，其他服务提供商将被禁止接受这些公司的通话流量。这是FCC迄今最大规模的此类执法行动。

加强规则提案

FCC主席杰西卡·罗森沃塞尔提出新规则，旨在进一步收紧数据库备案要求：

• 要求及时更新公司信息
• 提交虚假或不准确信息将面临1万美元基础罚款
• 未保持信息更新将面临1000美元罚款
• 要求提供商每年重新认证提交内容的准确性
• 实施100美元备案费
• 建立专门的报告机制以加强利益相关者监督
• 为数据库访问设立双因素认证协议

备案要求

所有语音服务提供商必须在机器人电话缓解数据库中提交认证，说明其STIR/SHAKEN实施水平、描述机器人电话缓解计划并提供其他必要信息。参与美国电话网络的提供商有责任主动降低诈骗流量到达消费者的风险。

多州执法协作

由51位总检察长组成的反机器人电话多州诉讼工作组宣布，在对多家语音服务提供商进行调查后，已向其发出通知。这些提供商涉嫌代表客户在其网络上传输可疑非法机器人电话流量。工作组已将调查结果与FCC共享，部分被通知的提供商也出现在FCC当天的执法行动中。

各方表态

• FCC主席罗森沃塞尔：提供商必须成为打击非法机器人电话的积极合作伙伴，否则不应被允许参与电话网络。
• 北卡罗来纳州总检察长乔什·斯坦因：电话提供商不能以利润为先而无视非法机器人电话行为。
• 俄亥俄州总检察长戴夫·约斯特：合规是强制性的，对保护消费者免受非法机器人电话侵害至关重要。

背景与更广泛措施

机器人电话缓解数据库是FCC和联邦及州执法机构打击非法机器人电话的关键工具。FCC的机器人电话响应团队已采取多项措施打击非法机器人电话：

• 首次对威胁行为者进行消费者通信信息服务威胁（C-CIST）分类
• 通过前所未有的行动阻断机器人电话诈骗活动
• 对非法机器人电话和欺骗性来电处以创纪录罚款
• 关闭国际机器人电话进入美国电话网络的网关
• 广泛实施STIR/SHAKEN来电认证标准
• 与49个州、哥伦比亚特区、关岛及国际合作伙伴建立调查伙伴关系

Quantus 是一个专注于金融建模技能训练的在线平台，其模式类似于编程领域的 LeetCode，旨在通过实践练习帮助用户掌握实用的金融建模能力。该平台提供结构化的问题、循序渐进的学习路径以及涵盖财务三表建模、DCF（现金流折现）、LBO（杠杆收购）和 M&A（并购）等核心主题的实操练习，特别适合用于面试准备和实际工作项目。

平台主要特点包括：

• 面向不同水平用户：无论初学者还是有经验者，均可根据自身情况选择简单、中级或高级难度，按自己的节奏学习。
• 引导式学习与进度跟踪：提供结构化的学习计划，帮助用户从基础逐步进阶至高级建模，清晰规划学习路径并跟踪进步。
• 动手实践为核心：通过真实案例练习培养建模直觉与操作速度，所有练习均在类似 Excel 的平台内在线完成。
• 丰富的辅助功能：练习中提供分步提示与浮动注释，详细解释公式推导过程，帮助用户深入理解概念。
• 免费入门选项：提供无需信用卡的免费入门计划，可进行有限次数的练习与答案核对。

根据用户反馈，该平台操作直观、案例实用，并能有效提升财务分析和投资决策效率。

Mouseless：键盘快速鼠标控制工具

概述
Mouseless 是一个旨在通过键盘实现快速鼠标控制的工具，其核心功能是提升用户操作效率，允许使用键盘快捷键替代传统鼠标操作。

页面结构与技术实现
该页面是一个 HTML5 文档，结构简洁，包含以下关键部分：

• 标题与元数据：页面标题为 "mouseless"，并设置了字符编码（UTF-8）和视口属性以确保响应式显示。
• 资源引用：加载了多个资源文件以支持页面功能：
  • JavaScript 模块（homepage.bundle.js，版本 0.2.1），用于处理交互逻辑。
  • CSS 样式表（包括生成的 out.css 和捆绑的 homepage.bundle.css），用于视觉呈现。
  • 外部字体资源（通过 Typekit 引用）。
  • 网站图标（favicon.png）。
• 后备内容（noscript 部分）：当用户浏览器禁用 JavaScript 时，页面会显示备用信息：
  • 简要介绍："Lighting-fast mouse control with the keyboard"。
  • 明确要求启用 JavaScript，指出网站依赖 JavaScript 才能正常运行，并提示用户检查浏览器设置。

