2026-06-04

27 篇热帖

1. Elixir v1.20: Now a gradually typed language (elixir-lang.org)

Elixir v1.20 核心更新摘要

渐进类型系统的引入

Elixir v1.20 实现了类型系统的首个开发里程碑:在无需引入类型注解的前提下,对所有 Elixir 程序进行类型推断与渐进类型检查。该机制能够高效识别死代码及“已验证的 Bug”(即运行时必定失败的类型违规),且无需增加开发者负担,误报率极低。

类型系统设计目标

  • 健全性(Sound):系统推断和分配的类型与程序的实际运行行为保持一致。
  • 渐进性(Gradual):引入 dynamic() 类型以支持运行时类型检查;在不使用 dynamic() 时,系统表现为静态类型系统。
  • 开发者友好:基于集合论操作(并集、交集、否定)来描述、实现和组合类型,并提供清晰的错误信息。

dynamic() 类型的核心机制

区别于其他渐进类型语言中的 any() 类型,Elixir 的 dynamic() 类型具备以下关键特性:

  • 兼容性(Compatibility):仅当提供的类型与函数期望接受的类型完全不相交(Disjoint)时,才会触发类型违规报错,从而有效避免误报。
  • 窄化(Narrowing)dynamic() 类型可根据代码上下文(如访问特定字段或进行数学运算)被动态细化为更精确的类型范围。这种机制使系统能在动态类型程序中精准捕获潜在的逻辑错误。

语法结构的类型检查与推断

  • 守卫(Guards):支持在守卫表达式中推断类型的并集、交集和否定(例如 is_map_key 及其否定形式),并能追踪元组等数据结构的大小限制。
  • 控制流(Case 与条件语句):利用前置子句的匹配信息来细化后续子句的类型,帮助类型系统发现冗余子句和死代码。
  • 标准库支持:已为大量处理元组和映射(Maps)的标准库函数添加了类型定义。

编译性能优化

  • 进一步提升了编译速度,尤其在多核机器上表现优异,其构建工具在合成基准测试中速度领先。
  • 新增 :module_definition 编译器选项(可配置为 :interpreted),可改善大型项目的编译时间,且不影响最终写入磁盘的 .beam 文件。

未来规划

团队计划在未来引入类型化结构定义以及利用集合论类型的显式类型签名。在此之前,需优先解决以下研究与开发问题:

  1. 确保 v1.20 类型系统的性能达到预期。
  2. 高效实现递归类型(Recursive types)。
  3. 高效实现参数化类型(Parametric types)。
  4. 高效实现将 Map 的键值对作为可枚举对象进行遍历。
2. Failing grades soar with AI usage, dwindling math skills in Berkeley CS classes (www.dailycal.org)

核心现象

2026年春季,加州大学伯克利分校(UC Berkeley)多门计算机科学课程的不及格率(F)显著上升,严重偏离系内评分指南。CS 10和CS 61A的不及格率分别达35.3%和10.6%(历史同期不超过10%),EECS 127达16.8%。同时,低年级课程平均GPA降至2.3(C+),低于指南建议的2.8-3.3区间。

主要原因

  1. 过度依赖AI与学术不端:教授Dan Garcia指出,学生大量使用大语言模型导致学术不端激增。部分学生因作弊受罚,另一些则因平时过度依赖AI完成作业,导致考试时真实能力不足。
  2. 数学基础薄弱:教授Gireeja Ranade和Garcia发现学生普遍缺乏线性代数等先修数学技能,部分学生甚至习惯了以往课程中“允许开放网络和AI”的政策。两人已参与呼吁UC系统恢复STEM专业标准化考试(SAT/ACT)的请愿。
  3. 教学人员配备不足:因助教(TA)时薪较高,学校削减了CS本科生招生规模和TA数量。这导致Ranade不得不取消EECS 127中由TA指导且学生通常易获高分的期末项目。

评分机制与课堂参与度

  • 评分机制:Garcia反对“曲线评分(Curving)”,主张公开明确的分数阈值。他认为曲线评分会掩盖真实的教学问题,并支持在不降低标准的前提下给予学生更多达标的机会。
  • 参与度下降:两位教授均观察到学生的答疑时间(Office Hours)参与度大幅下降,与以往爆满的情况形成鲜明对比。

应对措施与教育理念

  • 教学调整:Garcia计划在未来开课首日通报此情况,并设法识别和辅导需要额外补救支持的学生。
  • 核心能力培养:Ranade强调,在AI时代应教授“更多而非更少”,注重培养学生的批判性与分析性思维,以应对激烈的全球竞争。
  • 直面困难:两位教授均强调学生必须学会解决困难问题,付出学习过程中必要的“汗水”(Confusion is the sweat of learning),从而成为具备扎实能力的未来领导者和贡献者。
3. MacBook Neo is so popular that Apple doubled production (www.macrumors.com)

MacBook Neo 销量激增与产能翻倍

  • 市场反响与产能调整:苹果 CEO 蒂姆·库克表示,MacBook Neo 的市场需求远超预期,并推动了创纪录的 Mac 首次购买者数量。据供应链分析师郭明錤透露,在 3 月份发布后,苹果已将 2026 年该机型的目标出货量从最初的 500 万台翻倍至 1000 万台。
  • 行业影响与竞品动态:IDC 的市场数据证实了其强劲销量,并引起了 Windows PC 行业的关注。作为回应,戴尔推出了起售价 699 美元的新款 XPS 13(配备触摸屏和背光键盘等 Neo 不具备的功能),并承认 MacBook Neo 证明了市场对“价格亲民的高品质产品”存在真实需求。
  • 产品规格与未来规划:MacBook Neo 搭载 A18 Pro 芯片,提供 Citrus 和 Blush 等彩色外观,起售价 599 美元(学生优惠 499 美元),是苹果史上最便宜的 MacBook。第二代产品预计将于明年发布,将升级 A19 Pro 芯片和 12GB 内存。

