https://news.ycombinator.com/item?id=46380168

Ruby 4.0.0 发布公告

发布者: naruse (2025年12月25日)

Ruby 4.0.0 现已发布，引入了“Ruby Box”和“ZJIT”等新特性，并进行了众多改进。

主要特性：

• Ruby Box: 一个实验性功能，用于隔离定义。通过设置环境变量 RUBY_BOX=1 启用。 允许隔离猴子补丁、全局/类变量修改、类/模块定义以及加载的原生/Ruby 库，适用于测试用例隔离、并行 Web 应用部署、依赖更新评估等场景。 详情请参考：Ruby::Box。
• ZJIT: 全新的即时 (JIT) 编译器，是 YJIT 的下一代产品。需要 Rust 1.85.0 或更高版本构建，通过 --zjit 启用。旨在提高性能并鼓励外部贡献。目前速度略慢于解释器和 YJIT，建议实验性使用。
• Ractor 改进: Ruby 并行执行机制 Ractor 进行了多项改进。引入了 Ractor::Port 类，解决了消息发送和接收问题。 Ractor.shareable_proc 使共享 Proc 对象更方便。 内部数据结构优化减少了全局锁的竞争，提升了并行性能。Ractor 的目标是明年移除“实验性”状态。

语言变更：

• *nil 和 **nil 不再分别调用 nil.to_a 和 nil.to_hash。
• 逻辑二元运算符 (||, &&, and 和 or) 可以在行首延续上一行，类似于点运算符。

核心类更新：

• Array: 增加了 Array#rfind 和 Array#find，提供更高效的查找方法。
• Binding: Binding#local_variables 不再包含编号参数。新增了 Binding#implicit_parameters 用于访问编号参数和 "it" 参数。
• Enumerator: Enumerator.produce 增加了 size 关键字参数，用于指定生成器的尺寸。
• ErrorHighlight: ArgumentError 异常显示调用方法和定义方法的代码片段。
• Fiber: 引入支持 Fiber#raise(cause:) 参数。
• Fiber::Scheduler: 引入 Fiber::Scheduler#fiber_interrupt、 Fiber::Scheduler#yield 和 重新引入 Fiber::Scheduler#io_close钩子。
• File: File::Stat#birthtime 在 Linux 上通过 statx 系统调用可用。
• IO: IO.select 接受 Float::INFINITY 作为超时参数。
• Kernel: Kernel#inspect 检查 #instance_variables_to_inspect 方法，允许控制在 #inspect 字符串中显示哪些实例变量。
• Math: 增加了 Math.log1p 和 Math.expm1。
• Pathname: 从默认 gem 升级为核心类。
• Proc: Proc#parameters 显示匿名可选参数为 [:opt]。
• Ractor: 引入 Ractor::Port 类，提供新的同步机制。新增了 Ractor#join 和 Ractor#value 用于等待 Ractor 终止。
• Range: Range#to_set 增加了大小检查，防止无限范围问题。
• Ruby: 定义了新的顶级模块 Ruby，包含 Ruby 相关常量。
• Ruby::Box: 提供定义隔离功能。
• Set: 升级为核心类。
• Socket: Socket.tcp 和 TCPSocket.new 接受 open_timeout 关键字参数。
• String: 更新 Unicode 到版本 17.0.0。
• Thread: 引入支持 Thread#raise(cause:) 参数。

Stdlib 更新:

部分默认 gem 已升级或添加。

兼容性问题：

• Ractor 中 Ractor.yield、Ractor#take、Ractor#close_incoming 和 Ractor#close_outgoing 被移除。
• ObjectSpace._id2ref 已弃用。

英伟达200亿美元收购AI芯片初创公司Groq资产

核心交易概述

英伟达（Nvidia）已同意以200亿美元现金收购高性能AI加速器芯片设计公司Groq的资产。这是英伟达迄今为止规模最大的收购交易（此前最大交易为2019年以近70亿美元收购Mellanox）。英伟达CEO黄仁勋在内部邮件中澄清，公司并未收购Groq的企业实体，而是获取其资产、授权其知识产权（IP）并吸纳核心人才。