关键功能与依赖

• 该工具的核心功能依赖于 JavaScript 的启用，实际交互和鼠标控制逻辑由加载的脚本实现。
• 页面设计注重兼容性，通过 noscript 标签提供降级体验，确保用户在无 JavaScript 环境下仍能获得基本指引。
• 整体结构简单，专注于资源加载和用户引导，未包含额外内容如教程或文档。

总结
Mouseless 页面作为工具的入口点，强调键盘驱动的鼠标控制理念，并通过技术资源支持动态功能。其结构突出了对 JavaScript 的依赖，同时提供了基本的无脚本后备方案，以覆盖不同用户环境。

# AI猜测您的口音

这是一个名为 **"The Accent Oracle By"** 的在线AI工具或互动游戏，其核心功能声称能够快速分析用户的英语口音。

## 主要内容与功能

*   **核心功能**：工具宣称可以在**30秒内**通过分析用户的声音，猜测其说英语时的口音。
*   **交互方式**：这是一个基于网页的互动应用。用户可能需要通过录音或朗读句子来进行测试。
*   **用户账户**：网站提供了“登录”选项，暗示它可能支持用户保存历史记录、结果或进行个性化设置。
*   **结果分享**：应用内置了社交分享功能，允许用户以多种方式分享他们的口音猜测结果，包括：
    *   保存结果图片
    *   复制分享链接
    *   直接分享到社交媒体
*   **公司与法律信息**：
    *   明确标注了版权年份为 **© 2026**。
    *   提供了 **《隐私政策》** 和 **《服务条款》** 的链接，表明其对用户数据处理的法律合规性。
    *   包含“**管理我的数据**”选项，赋予用户对其个人数据的控制权。

## 总结

该内容描述了一个专注于英语口音识别的AI互动工具。它通过一个简洁的界面，向用户提供快速的口音分析服务，并鼓励用户分享结果。同时，网站提供了完整的法律条款和用户数据管理入口。

Kubernetes Spec Explorer 是一个在线工具（版本 v1.36），旨在帮助用户快速查找所有 Kubernetes 资源、属性、类型和相关示例的官方文档。

主要功能与内容：

• 资源浏览器： 工具提供了一个结构化的资源列表，用户可直接选择查看。
• 广泛的资源覆盖： 列表按照 Kubernetes 的核心概念进行分类，包括但不限于：
  • 工作负载 (如 Pod, Deployment, Job)
  • 集群 (如 Node, Namespace, Event)
  • 网络 (如 Service, Ingress, NetworkPolicy)
  • 配置 (如 ConfigMap, Secret, ResourceQuota)
  • 存储 (如 PersistentVolume, StorageClass)
  • 管理 (如 CustomResourceDefinition, PriorityClass)
  • 访问控制 (如 Role, ServiceAccount)
  • 其他 (如 APIService, FlowSchema)
• CRD文档支持： 工具专门收录了社区中一些最流行的自定义资源（CRD）的文档，例如 ArgoCD, Istio, Prometheus Operator, Cilium, Karpenter 等。
• 即时访问： 用户只需从列表中选择一个资源类型（Kind），即可开始查阅其详细文档。

Instant macOS install on Proxmox including AMD patches

概述

OSX-PROXMOX 提供了一种极其简便的方法，可以在 Proxmox VE 虚拟化平台上安装和运行 macOS，支持 AMD 和 Intel 硬件。用户只需执行一条命令即可开始安装。