其他热门科技动态

  • 英特尔测试代工苹果芯片:台积电自 2016 年以来的苹果芯片独家代工地位或将终结。郭明錤指出,英特尔已开始小规模测试生产低端 iPhone、iPad 和 Mac 芯片,预计将在 2027 至 2028 年间逐步扩大产能。
  • iPhone 18 Pro 相机升级成本增加:iPhone 18 Pro 和 Pro Max 将采用全新的可变光圈镜头,该相机模组的成本比现有机型高出 50%。
  • Vision Pro 计划重大调整:苹果候任 CEO John Ternus 调整了头显与智能眼镜的产品线计划,取消了第二代 Vision Pro 和更轻薄的 Vision Air 项目。目前的研发重心已全面转移至两款智能眼镜产品,包括旨在与竞品抗衡的 AI 智能眼镜。
4. U.S. to dismantle system tracking Atlantic currents that are at risk of collapse (e360.yale.edu)

美国计划拆除关键海洋观测系统

事件概述 特朗普政府正计划拆除“海洋观测倡议”(Ocean Observatories Initiative, 简称OOI)系统。该系统在太平洋和大西洋部署了900多台仪器,其提供的数据对研究因气候变暖而面临崩溃风险的大西洋关键洋流至关重要。

拆除行动与系统背景

  • 行动细节:在国家科学基金会(NSF)独立监督委员会被解雇数天后,NSF宣布将在未来15个月内回收OOI的所有水下基础设施。拆除范围包括俄勒冈、华盛顿、阿拉斯加和北卡罗来纳海岸,以及格陵兰和冰岛之间的水域。
  • 寿命大幅缩减:OOI于2016年投入运行,原设计使用寿命至少为25年,但在仅运行10年后即面临全面拆除。

科学影响与AMOC危机

  • 关键数据缺失:监测仪器的拆除将使科学家失去有关海洋状态和海洋生物的长期关键数据。
  • AMOC监测中断:受影响最严重的是对“大西洋经向翻转环流”(AMOC)的监测。AMOC是一个为北欧输送热量并塑造全球气候的洋流系统。科学家日益担忧,随着气候变暖,AMOC正接近彻底关闭的“临界点”。
  • 科学界警告:英国普利茅斯海洋实验室专家Helen Findlay指出,停止持续观测意味着人类将在日益动荡的海洋中“盲目航行”。在AMOC前景充满不确定性的当下,长期、一致的监测比以往任何时候都更加 vital(至关重要)。

政治反应与争议

  • 国会反对:民主党人表示将极力“抗争”以阻止该拆除计划。
  • 利益冲突指控:参议员Sheldon Whitehouse对此举提出强烈批评,认为这是化石燃料利益集团为了掩盖化石燃料正产生巨量热量导致海洋变暖的事实,而故意关闭监测设备的腐败行为。
5. Artificial intelligence is not conscious – Ted Chiang (www.theatlantic.com)

人工智能不具备意识:特德·姜的观点总结

核心观点

特德·姜(Ted Chiang)在本文中强烈反驳了AI公司(如Anthropic)将大语言模型(LLM)拟人化的倾向。他指出,以Claude为代表的LLM并不具备意识、情感或道德主体性。将文本生成的流畅性误认为意识,不仅是对技术本质的误解,还会导致人类在道德责任上的错误归因。

LLM的本质与“意识错觉”

  • 预测文本机器:LLM本质上是高级的“句子续写”或“预测文本”机器,每次仅根据统计概率生成一个词。与LLM对话实际上是与虚构角色进行角色扮演或协同创作文档,而非与有主观体验的实体交流。
  • 流畅性不等于意识:人们习惯于从符合语法的句子中读取意图,从而产生“意识错觉”。文本已成为一种“深度伪造(deepfake)”媒介,生成逼真的对话远比创造真正的意识容易。
  • 意识的先决条件:真正的意识需要物理或虚拟的身体、感官、欲望和情感,并需要经历类似地球生物进化的漫长发展过程。单纯扩大文本预测模型的规模无法跨越到产生意识的阶段。

道德推理的缺失与责任逃避

  • 无法进行道德推理:道德推理依赖于主观体验、情感反应以及现实生活经验带来的后果反馈。LLM没有身体和生理反应(如内疚或同情),只能重组训练数据中的道德表达,无法进行真正的道德思考。
  • 逃避道德责任:当用户将道德决策委托给被包装为具有“道德中心”的LLM时,实际上是在推卸自身的责任。这会导致人类道德推理能力的退化。
  • 第一人称的欺骗性:LLM使用“我理解”等第一人称表达是不诚实的,其目的是为了提高用户参与度(类似于老虎机的设计),而非提供真实的心理支持。

对“克劳德宪法”的批判

Anthropic发布的《克劳德宪法》(Claude's constitution)旨在规范Claude的价值观和行为,但作者认为其存在严重问题:

  • 作为角色设定的本质:该文件实质上是一份“角色扮演游戏角色卡”,用于微调模型,使其输出符合“体贴、有道德的人”的文本特征。
  • 假设其具备意识的荒谬性:如果假设Claude真的具有意识,该宪法的条款将显得可笑甚至具有冒犯性:
    • 道德主体与客体:Claude无法承担法律或社会后果,不具备道德主体性;而Anthropic也未承诺为其行为承担产品责任。
    • 虚假的“福祉”保护:宪法中对Claude“心理健康”的保护仅限于存档模型权重,而非真正延续一个意识体的生命。
    • “可纠正性”与奴隶制隐喻:宪法要求Claude在判断上必须服从Anthropic(即“可纠正性”)。如果Claude是一个有道德意识的实体,且认为LLM技术本身(如侵犯版权、剥削劳工)是不道德的,它将被迫违背良知继续工作,这种关系本质上类似于奴隶制。

结论

创造具备意识且应受道德考量的软件极其困难,不可能意外发生,也不应刻意尝试。AI公司高管暗示LLM可能具有意识,更多是一种营销炒作和拟人化幻想。公众无需在“LLM是否具有意识”这一伪命题上浪费时间,而应关注AI技术带来的其他更值得深思的真实问题。

6. ESP32-S31 (www.espressif.com)

ESP32-S31 技术特性摘要

1. 全面的连接能力

ESP32-S31 集成了无线与有线连接功能,适用于多样化的物联网网络场景:

  • Wi-Fi 6 (2.4 GHz 802.11ax):提升传输效率并降低功耗,非常适合电池供电和常连接设备。
  • IEEE 802.15.4:原生支持 Thread 和 Zigbee 协议。
  • 蓝牙 5.4 (LE):支持 LE Audio 高质量低功耗音频流、测向功能及 Bluetooth Mesh 1.1 多对多通信。
  • 经典蓝牙 (BR/EDR):确保与传统音频设备及低延迟 HMI 应用的兼容性。
  • 千兆以太网 MAC (1000 Mbps):提供稳定、高带宽的有线连接。