交易细节与结构

• 资产与业务划分：英伟达将获得Groq的主要资产，但其GroqCloud云业务不包含在内，该云服务将继续不间断运营。
• 官方声明：Groq在博客中称双方达成的是“非排他性许可协议”，以授权其推理技术，但未披露具体金额。
• 人事与运营变动：Groq创始人兼CEO Jonathan Ross、总裁Sunny Madra等高管将加入英伟达以推进授权技术。Groq将作为“独立公司”存续，由原CFO Simon Edwards接任CEO。
• 资金储备：截至10月底，英伟达拥有606亿美元现金及短期投资，为交易提供了充足资金。

英伟达的战略意图

黄仁勋表示，英伟达计划将Groq的低延迟处理器整合到NVIDIA AI工厂架构中，将平台能力扩展至更广泛的AI推理和实时工作负载领域。此举顺应了科技巨头通过许可协议招募顶尖AI人才的趋势。今年9月，英伟达曾以类似模式斥资超9亿美元获取AI硬件初创公司Enfabrica的技术授权并招募其核心团队。

Groq的背景与现状

• 公司背景：Groq成立于2016年，由前谷歌工程师Jonathan Ross（谷歌TPU创造者之一）等人创立，主要致力于加速大语言模型的推理任务。
• 财务估值：在三个月前的融资中，Groq筹集7.5亿美元，估值约69亿美元，投资方包括贝莱德、三星等。公司今年营收目标为5亿美元，在被英伟达接洽前并未主动寻求出售。

行业背景与生态投资

随着现金储备增加，英伟达加大了对AI生态系统的投资：

• 其他投资：支持了Crusoe、Cohere，并增持CoreWeave。9月宣布拟向OpenAI投资高达1000亿美元（尚未正式落地），并向英特尔投资50亿美元。
• 行业动态：另一家AI芯片初创公司Cerebras Systems原计划今年IPO，但在10月筹集超10亿美元后撤回申请，但仍希望尽快上市，反映出生成式AI热潮下芯片初创公司的资本动态。

极简浏览器文本编辑器

这是一个完全在浏览器端运行的极简文本编辑器，其核心机制是将所有文本数据编码并存储在 URL 的哈希（hash）部分。该项目基于 JavaScript 开发。

核心功能

• 数据压缩：采用 deflate 算法对文本内容进行压缩，以优化 URL 长度。
• 便捷分享：用户只需复制当前 URL 即可完整分享笔记内容。
• 双重存储：数据不仅存在于 URL 中，还会同步保存在浏览器的 localStorage 中。
• 样式自定义：支持通过浏览器开发者工具（DevTools）注入 CSS 来调整界面外观。

高级使用技巧

• 自定义标题：在文档首行输入 # 标题内容，即可将其设置为网页的自定义标题。
• 持久化样式：通过开发者工具为 <article> 标签添加 style 属性，该自定义样式会被一并编码并保存在 URL 中。
• 生成二维码：在 URL 中添加 /qr，即可生成并显示当前页面的二维码。

相关项目

• numbr.dev：作者开发的另一个项目，采用类似的文本区域交互界面，但专门用于支持计算和换算功能（如货币转换 1 USD in EUR =）。

善意之举成就45年亲情羁绊

1975年圣诞节前夕，英国卡迪夫的 Rob 和 Dianne Parsons 夫妇在自家门前遇到了患有自闭症且无家可归的 Ronnie Lockwood。Ronnie 带着全部家当和一只冻鸡求助，夫妇俩出于善意邀请他进屋。原本只计划让他暂住过节，但由于无家可归者面临“没地址找不到工作，没工作找不到地址”的困境，夫妇俩决定让他长期留下，这一住便是45年。

悲惨童年与家庭融入 Ronnie 的童年充满创伤，8岁被送入护理院，11岁被送往特殊学校，15岁起流落街头。Parsons 夫妇像对待孩子一样照顾他，帮他找了一份垃圾收集员的工作并添置新衣。Ronnie 逐渐融入家庭，保留了每天清空洗碗机等生活习惯，并在 Dianne 患慢性疲劳综合征期间，主动承担起照顾两个年幼孩子的重任。此外，他长期在当地教堂做志愿者，甚至将自己的鞋子送给无家可归的人。

深厚的情感羁绊 尽管共同生活中存在挑战（如 Ronnie 长达20年的赌博问题），但他已成为家庭不可或缺的一员。当夫妇俩因房屋空间拥挤考虑让他搬出独立居住时，Ronnie 一句“我们会永远在一起，对吧？”让他们彻底打消了念头，决定永远陪伴彼此。