快速安装步骤

1. 前提条件：确保安装了全新或干净的 Proxmox VE（版本范围 v7.0.XX ~ 8.4.XX）。对 Proxmox VE V9.0.0 BETA 提供初步支持。
2. 执行安装：
   • 登录 Proxmox Web 管理界面，进入 Datacenter > YOUR_HOST_NAME > Shell。
   • 执行以下命令： /bin/bash -c "$(curl -fsSL https://install.osx-proxmox.com)"
3. 完成后即可开始安装 macOS。

macOS 版本支持

支持从 macOS High Sierra (10.13) 到 macOS Sequoia (15) 的所有主要版本。

额外配置

• 在 macOS 中安装 EFI 包：需要先禁用 Gatekeeper。 sudo spctl --master-disable
• OpenCore 版本：截至 2025 年 4 月，使用 OpenCore 1.0.4。该版本默认启用 SIP (System Integrity Protection)，仅允许由 Apple 签名的 DMG，并包含所有安全特性。

重要硬件要求（TSC 时钟源）

自 macOS Monterey 起，宿主机必须拥有正常工作的 TSC（时间戳计数器）。否则，在为虚拟机分配多个 CPU 核心时，macOS 可能因时间不一致而崩溃。

• 检查方法：在 Proxmox Shell 中运行 dmesg | grep -i -e tsc -e clocksource。
  • 正常输出：显示 clocksource: Switched to clocksource tsc。
  • 异常输出：显示 tsc: Marking TSC unstable...，此时时钟源会回退到 hpet。
• 可能的解决方案：
  1. 在主板 BIOS 中禁用 “ErP mode” 及所有 C-state 节能模式，然后完全关机并重启。
  2. 尝试在 GRUB 中强制使用 TSC：编辑 /etc/default/grub，在 GRUB_CMDLINE_LINUX_DEFAULT 行尾添加 clocksource=tsc tsc=reliable，然后运行 update-grub 并重启（此方法可能导致系统不稳定）。

常见故障排除

1. High Sierra 及以下版本 - “Recovery Server Could Not Be Contacted”：
   • 问题：安装时无法连接恢复服务器。
   • 解决方法：需要将安装 URL 从 HTTPS 切换为 HTTP。在安装错误窗口保持打开的状态下，通过 “Installer Log” 找到包含失败 URL 的条目，将其中的 https:// 修改为 http://，然后在 “macOS Utilities” 的终端中使用 nvram 命令设置该 HTTP URL，最后重启安装。
2. GPU 直通问题 - Apple Logo 进度条停滞：
   • 现象：外接显示器显示 Apple Logo 但进度条不动。
   • 解决方法：在主板 BIOS 中禁用 “Above 4G Decoding”。
   • 其他情况：某些环境下需要分割 IOMMU 组以直通 GPU。可尝试在 /etc/default/grub 文件的 GRUB_CMDLINE_LINUX_DEFAULT 行尾添加 pcie_acs_override=downstream,multifunction pci=nommconf，然后执行 update-grub 并重启 Proxmox。

注意事项

• 免责声明：本项目仅供开发、学习和测试使用。作者对任何问题、损坏或数据丢失不负责。在进行任何更改前，请务必备份系统。
• 云平台支持：支持在云平台（如 VultR）上运行 Hackintosh。视频教程包含自动翻译字幕功能。
• 社区：提供 Universo Hackintosh Discord 社区供用户交流。

印度药企格伦马克连续召回缺陷药物，FDA监管行动迟缓引发担忧

核心问题：药物缺陷与监管缺位 印度制药商格伦马克（Glenmark Pharmaceuticals）因同一生产缺陷多次召回药物，但美国食品药品监督管理局（FDA）未能采取有效行动。该公司生产的氯化钾缓释胶囊因溶解不充分可能导致血钾水平危险升高，甚至致命。尽管召回涉及近4700万粒胶囊且FDA认定为最严重级别召回，但自2020年以来FDA从未检查生产该药物的印度工厂，也未禁止其向美国出口其他药物。

事件详情与后果

• 多次召回：从2023年10月至2024年10月，格伦马克因药片溶解问题共发起7次召回，其中超过30%的缺陷药物出自同一工厂（中央邦工厂）。FDA仅公开了氯化钾召回，未告知公众其他召回药物的具体风险。
• 死亡报告：格伦马克向FDA报告了3例服用召回药物的患者死亡案例，但未确认死因。缅因州一名91岁女性玛丽·科米尔的家属提起诉讼，指控药物导致其心脏骤停身亡，格伦马克否认责任。
• 通知延迟：氯化钾召回公告在FDA发布前三天，患者仍在使用问题药物。患者家属在死亡三周后才收到召回通知。