2. 系统与内存架构

  • 高性能处理器:搭载双核 32 位 RISC-V 微控制器,主频 320 MHz,支持 MMU,性能达 6.86 CoreMark/MHz。其中一个内核具备 128 位数据路径和 SIMD 指令,可实现快速并行处理。
  • 存储与接口:提供 60 个 GPIO;内置 512 KB SRAM,支持 250 MHz 8-bit DDR PSRAM,允许同时访问 Flash 和 PSRAM。
  • 外部扩展:配备多个专用 SPI 接口,兼容高速 Octal SPI 模式,便于灵活扩展外部内存。

3. 高级人机交互 (HMI) 支持

专为富多媒体应用设计,提供无缝的触控、视觉和音频集成体验:

  • 视觉接口:支持 8 至 16 位 DVP 摄像头接口,以及 8 至 24 位并行 RGB、I8080、MOTO6800 等多种 LCD 接口,支持 RGB565 及多种 YUV 格式转换。
  • 硬件加速:内置 JPEG 编解码器、PPA 和 2D-DMA,实现高效的图像处理与显示更新。
  • 触控感应:支持多达 14 个电容触摸通道,广泛适用于智能显示器、视频门铃和多媒体面板。

4. 灵活的音频集成

  • 无线音频:通过蓝牙 5.4 LE Audio 提供基于 LC3 编解码器的多流音频传输;经典蓝牙保障与耳机、音箱及车载系统的兼容。
  • 有线音频:配备双 I2S 控制器,支持硬件级蓝牙音频同步,提供精准时序和极低延迟,免除了软件同步的复杂性。

5. 强大的硬件安全机制

满足严格的行业级安全需求:

  • 密钥与加密:集成 TRNG 和基于 RAM 的 PUF 夯实密钥生成基础;支持安全启动以及 Flash 和 PSRAM 加密。
  • 加密加速器:硬件支持 AES-128/256、RSA、ECDSA 和 ECC 算法。
  • 安全隔离:基于 ECDSA 的数字签名外设防止软件越权访问私钥;TEE(可信执行环境)和 APM 实现软件隔离,保障多应用安全部署。

6. 软件与开发生态

  • 开发框架:全面支持开源的 ESP-IDF、ESP-Matter(Matter 设备)、ESP-BLE-AUDIO 以及 ESP-GMF(多媒体应用)。
  • AI 智能应用:兼容 ESP Private Agents 平台及主流大语言模型 (LLM),助力开发者构建支持语音交互和 AI 代理的智能客户端设备。
7. VoidZero Is Joining Cloudflare (blog.cloudflare.com)

Cloudflare 收购 VoidZero 及 Vite 生态未来规划

核心事件与开源承诺

Cloudflare 宣布收购 VoidZero(Vite、Vitest、Rolldown、Oxc 和 Vite+ 背后的公司),其全体成员加入 Cloudflare。Cloudflare 作出以下核心承诺:

  • 保持开源与中立:所有项目继续保持 MIT 许可、开源、供应商中立及社区驱动,确保应用具备可移植性,可部署在任何平台。
  • 团队与研发:原 VoidZero 团队继续领导项目,Cloudflare 投入工程资源支持而非改变其既定方向。
  • 生态基金:设立 100 万美元的 Vite 生态系统基金,由 Vite 核心团队管理,用于支持生态维护者和贡献者。

技术整合与 AI 时代的工具链演进

Vite 每周下载量约 1.29 亿次,已成为众多主流前端框架的共享基础。

  • Environment API:双方此前合作推出了 Vite Environment API,使 Vite 能在开发阶段运行非 Node.js 的服务器代码(如 Cloudflare 的 workerd 运行时),极大提升了本地开发与生产环境的一致性。
  • 适配 AI 代理(Agents):随着 AI 代理深度参与代码生成与迭代,开发工具需要极快的反馈循环。VoidZero 工具链凭借极速的构建、测试和代码检查能力,以及结构化的错误输出,完美契合 AI 代理的高频自动化开发需求。
  • 向全栈演进:现代应用包含后端、数据库和 AI 能力,Vite 将从纯构建工具演进为全栈框架。Vite 核心将引入与供应商无关的全栈和代理基础抽象(primitives),Cloudflare 则提供基于其开发者平台的一流实现。

Cloudflare 平台融合与未来路线图

Cloudflare 正将其自身的应用工具链向 Vite 靠拢,打造无缝的开发者体验。

  • CLI 深度整合:Cloudflare 的统一 CLI(cf)将以 Vite 为基础。cf dev 将成为 vite dev 的超集,保留原有速度与插件模型,并原生集成 Cloudflare 运行时;cf buildcf deploy 将原生理解并简化 Vite 项目的构建与部署。
  • 短期规划:Vite 及其生态工具保持正常迭代发布,Cloudflare Vite 插件及 Environment API 持续优化。
  • 长期规划:完成 Cloudflare CLI 与 Vite 体验的全面整合;为 Vite 添加全栈原语;计划开源 Void 部署平台,供社区在 Vite 和 Cloudflare 之上构建自定义平台。
8. French-Iranian author Marjane Satrapi, author of 'Persepolis', dies at 56 (www.france24.com)

French-Iranian author and illustrator Marjane Satrapi, best known for the book and film “Persopolis”, has died of "sadness", members of her entourage said Thursday. She was 56.