离世与奇妙遗产 2020年，75岁的 Ronnie 因中风离世。为纪念他，卡迪夫 Glenwood Church 将新建的健康中心命名为“Lockwood House”。令人惊叹的是，Ronnie 在遗嘱中留下的4万英镑遗产，金额恰好全额支付了该中心修复屋顶的费用。Parsons 夫妇表示，Ronnie 善良的心极大地丰富了他们的人生，这段长达45年的奇妙相伴是日复一日积累而成的奇迹。

Vibium：面向 AI 与人类的浏览器自动化工具

简介与目的

Vibium 是由 Selenium 创始人开发的一款浏览器自动化工具，专为 AI 代理和人类设计。它作为编码代理的验证层，赋予 AI 代理检查自身工作的能力。通过简单的命令，代理可以执行网页导航、表单填写、按钮点击和截图等操作。

核心特性

• AI 原生：可作为技能（Skill）安装，使 AI 代理立即掌握完整的浏览器自动化工具包。
• 零配置：一键安装，自动下载浏览器，默认界面可见。
• 基于标准：构建于 WebDriver BiDi 协议之上，而非大公司的专有协议。
• 轻量级：单一二进制文件（约 10MB），无运行时依赖。
• 高灵活性：支持作为 CLI 技能、MCP 服务器或 JS/Python/Java 客户端库使用。

关键功能与使用方式

1. CLI（命令行界面）

提供丰富的命令用于网页交互与数据提取：

• 映射与交互：导航至 URL、映射交互元素并点击、查看页面变化。
• 语义化查找：无需 CSS，通过可见文本、表单标签、占位符或 ARIA 角色查找元素。
• 读取与捕获：获取页面文本、截取带注释的截图、保存 PDF 或执行 JavaScript。
• 其他操作：等待特定元素/URL/文本出现、录制会话、填写表单及模拟键盘输入。

2. MCP 服务器

支持结构化调用，可无缝集成到 Claude Code 和 Gemini CLI 等 AI 工具中，作为 CLI 的替代方案。

3. 多语言 API

提供 JavaScript/TypeScript、Python 和 Java 客户端库，支持同步和异步 API。安装时会自动下载 Chrome 浏览器，无需手动配置。开发者可通过简洁的代码实现浏览器启动、页面导航、截图和元素交互。

系统架构

Vibium 的架构分为三个主要层级：

1. 顶层：LLM 或 AI 代理（如 Claude Code、Codex、Gemini）。
2. 中间层：Vibium 二进制文件，包含 CLI 命令和 MCP 服务器。它通过内部的 BiDi 代理与 Chrome 浏览器进行 WebSocket BiDi 通信。
3. 客户端层：多语言客户端库（JS/TS、Python、Java），通过 WebSocket BiDi 端口与 Vibium 二进制文件交互，提供同步和异步 API。

平台支持与未来规划

• 平台支持：全面支持 Linux (x64)、macOS (Intel x64 和 Apple Silicon arm64) 以及 Windows (x64)。
• 开源许可：采用 Apache 2.0 许可证。
• 未来路线图：V1 版本专注于通过 CLI、MCP 和客户端库实现浏览器控制的核心循环。未来计划引入 Cortex（记忆/导航层）、Retina（录制扩展）、视频录制以及 AI 驱动的元素定位器。

https://git.dec05eba.com/phoenix/about/

Fabrice Bellard: A Profile of an Influential Programmer (Fabrice Bellard, Andy Gocke, and Nick Pizzolato, 2009)

This article profiles Fabrice Bellard, a highly influential, yet relatively low-profile, computer scientist. Born in Grenoble, France, in 1972, Bellard demonstrated a passion for electronics and programming from a young age, starting with a TI-59 scientific calculator and later a TI-99/4A home computer.

Early Programming and Key Contributions:

• LZEXE: At age fifteen, Bellard created LZEXE, a pioneering executable file compression method for personal computers, inspired by LZSS. This showcased his early proficiency in low-level coding.
• Education at École Polytechnique: He attended the prestigious École Polytechnique, a French military academy specializing in engineering, which he found liberating due to its focus on breadth and extensive resources.
• Pollard’s FFT Implementation: In 1995, he implemented Pollard’s FFT fast multiplication method in C, enabling the calculation of millions of digits of π.
• Binary Digit Calculation of π: In 1997, he significantly improved the algorithm for calculating binary digits of π, achieving a 43% speed increase.
• TinyGL: In 2002, Bellard developed TinyGL, an exceptionally small and fast implementation of a subset of OpenGL.
• FFmpeg: Starting in 2000, he created FFmpeg, a versatile multimedia framework for recording, streaming, and converting various audio and video formats. This project, built on libavcodec and libavformat, has become a cornerstone of digital media processing.
• TinyCC: He won the International Obfuscated C Code Contest twice, leading to the creation of TinyCC, a remarkably small ANSI C99 compiler.
• QEMU: In 2005, he released QEMU, a processor emulator that uses dynamic translation to achieve near-native performance. This has become vital in virtualization technologies.

