https://openai.com/gpt-5/

Vibecharting: To chart based on what you want to see instead of what is true, beautiful, or useful. The art of subjective data visualization.

I’ve had preview access to the new GPT-5 model family for the past two weeks (see related video and my disclosures) and have been using GPT-5 as my daily-driver. It’s …

https://openai.com/index/introducing-gpt-5-for-developers

历史科技树
这是一个专注于科技历史的交互式可视化工具或网站（Historical Tech Tree）。其核心功能是通过动态、可操作的图表或时间线，直观呈现人类技术发展的脉络与关联。用户可以通过交互方式探索不同科技的起源、演变及相互影响。网站域名为 historicaltechtree.com，并提供了用于社交媒体分享的预览图像。

调查报告显示，食品、住房和医疗成本是当前公众压力的主要来源。约半数成年人认为食品杂货开支造成重大压力，其中19%曾为此使用“先买后付”服务。

主要压力来源：

• 食品开支：53%的成年人认为杂货费用带来重大压力，另有33%认为带来轻微压力。
• 住房成本：约半数成年人将其视为主要压力。
• 收入与储蓄：43%的成年人为此感到压力。
• 医疗费用：40%的成年人认为医疗成本造成重大压力。 总体而言，75%的成年人至少经历上述一项重大压力。

“先买后付”服务使用情况：

• 29%的公众曾将该服务用于医疗、娱乐、餐饮或食品开支。
• 使用率在45岁以下人群中更高。
• 经历重大压力的群体使用该服务的比例显著更高：例如，21%有重大压力者曾用该服务支付医疗费用，而压力较小者仅8%。

年龄差异分析：

• 45岁以下成年人在收入、住房、学生贷款和育儿方面的压力高于年长群体。
• 在食品杂货、储蓄和医疗成本方面，各年龄段的压力水平基本相当。

本次调查于2025年7月10日至14日通过电话和网络进行，样本包括1,437名成年受访者，误差范围为±3.6个百分点。

gpt-5 leaked system prompt. GitHub Gist: instantly share code, notes, and snippets.

Learn what triggers Germany’s exit tax for business owners, how it’s calculated, and why growing a profitable company can make leaving Germany costly.

A story of secrecy, resistance, and the fight for digital freedom.

An updated version of my user-level CLAUDE.md is featured in this post from December 2, 2025.

I've been experimenting with LLM programming agents over the past few months. Claude Code has become my favorite.

It is not without issues, but it's allowed me to write ~12 programs/projects in

总结

提供的内容是一个标题，其中GPT-5被问及一个问题：在单词"blueberry"中字母"b"出现了多少次。这突显了AI模型在字符级语言处理方面的能力，可能用于测试或演示其分析和计数功能。问题本身涉及基本的语言分析，正确答案为字母"b"在单词中出现两次（一次在开头，一次在中间），但内容未提供GPT-5的实际回应。整体上，内容强调了AI在处理简单语言任务时的应用场景。

A deep dive into local-first architecture, triggered by wondering why Linear feels so fast. Looking at the technical implementation, exploring tools like Jazz and Electric SQL, and explaining why my next app might not need API endpoints.

AI的成功暴露了我们在个人计算和信息组织上的长期失败。以ChatGPT为例，它能瞬间回答复杂问题（如结合历史事件与国旗动物的查询），而传统搜索引擎如Google却表现糟糕。这种能力并非源于优雅设计，而是对混乱互联网的暴力破解——LLMs从无结构数据中推断临时语义图谱，构建知识关联。

信息组织的失败体现在多个层面：Google Drive等产品放弃了结构化文件管理，转而依赖全文搜索，使用户体验恶化；语义网愿景（结构化、机器可读的网络数据）从未实现，数据不仅缺乏元数据，HTML转向JS驱动的动态内容也增加了机器解析难度；个人计算也未能发展为真正的知识库系统（如基于语义链接的HyperCard），错失利用开放标准的机会。

如果知识能以丰富语义链接的结构化方式存储，简单的自然语言处理算法就能高效解析问题，且知识更易获取和理解。但现实中，AI成为权宜之计：它通过扫描无结构网络并建立临时语义映射来弥补系统缺陷。这本质上是一种暴力工作方法，而非技术进步的优雅体现。

US President Donald Trump's administration is revising past editions of the nation's premier climate report -- its latest move to undermine the scientific consensus on human-caused global warming.