FDA监管缺陷凸显

• 检查滞后：FDA使用风险评估模型决定检查优先级，但未解释为何格伦马克的连续召回未触发紧急检查。该工厂上次检查在疫情前，之后因资源限制暂停常规检查。
• 资源不足：FDA缺乏足够检查员监督海外药厂。目前美国90%以上处方药为仿制药，多数由海外工厂生产，但检查覆盖率严重不足。
• 透明度缺失：FDA未主动公布药物生产地信息及工厂安全记录，患者无法知情选择。

系统性问题与行业影响

• 格伦马克的其他工厂此前已多次收到FDA警告信，其中一家因严重违规被禁止向美国出口药物。但缺陷药物问题持续存在，反映制药企业质量管理体系漏洞。
• FDA长期面临海外药厂监管挑战，国会多次指出其检查资源不足。2023年另一家印度药厂生产的眼药水导致多人死亡，涉事工厂从未接受过FDA检查。
• 2024年6月，美国众议院能源与商务委员会要求FDA提交印度和中国药厂的检查记录，批评其“监管制度性弱点”。

各方回应

• FDA以“不公开讨论合规事项”为由拒绝回答具体问题，仅声明会确保召回有效实施，并称机构重组将提高效率。
• 格伦马克拒绝详细回应，表示正与FDA合作确保合规，同时以诉讼为由否认不当行为。

结论 格伦马克案例暴露了FDA对海外药厂监管的系统性漏洞：行动迟缓、资源不足、透明度缺乏。在仿制药供应链全球化的背景下，这种监管缺位可能持续威胁美国患者安全。

本文内容是一个设备验证错误消息，旨在验证用户设备。其结构包括两个连续的消息：首先显示“正在验证您的设备，请等待”，随后出现“验证失败”通知，并附带“请重试”的提示。关键功能是提供即时状态反馈，并引导用户在验证失败时重新尝试操作，以完成设备验证过程。

QEMU with VirtIO GPU Vulkan Support 摘要

QEMU 9.2.0 版本合入了 Venus 补丁，使得 virtio-gpu 驱动现在支持 Venus 对 Vulkan 的封装，这是实现完整 Vulkan 支持的关键一步。本文基于一篇较早的指南，提供了当前（2024年）在 QEMU 中启用基于 Venus 的 VirtIO-GPU Vulkan 加速的最新方法。

核心概念

• QEMU: 机器模拟器。
• VirGL: VirtIO-GPU 的 OpenGL 驱动（在 Mesa 中）。
• Venus: VirtIO-GPU 的实验性 Vulkan 驱动（在 Mesa 中）。
• virglrenderer: 库，用于将上述驱动程序的命令翻译成宿主机的 OpenGL 或 Vulkan，从而为虚拟机提供硬件加速。
• libvirt / virt-manager: 用于管理虚拟化的 API 及其桌面前端。

已合并与进行中的关键补丁

• 已合并:
  • Mesa 24.2: 使跨设备支持变为可选。
  • Linux 内核 6.13: 停止获取 PFNMAP 页面的引用。
  • QEMU 9.2.0: 支持 blob 内存和 Venus。
• 进行中:
  • libvirt 和 virt-manager 对 Venus/Vulkan VirtIO-GPU 驱动的支持仍在开发中，目前没有图形化配置选项。

先决条件（宿主机）

需要确保宿主机环境满足以下最低版本要求：

• Linux 内核: >= 6.13，且编译时开启了 CONFIG_UDMABUF（可通过检查 /dev/udmabuf 和 /dev/kvm 设备节点确认）。
• QEMU: >= 9.2.0。
• virglrenderer: 需要编译时启用 Venus 支持（-Dvenus=true）。
• Mesa: >= 24.2.0。
• 工作正常的 Vulkan 和 KVM 环境。

可以通过 uname -r、qemu-system-x86_64 --version、vulkaninfo --summary 和运行 vkcube 来验证上述条件。

配置与运行虚拟机

1. 构建 QEMU（如需要）

如果发行版未提供足够新版本的 QEMU，可从源码编译 9.2.0 版本，配置时需启用 --enable-opengl 和 --enable-virglrenderer。