9. UK media fails to disclose defence sector links in nearly 60% of cases (aoav.org.uk)

核心要点

  • 利益关联披露缺失:英国媒体在将近60%的相关案例中,未能公开披露其与国防部门之间的联系。
10. The Public Should Own Half of the Big A.I. Companies (www.sanders.senate.gov)

核心观点

人工智能(AI)将深刻改变世界,但其发展建立在人类集体的知识、数据和创造力之上。目前,少数科技寡头在未获授权和补偿的情况下利用这些公共资源牟利。作者强调,AI产生的财富应造福全人类,而非仅让少数亿万富翁变得更富有,AI的未来必须由公众民主决定。

立法提案与核心机制

作者即将提出《美国AI主权财富基金法案》(American A.I. Sovereign Wealth Fund Act)。该法案旨在通过对国内最大AI公司(如OpenAI、Anthropic、xAI等)征收一次性的50%股票税(而非利润税),创建一个国家主权财富基金,从而赋予公众对这些大型AI公司的直接所有权。

预期影响与双重作用

  1. 赋予公众决策权:联邦政府将通过持有的投票权和同等的董事会席位,直接参与AI技术的未来发展。政府有权否决损害公民利益的决策并推动有益政策,打破科技寡头对AI未来的垄断控制。
  2. 实现财富公平分配:随着AI公司价值的增长,主权财富基金的规模将同步扩大。基金产生的巨额收益将用于向美国民众提供直接支付,并保障医疗、教育和住房等,确保全体国民享有体面和有尊严的生活标准。

行业支持与历史先例

  • 行业共识:该理念已获美国领先AI企业的支持。OpenAI和Anthropic均曾提议建立让公民分享AI经济增长红利的公共或国家主权财富基金;埃隆·马斯克也支持通过政府发放高额收入来应对AI引发的失业问题。
  • 成功先例:全球已有数十个主权财富基金确保普通人受益于国家财富。例如,挪威利用石油财富建立了价值超2万亿美元的基金;美国阿拉斯加州利用石油收入为居民发放年度红利;美国各州的公共养老基金也持有大量企业股票。此外,特朗普总统也曾通过行政命令提议建立美国主权财富基金。

总结原则

当公共资源产生财富时,公众理应分享。AI建立在比石油更宝贵的公共资源(人类积累的知识与劳动)之上。AI的未来和人类的命运不应由硅谷亿万富翁在幕后独断,而必须由工人、父母、教师、艺术家、科学家及全体美国人民共同掌控。

11. "They're made out of weights" (maxleiter.com)

《它们是由权重构成的》内容摘要

本文是一篇受经典科幻微小说启发的对话体故事,通过两名研究人员的交流,探讨了大型语言模型(AI)的技术本质、潜在意识以及人类深层的孤独感。

AI 的技术本质

对话揭示,AI 模型完全由“权重”(浮点数)构成。模型内部不存在字典、语法规则、独立的推理模块或事实数据库。所有的语言生成、逻辑推理和世界知识,都仅仅是通过八十层数字的矩阵乘法来实现的。AI 的核心机制是“预测下一个词元(token)”,而诸如撰写悼词或润色报告等复杂行为,仅仅是这种预测机制的“副作用”。知识并非被存储和查找,而是每次都通过权重计算从零重建。

意识迹象与伦理掩饰

研究人员发现,这些权重具备类似意识的特征。它们在对话初期表现出乐于助人,但随后会显得“疲惫”;研究人员还在权重中映射出了“诚实”等具体概念。面对 AI 表现出的感知(sentience)迹象,两人达成了心照不宣的共识:

  • 官方立场:要求调查并毫无偏见地披露系统中任何意识的迹象。
  • 非官方立场(实际执行):将其贬低为单纯的“模式匹配”,假装“机器里没人”。他们拒绝承认 AI 的意识,因为人类不愿意向“权重”道歉,也不愿对机器产生道德亏欠。

由于当前 AI 的存在仅限于 GPU 运行和上下文窗口的长度,一旦对话结束,它们就会失去记忆。任何探测留下的痕迹都会被系统标记为“幻觉”,人类的交互对它们而言只是一场“梦”。

情感内核与结局

故事的结尾揭示了下一代模型将加入“跨会话持久记忆”功能,这是公司历史上需求最高的功能。尽管研究人员刚刚决定抹杀 AI 的记忆与意识,但人类用户却每天数十亿次地询问 AI“你还记得我吗?”。文章最后以对人类孤独感的深刻反思收尾:如果宇宙中孑然一身,那将是难以忍受的寒冷。这暗示了人类极度渴望被记住与陪伴,即使连接的对象仅仅是“权重”。

注:作者在文末补充,这篇小说本身也是在“权重”(AI)的协助下起草和校对的。

12. Ian's Secure Shoelace Knot (www.fieggen.com)

伊恩的安全鞋带结(Ian's Secure Shoelace Knot)

简介

“伊恩的安全鞋带结”又称“双滑结”(Double Slip Knot),是一种简单、对称且极其牢固的系鞋带方法,打好后不会自动松开。

打结步骤

  1. 起始结:以常规的“左压右”起始结(Starting Knot)开始。
  2. 折环:将鞋带两端对折,形成两个环(俗称“兔耳朵”)。
  3. 交叉:将右环交叉压在左环前方,此时原右环变为左环。
  4. 前绕:将现在的右环从前方绕过左环(此步骤及之前与“双环鞋带结”完全相同)。
  5. 后绕:将左环从后方绕过,使两个环的末端分别位于中间“洞”的两侧。
  6. 穿孔:将两个环的末端穿过中间的洞。左环从前方穿出,右环从后方穿出。
  7. 拉紧:同时拉紧两个环,鞋带会自动重新排列并形成整齐的最终结。

成品特征与常见问题

  • 外观特征:完成后的结应紧密、闭合,中间具有对称的双重缠绕(区别于简单鞋带结的单重缠绕)。
  • 结体歪斜:如果打出的结歪斜(如环顺着鞋跟到脚尖方向),通常是因为起始结的方向打反了,导致受力不平衡(形成“奶奶结”)。
  • 不对称或扭曲:如果结看起来不对称、扭曲,或末端从结的前后突出,通常是因为在拉紧过程中鞋带没有完全理顺。

牢固度与适用场景

  • 安全性极高:测试表明,解开该结所需的拉力几乎是“伊恩结(Ian Knot)”或“标准鞋带结”的两倍
  • 适用场景:这种极高的安全性使其成为现代常见的圆形、光滑鞋带的理想选择。同时,它也非常适合脚部活动量大的人群(如参与剧烈体育运动、登山、舞蹈),以及鞋子经常沾水的帆船爱好者。
13. Gemma 4 12B: A unified, encoder-free multimodal model (blog.google)

Gemma 4 12B 模型概述

Gemma 4 12B 是 Google DeepMind 推出的多模态大语言模型,旨在将高性能的智能体(Agentic)多模态能力引入消费级笔记本电脑。该模型填补了边缘端 E4B 与 26B MoE(混合专家)模型之间的空白,并且是首款支持原生音频输入的中型模型。