根据特朗普政府发布的行政令，联邦拨款体系将面临重大变革，所有科研资助将受到政治层面的直接控制。该行政令要求，任何资助机会的发布均需由机构负责人或其指定的政治任命官员审核，且单个拨款也需经政治任命者批准，并必须“在适用情况下，明显推动总统的政策优先事项”。此外，行政令授权机构可随时取消已批准的拨款，若其被认为“不再推动机构优先事项”。在新机制建立前，各机构不得启动新的资助项目。

这一变化意味着，美国所有联邦资助的科学研究将需经由缺乏相关专业背景的政治任命官员批准，且研究可能因政治风向变化而被终止，可能终结过去约70年推动美国科学领先世界的体系。行政令理由包括对行政和设施成本、多元化资助、研究可重复性及学术欺诈等问题的担忧，但其解决方案是强化政治层面对拨款流程的控制。

行政令规定，机构负责人或指定高级任命官员将掌握资助决定的最终裁量权，并禁止其将专家评审意见视为最终决定。同时，行政令引入了一系列政治审查标准，例如资助必须符合总统议程，不得推广“反美价值观”，不支持涉及性别非二元性的研究（尽管生物学证据表明性别并非绝对二元），并倾向于资助设施成本较低的机构（通常是乡村机构）。此外，拨款需符合政府认定的“黄金标准科学”，但该政府自身常违反这一标准。

行政令还要求对现有拨款加强控制。机构需在发放资金时明确批准，研究人员每次提款都必须重新证明其资助的合理性，这将大幅增加文书工作。若机构认为任何资助不再合理，可单方面终止。这些措施旨在为政府构建正式施加意识形态控制的结构，以应对国会此前对削减科研预算的抵制。整体而言，行政令显著扩大了政治干预科研资助的范围，可能对美国科学研究的独立性和连续性产生深远影响。

Radar offers geocoding, place search, and fraud detection APIs, powered by HorizonDB, a Rust-based engine delivering 20k QPS and sub-millisecond latency.

It was a busy week in the AI world.

https://www.seangoedecke.com/gpt-oss-is-phi-5/

Built to help you ship, right from your terminal. Same commands, any environment.

https://www.youtube.com/watch?v=0Uu_VJeVVfo

Explore some of the stunning images shortlisted in the world’s biggest astrophotography competition

Taking GPT-5 on a first agentic coding test with GitHub Copilot, and comparing its performance to Claude 4 Sonnet.

Over on YouTube Talking Sasquach has recently tested custom firmware for the Flipper Zero that can entirely break the rolling code security system used on most modern vehicles. Rolling code security works by using a synchronized algorithm between a transmitter and receiver to generate a new, unique code for each transmission, preventing replay attacks and unauthorized access. In the past we've discussed an attack against rolling code security systems called RollJam, which works by jamming the original keyfob signal so the vehicle cannot receive it, and at the same time recording it for later use. However, this attack is difficult to

We discovered why language models catastrophically fail on long conversations: when old tokens are removed to save memory, models produce complete gibberish. We found models dump massive attention onto the first few tokens as "attention sinks"—places to park unused attention since softmax requires weights to sum to 1. Our solution, StreamingLLM, simply keeps these first 4 tokens permanently while sliding the window for everything else, enabling stable processing of 4 million+ tokens instead of just thousands. This mechanism is now in HuggingFace, NVIDIA TensorRT-LLM, and OpenAI's latest models.

Contribute to Nicholas-L-Johnson/flip-card development by creating an account on GitHub.

从构建 Immich 中学到的“诅咒知识”

构建 Immich 的过程中，我们获得了一些因深入了解而变得无法忽视的技术认知，这些知识有时会带来认知负担。

核心技术挑战与认知

1. EXIF 数据的脆弱性

   • 现代智能手机和相机生成的元数据（特别是日期、时间戳和GPS位置）并非总是可靠或符合标准。不同厂商、不同设备、甚至同一设备的不同模式下，EXIF 的写入方式和数据格式可能存在巨大差异和错误。
   • 日期解析是一个噩梦。处理“照片何时拍摄”这个问题需要应对各种边缘情况，例如缺失时区信息、设备时钟错误、不同格式的时间字符串等。

2. 视频处理的复杂性

   • 视频转码和元数据处理远比图片复杂。需要处理多种容器格式、编码格式、可变的帧率和色彩空间。
   • 视频缩略图生成需要精确地定位到关键帧，以避免产生黑色或失真的预览图。
   • 可变帧率（VFR） 视频普遍存在，这使得基于时间码的计算和同步变得棘手。

3. 机器学习模型的局限性

   • 用于人脸识别和对象识别的模型在现实中并非完美。它们可能在不同种族、年龄群体或光照条件下表现不一，存在固有的偏见和识别失败的情况。
   • 模型需要权衡准确性与性能。在移动设备或低功耗服务器上运行时，必须做出妥协。

4. 浏览器与移动端的碎片化

   • 在网页和移动端实现流畅、高性能的媒体浏览和编辑体验面临巨大挑战。不同浏览器和操作系统对WebGL、WebCodec、高性能CSS动画等特性的支持程度不一。
   • 在Web上解码和播放不同格式的视频（特别是HEVC/H.265）的支持度参差不齐，常需要回退到软件解码。

5. 文件系统与存储的细节

   • 文件路径处理：处理包含特殊字符、过长路径或非常规编码的文件名是常见问题。
   • 硬链接与去重：理解文件系统的内部工作机制对于设计高效的去重和存储策略至关重要，但实现起来复杂且容易出错。
   • 时区与文件修改时间：依赖文件系统的时间戳（如修改时间）作为排序依据可能不可靠，尤其是在跨平台或时间同步不当的情况下。

6. 用户期望与数据现实的差距

   • 用户通常期望导入的照片按“拍摄时间”排序，但现实是元数据可能缺失、错误或不一致。当系统必须回退到使用文件修改时间或导入时间时，结果可能与用户的心理模型不符。
   • 安全地处理用户私有数据（如照片和视频）带来了巨大的责任和潜在的安全复杂性。

总结

这些“诅咒知识”源于现实世界中技术标准的不完美执行、硬件与软件的多样性，以及数字媒体固有的复杂性。它们提醒我们，在构建一个看似简单的“照片管理”应用时，背后需要处理无数边缘情况和妥协，这些复杂性是无法完全隐藏的，开发者必须与之共存。

https://github.com/geerlingguy/ollama-benchmark/issues/21

Researchers found that an encryption algorithm likely used by law enforcement and special forces can have weaknesses that could allow an attacker to listen in.