2. 创建并运行虚拟机

使用 qemu-img 创建磁盘镜像，然后使用 qemu-system-x86_64 命令启动。关键参数包括：

• -device virtio-vga-gl,hostmem=4G,blob=true,venus=true: 启用支持 Venus 的 VirtIO-GPU 设置。
• -object memory-backend-memfd,id=mem1,size=4G 与 -machine memory-backend=mem1: 配置内存后端。
• -vga none 和 -display gtk,gl=on: 配置显示。 根据需要调整 CPU 核心数、内存和显存大小。

3. 虚拟机内部验证

在虚拟机内安装 mesa-utils 和 vulkan-tools。运行 glxinfo -B 和 vkcube。正确的设备类型应显示为 virgl，而非 llvmpipe。

特定发行版指南（Ubuntu）

文章以 Ubuntu 为例提供了详细步骤：

• 内核: 使用 mainline 工具安装 >= 6.13 的内核。
• virglrenderer: 需要从源码编译并启用 Venus 支持，因为发行版默认包可能未编译此功能。
• QEMU: 同样需要从源码编译 9.2.0 版本。
• virt-manager: 目前无法通过图形界面配置 Venus。一个变通方法是在虚拟机 XML 中使用 <qemu:commandline> 透传 QEMU 参数。但文章指出此方法可能会遇到 virgl could not be initialized 或 Spice 相关的错误，仍需进一步研究。

故障排除

• 在宿主机启动命令中添加 -d guest_errors 以显示虚拟机错误。
• 在虚拟机中尝试安装 vulkan-virtio 驱动和 Mesa 包。
• 如果设备类型错误，检查所有组件版本和编译选项。

SiFive HiFive Premier P550 开发板现已正式发售

• 产品状态与规格：经过早期采用者版本的热卖后，配备预装 Ubuntu 24.04 系统的 HiFive Premier P550 开发板现已在 Arrow.com 正式开售。它提供 16GB 和 32GB 两种内存配置。
• 价格调整与可及性：得益于与制造合作伙伴 ESWIN 的产能提升和规模效应，开发板价格现已下调。16GB 版本售价为 399 美元，32GB 版本售价为 499 美元，旨在让更多开发者能够接触这一强大平台。对于此前已按原价购买的用户，公司将退还差价。
• 早期反馈与特性：早期用户反馈极其正面，开发者和构建农场将其用于软件测试和游戏等场景。该开发板以高质量的组件、开箱即用的流畅体验以及高级功能著称，这些功能包括：
  • 使用三星和美光的 LPDDR 内存。
  • 采用系统级模块 (SOM) 设计，支持模块化和升级。
  • 集成基板管理控制器 (BMC)，支持远程管理和控制。
• 合作与生态建设：该开发板是 SiFive、ESWIN 和 Canonical 三方紧密合作的成果，旨在确保其性能符合规范。此次合作旨在推动 RISC-V 生态系统发展，各方均对此表示了积极期待。
• 战略目标：SiFive 强调，这些开发板是一项旨在加速 RISC-V 全球普及的长期战略投资，而非单纯的盈利产品。他们致力于为开发人员提供接触真实硅片的机会，以支持 RISC-V 生态的快速发展，并承诺未来将推出更多开发板。

WordPress母公司Automattic因诉讼被迫调整政策
根据法院针对WP Engine诉讼发布的初步禁令，Automattic必须采取以下措施：

1. 移除争议性登录框：删除WordPress.org上要求用户“谴责WP Engine”才能继续登录的选项。
2. 恢复WP Engine的生态访问权限：不得阻止或干扰WP Engine及其用户、合作伙伴访问WordPress.org，包括不得干扰其开发或维护的插件和扩展目录。

事件后续反应
法院裁决后，Automattic创始人兼CEO马特·穆伦维格申请退出Post Status Slack社区（WordPress开源工具的主要行业交流平台）。

（注：原文末尾的会员订阅提示已省略。）

事件概述

一项关于黑色塑料厨具含阻燃剂的研究因简单数学计算错误，导致媒体和公众对其健康风险产生过度恐慌。麦吉尔大学科学与社会办公室主任乔·施瓦茨（Joe Schwarcz）发现了该错误。

错误详情

• 错误内容：原始研究在计算美国环保署（EPA）的参考剂量时，将“60公斤成人 × 7000纳克/公斤体重/天”错误计算为42,000纳克/天，而正确结果应为420,000纳克/天。
• 影响：研究估计的每日暴露量（34,700纳克）被描述为“接近”EPA限制，但实际上仅相当于正确参考剂量的不到十分之一。这一错误使得风险看起来比实际情况严重得多。