Bellard's Philosophy and Advice:

Bellard believes computer science should encompass both practical application and theoretical understanding. He emphasizes the importance of a strong foundation in computer hardware and low-level programming. He prioritizes open-source development, releasing his projects freely to benefit the wider community, driven by his passion for interesting and useful projects rather than financial gain. He encourages future computer scientists to study the fundamentals and gain a deep understanding of how computers work.

Key Themes:

The article highlights Bellard’s exceptional programming skills, his ability to innovate across diverse areas of computer science, and his commitment to open-source principles. His work demonstrates a deep understanding of both hardware and software, combined with an aptitude for mathematical innovation.

Enjoy the videos and music you love, upload original content, and share it all with friends, family, and the world on YouTube.

离职起因与职级困境

作者在YouTube担任L4（中级）工程师，但实际承担着L5/L6（高级/主任）级别的系统架构和团队领导工作。在第三次晋升L5失败后，作者决定离开大厂的“抽奖式”晋升机制，去公开市场检验自身价值，并尝试在面试中实现从L4到L6的“连跳两级”。科技行业的职级直接决定薪酬、股票及解决问题的权限，作者不愿继续承担远超职级的工作却得不到相应回报。

在职求职的双重挑战

在职求职带来了极大的认知负荷与精力消耗。作者白天需关注公司的季度目标和系统稳定性，晚上和周末则要准备算法和系统设计面试。这种频繁的场景切换令人疲惫，并迫使作者对团队隐瞒求职事实，只能通过提高工作效率来掩盖时间分配。

面试策略与保密协议（NDA）应对

为了在面试中证明高级别能力且不违反保密协议，作者总结了“抽象化机制，而非指标”的策略。在描述项目时，避免透露专有算法细节，转而强调通用的工程原则、数据规模以及微服务或事件驱动等架构模式。这既能展示可迁移的系统设计能力，又能避免泄露商业机密。此外，对于“为何未在原公司晋升”的疑问，由于大厂晋升难是行业共识，坦诚回答并肯定原团队的优秀即可。

面试流程的观察

作者发现部分公司的面试流程严重膨胀，曾经历过单家公司13轮面试。作者认为，需要过多轮次和共识才能做出招聘决定的公司，往往存在组织功能失调和害怕犯错的文化；相比之下，5到8轮面试的公司通常目标更明确，内部文化更清晰。

离职沟通与管理启示

与直属经理的最终沟通充满温情与理解。作者离职并非因为团队或经理不好，而是因为个人成长受限，需要更大的发展空间。这打破了“员工离职是因为经理”的刻板印象。对于管理者而言，员工留存率存在天花板，面对能力超出当前环境的高绩效员工，最好的做法是给予理解并支持他们寻找更广阔的天地。

核心感悟

离开知名大厂意味着失去品牌光环的背书，但舒适是进步的敌人。如果员工发现自己在解决远超当前职级的问题且未获合理回报，应勇敢接受市场检验。尽管求职过程疲惫且艰难，但重新认知自我价值的挣扎是完全值得的。

自由软件基金会（FSF）获历史性私人捐款摘要

核心事件

2025年12月24日，自由软件基金会（FSF）宣布收到两笔总计约90万美元的巨额私人捐款，这是该组织历史上收到的最大规模私人捐赠之一。

捐款细节与官方回应

• 捐赠形式：两笔捐款均以加密货币门罗币（Monero）支付，捐赠者要求匿名。
• 意义与价值：FSF执行董事 Zoë Kooyman 指出，此举证明了“软件自由”正日益被认可为核心议题，并与隐私、所有权和维修权等公众关注的社会运动紧密相连。
• 维持独立性：FSF 长期依赖广泛的个人捐赠和准会员支持来保持组织独立性。官方强调，无论捐款金额大小，对维持其独立运作都至关重要。