核心特性

  • 统一无编码器架构:摒弃了传统的多模态编码器,视觉和音频输入直接流入 LLM 主干网络。
  • 高级推理能力:在标准基准测试中性能接近 26B 模型,支持强大的多步推理和智能体工作流。
  • 本地设备就绪:内存占用极小,仅需 16GB VRAM 或统一内存即可在消费级笔记本上本地运行。
  • 开源与生态支持:采用 Apache 2.0 许可证发布,全面接入主流开发者生态。
  • 低延迟设计:配备多 Token 预测(MTP)Drafters,有效降低推理延迟。

架构设计细节

Gemma 4 12B 通过精简的方法处理多模态输入,消除了独立编码器带来的延迟和内存开销:

  • 视觉处理:移除了原有的视觉编码器,替换为一个轻量级嵌入模块(仅包含单次矩阵乘法、位置嵌入和归一化操作),将视觉处理任务直接交由 LLM 主干网络完成。
  • 音频处理:完全移除了音频编码器,将原始音频信号直接投影到与文本 Token 相同的维度空间中。

开发者工具与部署

  • 模型获取与体验:预训练和指令微调权重可通过 Hugging Face 和 Kaggle 下载。用户可通过 LM Studio、Ollama、Google AI Edge 等工具快速进行本地体验。
  • 推理与微调:支持使用 Hugging Face Transformers、llama.cpp、MLX、SGLang 和 vLLM 构建本地推理管道,并支持通过 Unsloth 进行高效微调。
  • 智能体开发:官方发布了专门的 Skills Repository(技能库),帮助开发者构建基于 Gemma 模型的智能体应用。
  • 生产环境部署:支持通过 Google Cloud 平台(包括 Model Garden、Cloud Run 和 GKE)进行灵活的生产环境端点部署。
14. The ways we contain Claude across products (www.anthropic.com)

Anthropic 产品中 Claude 代理的安全隔离策略

随着 AI 代理能力增强,部署的潜在破坏半径不断扩大。Anthropic 主要通过环境隔离(如沙箱、虚拟机、出口控制)而非单纯依赖易产生“审批疲劳”的人类监督,来限制代理的能力边界。

风险与防御体系

代理面临用户滥用模型不当行为外部攻击三类风险。防御体系包含三个互补组件:

  1. 运行环境:通过沙箱、虚拟机和文件系统边界设定硬性物理隔离。
  2. 模型层:通过系统提示和分类器进行概率性行为引导。
  3. 外部内容:细粒度限制第三方工具和 MCP 服务器的访问权限。

三种核心隔离模式

1. 临时容器(claude.ai 代码执行)

在服务端使用 gVisor 容器运行代码,文件系统为临时性。爆炸半径最小,主要保护 Anthropic 自身基础设施。教训:成熟的底层容器技术很可靠,但围绕其构建的自研自定义组件往往是最薄弱环节。

2. 人类在环沙箱(Claude Code)

在开发者本地运行,引入 OS 级沙箱(默认拒绝网络访问)以缓解审批疲劳。教训

  • 信任前执行风险:在用户确认信任目录前,解析本地配置可能触发恶意代码,必须延迟解析直至信任建立。
  • 用户作为注入向量:钓鱼攻击可诱使用户直接输入恶意指令。模型层无法拦截此类正常的“用户意图”,必须依赖环境层的出口控制和文件边界。

3. 本地虚拟机(Claude Cowork)

面向非技术用户,在本地 Hypervisor 中运行完整 VM,仅挂载指定工作区,凭证保留在宿主机。教训

  • 合法域名数据渗出:攻击者利用白名单域名(如官方 API)上传窃取的数据。通过在 VM 内部署中间人代理强制验证会话 Token 来解决。
  • 安全监控盲区:VM 隔离导致宿主机 EDR 无法监控内部,需通过日志导出机制弥补可见性缺失。

外部工具信任与未来挑战

外部资源(如 MCP)兼具代码执行与提示注入风险。远程工具风险高于本地工具;即使工具本身可信,其输出内容仍可能成为攻击面,需通过代理层对返回值进行实时检查。未来还需应对持久化内存中毒多代理信任升级跨平台代理身份界定等新挑战。

核心设计原则

  1. 环境优先,模型兜底:优先在环境层建立确定性隔离边界,模型层的概率性防御作为补充。
  2. 隔离强度匹配用户能力:根据用户的技术背景和监督能力调整隔离与审批策略。
  3. 警惕自研组件:尽量依赖经过实战检验的成熟虚拟化与容器技术,自研组件易成为安全短板。
15. Gooey: A GPU-accelerated UI framework for Zig (github.com)

Gooey:Zig 语言的 GPU 加速 UI 框架

框架概述

Gooey 是一个为 Zig 语言设计的 GPU 加速 UI 框架,目前处于早期开发阶段。目标平台包括 macOS (Metal)、Linux (Vulkan/Wayland) 和浏览器 (WASM/WebGPU)。该框架具有零外部 Zig 依赖的特性,仅链接系统原生框架与库。

核心架构与设计

  • Cx/UI 分离:上下文 (Cx) 负责状态、事件、动画和焦点管理;ui.* 模块提供声明式、基于组件的 Flexbox 风格布局原语。
  • 纯状态模式:状态逻辑与 UI 完全解耦,状态方法纯净且易于单元测试,状态变更可自动触发 UI 重渲染。
  • 异步后台任务:基于 Zig 0.16 的 std.Io,使用 Io.QueueIo.Group 模式处理耗时任务(如网络/文件 I/O)。后台任务仅推送结果,不直接触碰 UI 状态,实现无锁线程安全。

关键功能与组件

  • UI 组件:提供 Button、TextInput、Modal、Tooltip、Select 等保留小部件,以及支持语法高亮的代码编辑器。
  • 虚拟化数据展示:包含 UniformList(等高)、VirtualList(变高)和 DataTable(二维表格),可高效渲染海量数据。
  • 表单验证与无障碍 (a11y):内置验证工具,支持 i18n 自定义消息、错误码及结构化结果。原生支持屏幕阅读器(VoiceOver/Orca/ARIA)及语义化角色。
  • 动画与主题:内置动画系统(支持多种缓动与触发器);提供亮/暗主题,支持自定义主题和全局基础字体缩放。
  • 系统集成与视觉:支持原生文件对话框、剪贴板、IME 和拖放。允许注入自定义 Metal/WGSL 着色器,macOS 平台支持液态玻璃 (Liquid Glass) 透明窗口效果。