研究背景与媒体反应

• 研究目的：非营利组织“无毒未来”（Toxic-Free Future）的研究人员旨在调查美国市场上的黑色塑料家居用品（如锅铲）是否含有溴化阻燃剂。这些化学物质原本用于电子产品防火，可能通过回收电子垃圾进入生活用品。
• 媒体报道：错误研究引发广泛报道，媒体标题耸动，如“你的黑色锅铲可能毒死你”、“扔掉你的黑色锅铲”等，导致公众恐慌并丢弃厨具。

修正与后续

• 作者回应：研究第一作者梅根·刘（Megan Liu）称此错误为“打印错误”，已向期刊提交更正，但坚持认为研究结果和“减少使用黑色塑料厨具”的建议不变，因为阻燃剂的实际检出水平“仍然高度令人担忧”。
• 专家观点：施瓦茨教授认为，尽管研究的核心假设（电子垃圾回收导致阻燃剂进入厨具）可能是正确的，但科学表达风险时必须精确。他指出：
  • 使用纳克而非更常见的微克作为单位，放大了数字的视觉冲击。
  • 风险百分比表述可能具有误导性（例如，风险增加100%但绝对风险仍极低）。
  • 科学在指导健康政策时，必须确保数据准确，以避免不必要的公众恐慌。

核心结论

此次事件凸显了科学准确性对公共舆论的关键影响。尽管黑色塑料厨具中可能存在来自回收电子垃圾的阻燃剂，但错误计算的夸大其词引发了远超实际风险的恐慌。事件提醒公众和媒体在解读科学报告时需保持审慎。

OnlyFans创作者使用AI聊天工具应对海量私信

随着人工智能技术的发展，OnlyFans平台上的创作者正越来越多地采用AI聊天工具来管理与粉丝的互动。原本由人力“聊天员”承担的工作，如今正逐渐被自动化工具取代。

人力聊天员的演变

OnlyFans平台的核心吸引力之一在于创作者与粉丝之间的直接互动，这种关系模拟是其成功的关键。由于顶级创作者每天需处理成千上万条私信，他们通常将对话外包给被称为“聊天员”的合同工，这些工人主要来自菲律宾、巴基斯坦等工资较低的国家。

AI工具的兴起与功能

现在，多家初创公司提供AI聊天服务，如ChatPersona、Supercreator、FlirtFlow等。这些工具通过算法分类用户（如区分高消费者和免费用户），自动生成回复脚本，甚至能在用户上线时自动发起对话。部分工具允许人工介入，在AI生成的消息基础上进行调整，以保持互动的真实性。

商业影响与采用情况

据报告，使用AI聊天工具的创作者销售额显著提升。例如，用户Eden表示，通过AI工具精准定位高消费用户，她的客户获得了高达1000美元的小费。ChatPersona的创始人Kunal Anand称，其服务已拥有约6000名客户。这些工具通常需要人工点击发送，以符合OnlyFans的服务条款。

伦理与透明度问题

文章也引发了关于透明度的讨论：当企业使用聊天机器人时，是否应明确告知用户正在与AI互动？随着AI在客服和互动领域的普及，这一问题变得日益重要。

总体来看，AI聊天工具正在重塑OnlyFans等平台的运营模式，在提升效率的同时，也带来了新的商业机遇和伦理思考。

本文探讨了编程语言内存模型的核心问题，即多线程程序如何通过共享内存进行可靠通信。

核心问题与基本答案 一个典型的并行通信程序（如线程1写入数据并设置信号，线程2轮询信号后读取数据）在使用普通变量时可能无法正确工作。其原因有二：编译器可能将变量缓存到寄存器中导致线程2无法观察到更新；编译器可能对读写操作进行重排序。几乎所有现代语言（如C++、Java、Go、Rust）的共同答案是：使用**原子变量（或操作）**进行同步。这能确保：

1. 写入数据的操作对后续的原子变量写入可见。
2. 读取原子变量后能读取到最新的数据。
3. 强制编译器和硬件遵守特定顺序。

DRF-SC（数据竞争自由的顺序一致性） 现代语言普遍采纳的核心保证是：一个没有数据竞争（即不存在对同一变量的并发非原子读写）的程序，其执行结果必须是顺序一致的，即表现得像所有线程的操作以某种任意但未重排的顺序交替执行在单处理器上。原子操作通过建立**“发生先于”** 关系来消除数据竞争。