资金用途

这笔巨额资金将主要用于以下方面：

• 支持 FSF 的技术团队并提升基础设施能力。
• 强化其倡导活动、教育项目、软件许可合规工作以及未来的发展机遇。

筹款与会员招募计划

• 冬季筹款进度：FSF 正在进行的年度冬季筹款活动已达成 40 万美元目标的 75%。
• 战略重心转移：得益于这笔巨额捐款，FSF 将接下来的重心转向会员招募。
• 具体目标：在截至 1 月 16 日的年底筹款活动结束前，FSF 计划新增 100 名准会员（associate members）。

关于自由软件基金会（FSF）

FSF 成立于 1985 年，致力于捍卫计算机用户使用、研究、复制、修改和重新分发程序的权利。该组织大力推广自由软件（特别是 GNU 操作系统及其变体）和自由文档的开发与使用，并积极普及软件使用中的伦理与政治自由问题。

Asterisk AI Voice Agent

项目概述

Asterisk AI Voice Agent 是一个开源（MIT许可证）、Asterisk原生的AI语音代理项目，旨在将现代AI能力无缝集成到现有的 Asterisk/FreePBX 电话系统中。它采用模块化架构，支持云端、本地或混合部署，兼顾数据隐私、成本控制与生产环境的稳定性。

核心功能与特性

• 多模型与基线配置：提供6种“黄金基线”配置，包括 OpenAI Realtime、Deepgram、Google Live、ElevenLabs、本地混合（Local Hybrid）和 Telnyx。此外，支持 MiniMax LLM 以及通过 Ollama 实现的完全本地化部署（无需API密钥，保障绝对隐私）。
• AI 驱动动作（工具调用）：支持统一的呼叫转移（分机、队列、振铃组）、取消转移、优雅挂断、留言信箱及邮件集成（自动发送通话摘要或按需发送文字记录）。还支持呼叫前、中、后的 HTTP 工具调用。
• 管理与监控：提供现代化的 Admin UI（Web界面），包含设置向导、实时系统指标、Asterisk连接状态、实时日志流和YAML编辑器。同时配备生产就绪的 CLI 工具，用于交互式安装、系统诊断、更新和通话后根因分析（RCA）。

最新版本亮点 (v6.5.x)

• OpenAI Realtime GA：全面清理并默认启用 OpenAI Realtime 正式版 API，移除已弃用的预览模型。
• xAI Grok 集成：新增 xAI Grok 实时语音代理提供商，支持原生 μ-law 音频和自定义工具。
• 多实例支持：允许运行同一全代理提供商类型的多个实例（隔离凭证），并通过路由变量进行调度。
• Admin UI 与录音优化：优化了系统拓扑健康检查机制，新增浏览器端直接播放紧凑型 .ulaw 通话录音的功能。

系统架构与配置

• 双容器架构：
  • ai_engine：轻量级编排器，通过 ARI 连接 Asterisk 并管理呼叫生命周期。
  • local_ai_server（可选）：运行本地 STT/LLM/TTS 模型（如 Vosk, Whisper, Piper, llama.cpp 等）。
• 三文件配置系统：
  • ai-agent.yaml：上游管理的基础基线配置。
  • ai-agent.local.yaml：操作员覆盖配置（深度合并，避免上游更新冲突）。
  • .env：存储密钥和 API 凭证。

系统要求

• 平台：仅支持 x86_64 (AMD64) 架构的 Linux 系统（如 Ubuntu 20.04+, Debian 11+ 等），暂不支持 ARM64。
• 软件：需要 Docker、Docker Compose v2 以及启用 ARI 的 Asterisk 18+（推荐 FreePBX）。
• 硬件：根据部署模式（纯云端、本地混合、完全本地CPU/GPU），最低要求从 2核/4GB RAM 到 4核/16GB RAM 及 RTX 3060+ GPU 不等。

间隔重复：高效学习的科学指南

核心概念与原理 间隔重复（Spaced Repetition）是基于认知心理学“间隔效应”和“测试效应”的高效记忆技术。与“临时抱佛脚”的集中学习不同，它利用软件算法在即将遗忘的临界点安排“主动回忆”测试，并逐渐延长复习间隔。研究证实，主动测试与间隔复习对长期记忆的巩固效果远超被动的重复阅读。

优势与适用场景 该技术极具扩展性，可管理数十万条信息，广泛应用于外语、医学及各类事实性知识。此外，它对部分运动技能和抽象归纳学习同样有效。借助“动态卡片”（如通过代码自动生成数学题或编程语法测试），用户还能将程序性技能转化为可间隔练习的知识点，突破传统闪卡仅限于静态事实的局限。