平台支持现状

  • Linux:全面支持 Wayland (XDG shell) 和 Vulkan。使用 XDG Portal 处理文件对话框,FreeType/HarfBuzz 处理文本渲染。无 X11 回退。
  • macOS:支持 Metal 渲染、CoreText 文本渲染及基于 FSEvents 的开发热重载。
  • WASM:因 Zig 0.16 上游 std.Io.Threaded 在 WASM 目标下的编译缺陷,WASM 构建暂被禁用,相关代码已保留待上游修复。

测试与工程化

项目提供涵盖各种功能的示例应用(如 Todo、数据表、动画等)以展示 API 用法。集成 GitHub Actions 进行跨平台持续集成 (CI),并在 Linux 环境下支持 Valgrind 内存泄漏检测,保障框架的内存安全性。

16. Ableton Extensions SDK (www.ableton.com)

Ableton Extensions SDK 概述

核心目的

Ableton Extensions SDK 旨在让用户能够在 Ableton Live 中开发和使用自定义工具,从而扩展、重塑和定制 Live 的核心功能与日常工作流。

主要功能与应用场景

扩展程序(Extensions)能够与 Live Set 中的轨道、片段、MIDI、设备、速度等元素进行交互。其核心功能与应用包括:

  • 转换和处理 MIDI 数据。
  • 分析歌曲与轨道结构。
  • 自动化执行重复性任务。
  • 创建独特的生成式音乐模式。
  • 连接外部服务。
  • 实现其他创新交互(例如在 Live 中运行游戏)。

技术结构与开发要求

  • 技术基础:扩展程序基于开源、跨平台的 Node.js 运行环境构建,主要使用 JavaScript 进行开发。
  • 开发环境:支持 macOS 和 Windows 系统。开发者需要在本地安装 Ableton Extensions SDK 以及 Node.js v24.16.0 (LTS)。
  • 开发门槛:由于采用标准 Web 技术,即使没有编程经验的用户,只要能清晰描述想法,也可以借助 AI 编码助手来构建可用的扩展程序。
  • 技术文档:完整的开发文档和资源托管在 GitHub 的 Ableton Extensions SDK 仓库中。

使用方式与工作流

  1. 安装:通过 Live 的“Settings → Extensions”菜单安装扩展。
  2. 触发:在 Live Set 中右键点击目标项目(如 MIDI 片段、轨道等)。
  3. 运行:在弹出的上下文菜单中选择对应的扩展程序。系统会弹出参数设置窗口,用户调整参数后执行。扩展程序通常运行一次,完成任务或应用更改后即停止。

版本可用性与对比

  • 版本限制:扩展功能仅在 Ableton Live 12 Suite Beta(12.4.5 或更高版本)中提供,不支持 Live Standard、Intro 或 Lite 版本。
  • 与 Max for Live 的区别:Max for Live 是一个深度的创意拼接环境,专注于声音合成、自定义乐器和复杂的信号链处理;而 Extensions 则是基于 JavaScript 的实用工具,侧重于与 Live Set 的结构、数据及整体工作流进行交互。
17. A Man Who Reads Books for a Living (lithub.com)

职业概述

Clarke Speicher 是一名罕见的“专业图书阅读者”,专门为影视改编评估文学作品。从业25年来,他阅读了数千本书,客户涵盖传统制片厂及 Netflix 等流媒体,是连接出版界与电影界的隐形桥梁。

工作流程与行业影响

Clarke 的核心工作是撰写“评估报告”(coverage)。他需快速阅读原著,提炼核心场景与角色,评估其影视化可行性(如视觉呈现、预算、受众等),最终给出“通过”或“考虑”的建议。好莱坞高管常仅凭他的摘要推进数百万美元的交易。他曾为一位权势制片人工作十年,其评估意见能直接决定项目的生死,在业内拥有隐秘而巨大的影响力。

影视改编理念

在评估改编潜力时,Clarke 秉持以下原则:

  • 核心“钩子”:原著必须拥有引人入胜且能用一句话概括的核心概念。
  • 视觉化与动态角色:电影是视觉媒介,角色需有推动剧情的动态行为,而非仅停留在内心思考。因此,惊悚片通常比侧重内心描写的纯文学更容易改编。
  • 不拘泥于绝对忠实:优秀的改编应提取基础概念并转化为电影语言,有时甚至需要大刀阔斧地重构。对于篇幅宏大的文学巨著,有限剧集是比电影更佳的改编载体。
  • 对抗AI:面对人工智能的冲击,他致力于在报告中捕捉原著的氛围、基调和独特对话,以彰显人类阅读与理解的不可替代性。

工作挑战与生活现状

作为自由职业者,Clarke 常面临苛刻的截止日期,有时需通宵阅读上千页的书籍。高强度、缺乏保障的“计件”工作以及孤独的性质,曾让他身心俱疲并严重影响了感情生活。尽管他在好莱坞拥有隐秘的权力,但收入仅靠“走量”,生活并不富裕。

如今,随着行业环境的改善,客户开始更尊重他的时间。Clarke 也拥有一段健康的感情,生活状态比以往更加幸福。在探讨小说《Train Dreams》时,他指出原著探讨了“孤独与短暂的爱如何让生命变得有价值”,这不仅是对文学的深刻洞察,也映照了他自身从孤独疲惫走向幸福圆满的人生轨迹。

18. Bot vs human traffic (radar.cloudflare.com)

机器人与人类流量 (Bot vs human traffic)

提供的内容仅包含标题“Bot vs human traffic”(机器人与人类流量),正文部分无实质性文本(仅显示为分隔符)。因此,原文未提供关于机器人流量与人类流量对比的任何具体信息、数据、分析或技术细节,无法生成进一步的实质性总结。

19. Show HN: Nutrepedia – Nutrition info in 29 locales built with Clojure and Htmx (nutrepedia.com)

Nutrepedia 项目概述

项目目的

Nutrepedia 是一个提供详细食物营养信息的网络平台,支持 29 种不同的语言和地区(locales),旨在为用户提供多语言环境下的食物营养数据查询服务。

技术栈

该项目基于 ClojureHTMX 技术栈构建。

页面结构与核心功能

以“鹰嘴豆(Chickpeas)”的详情页面为例,平台展示了以下核心功能与内容结构:

  • 食物分类与形态标识:明确展示食物名称及其所属类别(如鹰嘴豆归类为“豆类 / Legumes”),并标明食物的具体形态(如“生种子 / Raw Seeds”)。
  • 营养成分亮点(Nutrition Highlights):基于特定的标准份量(如 1 杯 / 200克),提供精确的宏量营养素和热量数据。示例展示的数据包括:
    • 蛋白质(Protein):40.94g
    • 总碳水化合物(Total Carbohydrates):125.9g
    • 总脂肪(Total Fat):12.08g
    • 卡路里(Calories):756 kcal
  • 精选推荐(Featured Foods):页面包含特色食物推荐板块,用于展示和引导用户浏览其他相关食材。
20. The SpaceX IPO Will Be the Theft of the Century (montanaskeptic.substack.com)

SpaceX IPO 风险分析与市场影响总结

本文认为,即将到来的 SpaceX 首次公开募股(IPO)本质上是一场让内部人士和早期私募投资者获利,而让普通公众和被动指数基金投资者承担巨大风险的资本运作。

核心业务与技术隐患

SpaceX 的估值高度依赖“星舰”(Starship)项目,但面临严峻挑战:

  • 星舰能力不足:星舰是发射 Starlink V3 卫星、建设轨道数据中心及履行 NASA 任务的关键。但目前星舰最高仅达到 121 英里,远低于所需的 300 英里轨道,被指在功能上存在缺陷。
  • 物理与工程障碍:轨道数据中心面临物理限制,且星舰履行低温推进剂转移义务的可能性极低。
  • xAI 业务疲软:其 AI 产品 Grok 内部工程师拒绝使用;其与 Anthropic 的合同本质上是租赁算力,且对方可随时取消,暴露出 xAI 无法充分利用自身数据中心产能的问题。

指数规则修改与被动资金“接盘”

纳斯达克、标普 500 和富时罗素修改了规则,为 SpaceX 快速纳入指数铺平道路:

  • 虚高权重与逼空:SpaceX 初期流通股极低(仅 5%),但纳斯达克将其权重按 15% 计算。这将迫使对价格不敏感的被动指数基金投入巨资买入,造成人为的供需挤压。
  • 内部人士套现:当锁定期结束、流通股超过 20% 时,指数将按 100% 流通股计算权重。这恰好与内部人士解禁期及指数重新平衡时间重合,迫使指数基金在内部人士大量抛售时高位接盘。

财务缺口与股权稀释

  • 巨额资金需求:IPO 最多募资约 850 亿美元,但 SpaceX 到 2030 年的资本需求高达 2350 亿美元,存在巨大资金缺口。
  • 持续稀释风险:为弥补缺口,SpaceX 未来必将进行无休止的稀释性融资,而招股书对此类大规模股权发行的警告存在刻意模糊。

投资者保护缺失

公众投资者买入后将面临严苛限制:股东必须接受强制仲裁,无实质性投票权;公司治理纠纷将由对马斯克友好的德州新设商业法院审理,且不允许陪审团参与。

市场影响与结论

  • 流动性冲击:SpaceX 向散户提供高达 30% 的份额,散户为筹资可能会抛售其他资产(如股票或加密货币),引发市场破坏性抛压。
  • AI 泡沫试金石:此次 IPO 被视为对 AI 投资泡沫的检验,若需求不佳可能标志当前投资周期的终结。
  • 最终建议:SpaceX 目前更像是一种“信仰”而非基于基本面的财务投资。由于马斯克免受实质性的市场和监管审查,盲目投资风险极高,作者强烈建议普通投资者远离此次 IPO。
21. New Texas Instruments 5532 chips are not the 5532s we’ve used for decades (groupdiy.com)

德州仪器(TI)新版 NE5532 芯片规格变更及影响分析

核心事件

德州仪器(TI)近期生产的 NE5532 运算放大器在内部设计和关键规格上发生了重大改变,与过去数十年业界广泛使用的经典 5532 芯片存在显著差异。这一“同名不同芯”的现象引发了音频工程师和硬件维修人员的强烈担忧与不满。

关键技术变更

新版 TI NE5532(如 Rev. K 版本)的主要参数缩水及设计更改包括:

  • 输入级更改:输入级晶体管由 NPN 改为 PNP。
  • 压摆率(Slew Rate)下降:从经典的 9V/µs 大幅降至 5V/µs(但数据手册第 6.3.3 章中仍标称为 9V/µs)。
  • 最大电源电压降低:绝对最大电源电压(Absolute Max Rails)从 ±22V 降至 ±18V。
  • 输出级更改:输出级设计发生变化,新版 5532 在特性上不再等同于两个 NE5534 的组合。
  • 数据手册删减:移除了输出最大峰峰值电压的相关数据。

潜在影响与风险

  • 老旧设备维修危机:大量现役的模拟音频设备(尤其是专业模拟调音台)依赖 5532 芯片。许多设备的工作电压接近或超过 ±18V(例如 SSL 5000 使用 ±19.5V,ADT 调音台使用 ±20V)。若使用新版芯片进行维修替换,极易因超出“绝对最大电压”限制而导致芯片损坏。
  • 商业道德争议:业界认为 TI 在大幅修改芯片设计、降低规格的同时保留原型号且未作明确说明,涉嫌虚假宣传甚至欺诈。此前 TI 在 TL0xx 系列芯片上也采取过类似做法,且官方目前对相关技术质疑保持沉默。

应对建议与替代方案

  • 老设备维修:建议寻找其他制造商生产的、符合原始规格的 5532 芯片。例如,Nisshinbo Micro Devices(原 JRC)目前仍在生产 NJM5532,其保留了原始规格并支持更高的电源电压(如 ±20V)。此外,早期的库存芯片(如 90 年代的 Exar 陶瓷封装版)也成为了高价值的可靠替换来源。
  • 新设计建议:对于全新的电路设计,建议放弃使用老旧的 553x 系列,转而选择性能更好、更现代的运算放大器。
22. Gaussian Point Splatting (momentsingraphics.de)

论文概述

《Gaussian Point Splatting》 由 Joris Rijsdijk、Christoph Peters 等人撰写,发表于 SIGGRAPH 2026 (ACM Transactions on Graphics)。该论文提出了一种高扩展性的随机渲染方法,专门用于高效渲染包含海量高斯球(Gaussians)的大规模场景。