历史演进与不同路径

1. Java（1996/2004）：首个尝试定义内存模型的主流语言。早期模型存在缺陷：volatile原子变量不同步（无法用于构建其他同步原语），且强制要求的一致性与编译器优化冲突。2004年的新模型转向DRF-SC，使用volatile变量作为同步原子，并定义了有数据竞争程序的语义（基于发生先于关系）。但其对“因果性”的形式化排除被证明过于复杂且存在缺陷。
2. C++11（2011）：受Java启发，但采取了不同策略。对存在数据竞争的程序，行为完全未定义（“DRF-SC或着火”）。它引入了三类原子：顺序一致（最强同步）、获取/释放（仅提供一致性，弱同步）和松散（无同步，仅防止数据竞争被视为未定义行为）。然而，弱原子和松散原子的加入使得模型复杂性堪比Java，并且其对弱原子行为的定义也被证明存在问题。
3. JavaScript（2017）：为支持SharedArrayBuffer引入共享内存。其模型显著不同于C++：仅提供顺序一致原子；对有数据竞争的程序明确定义行为（出于安全考虑）；允许原子与非原子操作访问同一位置。然而，其规范最初与ARMv8硬件行为存在冲突，后被修正。

硬件支持与现状 硬件（如ARMv8、RISC-V）已开始直接高效支持顺序一致的原子指令，这与语言模型的抽象趋于一致。尽管形式化定义并发语义仍极具挑战性，但经过多年研究，各语言在关键点上已趋于收敛：都提供顺序一致的同步原子，都旨在为数据竞争自由的程序提供顺序一致性保证，并都寻求在效率、安全性与形式化严谨性之间取得平衡。

本文记录了一位软件工程师首次尝试3D打印与CAD设计的系列文章。作者因童年对拆装事物的热爱，长期在虚拟世界构建复杂软件系统，但渴望制作实体物品。在看到3D打印技术普及后，决定尝试，并选择了备受好评的Bambu Lab X1C打印机。

实际使用中，作者发现该打印机开箱即用，几乎无需学习曲线，成功打印了测试模型（如Benchy）和精细作品（如LED灯）。多色打印虽耗时耗材，但效果可靠。作者对柔性机构等实用设计产生兴趣。

为学习CAD，作者选用免费且流行的Fusion 360。他发现编程经验可迁移到CAD设计中：CAD的草图约束类似于iOS界面约束；参数化建模的“时间线”功能与函数式编程理念相通，即通过一系列转换操作构建模型。作者以一个实际项目——设计网络摄像头支架以避免遮挡屏幕——作为实践起点。通过测量与设计，他在Fusion 360中完成了模型创建，并尝试了渲染功能。

尽管尚未进行打印测试，作者已体会到设计阶段需综合考虑制造工艺、材料等因素，这需要迭代改进。文章最后，作者提及可能推出预配置的USB4连接的迷你PC Kubernetes集群，并预告后续文章将分享更多经验。

《塞尔达传说：姆吉拉的假面》反编译项目宣布，其NTSC-U版本的代码已达成100%匹配的反编译。该项目由Zelda逆向工程团队（ZeldaRET）主导，旨在通过“干净室”方法对游戏代码进行开源重建。100%的完成度意味着所有游戏函数编译后均与原始ROM匹配。

此里程碑使《姆吉拉的假面》与《超级马力欧64》、《时之笛》等N64经典作品一同被列为完全反编译的项目。尽管ZeldaRET团队本身可能无意制作完整的PC移植版，但此举为其他开发者基于反编译代码进行移植工作奠定了基础。目前已有一些相关的移植项目，如Recompilation和2Ship2Harkinian。

需要指出的是，100%的代码匹配并不意味着项目结束。团队表示后续仍有大量工作，包括对现有代码进行文档完善与清理、对其他区域版本（如PAL版和日版）进行反编译，以及处理游戏历年来的各种修订版。

此次反编译成果的公布，被视为N64游戏反编译领域的又一重要进展，有助于推动这些经典作品获得原生移植及各种改进。