普及困境与认知错觉 尽管科学证据确凿，该方法却未广泛普及，主要原因在于：

1. 短期收益错位：集中学习在应付短期考试时立竿见影，而间隔重复的收益在于长期积累。
2. 元认知错觉：集中学习带来的“流畅感”会让学习者主观上误以为其更有效，从而忽视了长期遗忘的代价。
3. 延迟满足：间隔重复需要克服人性的短视，且必须依赖软件来计算复杂的复习周期。

实践指南与建议

• 工具选择：主流软件如 Anki、Mnemosyne 和 SuperMemo 能自动计算遗忘曲线并安排最优复习时间。
• “5分钟法则”：若某知识在终生范围内为你节省的查阅时间或避免的损失超过5分钟，即值得记忆；若需在5天内掌握，则不建议使用此法。
• 避免过载：切忌添加不关心的琐事。间隔重复旨在“维持和巩固”已学知识，而非替代初步的理解与学习。
• 复习时机：建议睡前复习，睡眠对记忆巩固和长期记忆的形成具有关键促进作用。
• 题型优先级：自由回忆 > 简答题 > 多选题 > 填空题 > 识别题，应尽量迫使大脑进行深度信息提取。

间隔重复是利用计算机弥补人类记忆缺陷的强大工具，它通过严谨的算法将知识转化为长期的复利，是实现终身学习和知识积累的理想策略。

文章摘要

本文主要反映了微软 VS Code 编辑器中自动补全功能存在的缺陷，具体要点如下：

• 核心问题：VS Code（尤其是 C# Dev Kit 插件）的 Tab 键自动补全行为表现异常。
• 具体表现：在代码编辑过程中，当系统给出初始的补全建议时，按下 Tab 键无法正确采纳这些建议，反而会出现无响应或推荐其他无关内容的情况。
• 作者诉求：作者对此体验表示不满，并强烈敦促微软负责 VS Code 自动补全功能或 C# Dev Kit 插件的相关开发团队尽快修复此问题。

韩国浦项科技大学（POSTECH）、韩国科学技术院（KAIST）和庆尚国立大学的联合研究团队在无负极锂金属电池领域取得重大突破，成功实现了 1,270 Wh/L 的体积能量密度。这一数值约为当前电动汽车所用锂离子电池（约650 Wh/L）的两倍，相关成果作为封面文章发表于《Advanced Materials》。

技术背景与挑战

无负极锂金属电池去除了传统负极，使锂离子在充电时直接沉积在铜集流体上，从而节省内部空间以大幅提升能量密度。然而，该设计面临严峻挑战：锂沉积不均匀会形成针状枝晶，增加短路和安全风险；同时，反复充放电会破坏锂表面，导致电池寿命急剧缩短。

核心解决方案

为解决上述问题，研究团队开发了结合可逆宿主（RH）与设计电解液（DEL） 的双重策略：

• 可逆宿主（RH）：由嵌入均匀银（Ag）纳米颗粒的聚合物框架构成。其功能是引导锂离子在指定位置有序、均匀地沉积，避免随机生长。
• 设计电解液（DEL）：在锂表面原位形成一层由 Li₂O 和 Li₃N 组成的薄而坚固的保护层。该保护层能有效抑制有害枝晶的生长，同时维持锂离子传输通道的畅通。

性能表现与实际验证

• 卓越的循环性能：在高面容量（4.6 mAh cm⁻²）和高电流密度（2.3 mA cm⁻²）条件下，电池循环100次后仍保持 81.9% 的初始容量，平均库仑效率高达 99.6%，成功达成 1,270 Wh/L 的破纪录能量密度。
• 软包电池验证：该性能不仅在实验室小型电池中得到验证，还在更接近电动汽车实际应用的软包电池中表现出色。即使在极少电解液（E/C = 2.5 g Ah⁻¹）和低堆叠压力（20 kPa）的严苛条件下，电池依然能够稳定运行。

研究意义

此项研究同时攻克了无负极锂金属电池的效率与寿命难题，证明了基于商用溶剂的电解液设计能够兼顾高锂离子迁移率与界面稳定性。该成果显著降低了电池的制造负担，在减轻电池重量和体积方面展现出巨大潜力，为推进超长续航电动汽车的商业化应用提供了关键的技术支撑。