AI必须RTFM：为什么技术作家正在成为上下文策展人

趋势：文档驱动开发与AI工具

开发者正越来越多地为AI工具编写和结构化文档，以便这些工具能自主构建解决方案并提高准确性。他们开始关注信息架构、语义标签和文档标记，从而推动“文档驱动开发”的兴起。这本质上是技术写作的延伸，技术写作人员应欢迎开发者加入，并考虑转型为上下文作家和维护者。

AI对上下文的需求

大语言模型（LLM）的质量高度依赖输入质量：清晰、准确、结构良好的提示能产生更好的输出。上下文窗口的大小是关键因素，例如，一百万token的窗口允许输入大量文本（如整部《指环王》三部曲），从而让AI能处理更复杂的任务。因此，AI需要优质上下文才能做出正确决策，这突显了上下文策展的重要性。

上下文策展人的角色定义

上下文策展人是技术作家，能够围绕人类和AI需求编排和执行内容策略。上下文比泛泛的“内容”更具体，因为它与意义相关，具有情境性、相关性和有限性。AI需要上下文来塑造其思考和输出，例如通过创建如CLAUDE.md的文件来提供开发指令和指南。

技术作家的演变与核心作用

技术写作人员应主导AI驱动的文档过程，包括上下文策展。写作不仅是沟通工具，更是设计和共同开发的一部分：技术作家通过选择合适词汇参与API设计等开发活动。如今，他们还能利用AI工具辅助文档编写，例如通过终端或浏览器上下文生成文档。

未来展望：LLM优化内容与标准化

技术写作团队正提供LLM优化的格式，如llms.txt和LLM-optimized Markdown，以增强AI对文档的访问性。未来可能看到类似DITA的标记语言回归，以及允许用户下载特定版本文档的界面。目标是使内容同时对LLM和人类可访问，让技术作家像策展人或D&D中的诗人一样，成为多面手来应对复杂挑战。

关键点总结

• 趋势驱动：开发者通过文档优化AI工具，技术写作与开发融合。
• 上下文为王：AI输出质量取决于输入上下文，上下文窗口扩大提升处理能力。
• 新角色兴起：上下文策展人专注于为AI和人类编排有意义的内容。
• 技术作家领导：技术作家应主导内容策略，将写作视为设计和开发工具。
• 标准化未来：LLM优化文档格式和界面将成重点，确保内容可被AI高效消费。

https://research.google/blog/achieving-10000x-training-data-reduction-with-high-fidelity-labels/

A fast, low-latency, open-hardware e-paper monitor and dev kit

People are discovering the truth about their biological parents with DNA—and learning that incest is far more common than many think.

One story every computing enthusiast should hear is the lesson ofhow loops and tail-recursion are equivalent. We like recursivefunctions because they’re amen...

摘要：FreeBSD混合CPU调度（页面加载说明）

该页面并非直接提供关于“FreeBSD混合CPU调度”的技术内容，而是显示了网站管理员为抵御AI爬虫过度抓取所部署的防护机制说明。

核心信息：

1. 防护目的：页面加载后出现此信息，是网站管理员部署了名为“Anubis”的系统，旨在防御AI公司激进的网页抓取行为，这类行为常导致网站服务器停机和资源无法访问。
2. 防护原理：Anubis采用类似“Hashcash”的工作量证明机制。其设计理念是，对于普通用户，验证计算量可忽略不计；但对于大规模爬虫，累积的计算成本将显著增加其抓取难度和代价。
3. 系统性质：此防护是一个临时过渡方案，目的是为开发更先进的反爬技术（例如通过字体渲染等方式识别无头浏览器）争取时间，以期未来能对真实用户减少验证干扰。
4. 使用要求：Anubis依赖现代JavaScript特性。因此，使用类似JShelter等会禁用相关功能的浏览器插件的用户，需要暂时禁用这些插件才能正常访问该域名。

结论：用户当前看到的并非FreeBSD调度技术文档，而是网站反爬虫系统的拦截页面。要获取原始技术内容，需根据上述提示完成验证。

https://pubs.aip.org/physicstoday/article/78/8/54/3355922/The-enduring-puzzle-of-static-electricityEven

Describe what you need in plain English. Parse gives you a live REST API endpoint in minutes. No browser, no code, no maintenance.

An open-source coding helper. Very friendly! Contribute to synthetic-lab/octofriend development by creating an account on GitHub.