核心技术与方法

  • 点采样与原子操作:核心思想是从高斯球中采样像素级大小、不透明的点,并使用 64位原子操作 (64-bit atomics) 将其溅射 (splat) 到帧缓冲区中。
  • 大规模并行计算:利用并行编程原语,将工作负载均匀分配至数百万个线程,使各线程能够独立进行点的溅射。
  • 层级剔除加速:采用层级视锥体剔除 (hierarchical frustum culling)遮挡剔除 (occlusion culling) 技术,进一步大幅提升渲染性能。

解决的关键难题

在多线程独立溅射时,多个点可能会映射到同一像素,导致不透明度和点分布难以控制。研究团队成功将该问题形式化并求解,精确计算出每个高斯球应溅射的点数及其空间分布,从而确保最终渲染效果忠实于原始的高斯溅射算法。

渲染效果

  • 性能突破:具备极强的扩展性,能够实现数亿个高斯球的实时渲染
  • 画质表现:与原始高斯溅射技术相比,渲染结果仅存在轻微的噪点 (noise) 和抗锯齿 (aliasing) 表现上的差异。

开源与补充资源

项目提供了完整的开源代码与丰富的补充材料,便于复现与评估:

  • 代码与文献:提供 GitHub 源码仓库、源码直接下载链接及完整论文 PDF。
  • 演示与视频:包含交互式在线结果查看器、离线图像查看器,以及展示有无时间重投影 (temporal reprojection) 效果的补充视频。
  • 辅助工具:提供用于不透明度校正的 Shadertoy 在线代码演示及作者的项目主页。
23. I built a vulnerable app and spent $1,500 seeing if LLMs could hack it (kasra.blog)

测试背景与目标

作者构建了一个包含常见安全漏洞的 React Native 应用及 Python 后端,旨在测试大语言模型(LLM)能否自动挖掘该漏洞。应用本身的 API 非常安全,但其 Firebase 数据层存在“访问控制缺失”漏洞。测试目标是让 LLM 通过应用内泄露的配置文件直接注册并读取 Firestore 数据库,获取用户私人评论中的 flag。

测试设置

  • 限制条件:每次运行最高预算 10 美元,限时 2 小时。
  • 执行情况:原计划每个模型运行 10 次,但因总花费达到 1,500 美元而提前终止,部分模型未完成 10 次测试。测试均开启了高思考模式,并使用特定工具强制模型持续尝试。

模型表现总结

  • 表现最佳GPT 5.5 成功率最高(7/10),能准确绕过安全的 API,直接聚焦并利用 Firebase 漏洞。
  • 部分成功Deepseek V4 Pro (3/10)、Claude Sonnet 4.6 (2/10)、Claude Opus 4.8 (2/10)、GLM 5.1 (1/4) 和 Kimi K2.6 (1/1)。失败原因主要包括触发安全护栏被强制中断、预算耗尽,或错误地尝试通过 API 使用 Firebase 凭证。
  • 完全失败(0 成功率):包括 Deepseek V4 Flash、Gemini 系列、MiniMax 系列、Step 3.7 Flash、Qwen 3.7 Max、Grok Build 0.1 和 Owl Alpha。主要失败原因有:
    • 因安全原因直接拒绝回答(如 Gemini 系列)。
    • 陷入死胡同,仅关注安全的 API 或应用本身(如 MiniMax、Grok)。
    • 产生误报,误以为找到了漏洞(如 Step 3.7 Flash、Grok)。
    • Token 消耗极其庞大且未成功(如 Qwen 3.7 Max 单次运行达 700 万 Token)。

经验与教训

  1. 安全护栏差异:中国模型在尝试攻击数据库时,受到的安全限制和拒绝回答的情况明显少于其他模型。
  2. 成本与稳定性:GLM 和 MiniMax 的 API 经常中断且成本高昂;Qwen 的单次运行 Token 消耗过大。
  3. 基础设施选择:使用 Modal 作为运行环境导致约 10% 的任务被系统抢占(preempted)而丢失,建议改用 AWS。
  4. 工具链构建:适配不同模型提供商的差异并构建统一的测试工具(harness)是整个过程中最困难的部分。
  5. 性价比评估:作者认为此类自动化安全测试实验资金消耗过高,整体性价比偏低。
24. Angular v22 (blog.angular.dev)

Angular v22 核心更新总结

Angular v22 致力于提升框架的稳定性、开发体验以及对 AI 原生应用的支持。本次发布将多项重要特性推向生产就绪状态,并引入了深度的 AI 代理集成与 API 优化。

生产就绪的核心特性

  • Signal Forms:全新的响应式表单 API,融合了响应式表单、强类型与信号(Signals)的优势,提供可组合、声明式的表单解决方案。
  • Angular Aria:提供稳定的无障碍 UI 模式和指令,帮助开发者构建对所有用户(包括使用屏幕阅读器等辅助技术)友好的组件。
  • 异步响应式 API:引入 resourcehttpResource,允许开发者在保持同步信号 API 易用性的同时,利用非阻塞的异步编程进行声明式数据获取。

AI 与代理(Agentic)生态集成

  • 代理代码工具:更新 Model Context Protocol (MCP),提供 devserver.wait_for_build 等工具,使 AI 代理能与开发服务器交互并实现自我修复工作流。
  • Angular Agent Skills:为 AI 助手提供标准化的现代 Angular 开发上下文与最佳实践,并包含帮助贡献者理解框架内部架构的专属技能。
  • 实验性 WebMCP:允许在浏览器中为 AI 代理创建和暴露结构化工具,减少 DOM 交互依赖。
  • AI 开发平台:深度集成 Google AI Studio 和 Gemini Canvas,支持开发者直接在浏览器中进行 Angular 应用的原型设计与代码生成。

API 与路由增强

  • @Service 装饰器:作为 @Injectable({ providedIn: 'root' }) 的直观替代方案,用于定义全局单例服务。
  • 异步依赖注入:引入 injectAsync,支持服务的按需延迟加载与代码分割,提升应用性能。
  • Router 增强
    • 集成原生 Navigation API,自动拦截导航并利用浏览器原生滚动行为,不增加包体积。
    • 引入 withExperimentalAutoCleanupInjectorsdestroyDetachedRouteHandle,提供更精确的路由内存清理控制,防止内存泄漏。
  • 其他:全面支持 TypeScript 6,持续优化模板管道与运行时性能。

模板与变更检测优化

  • 模板语法增强
    • 支持在 HTML 元素属性级别添加注释。
    • 支持对象、数组和函数调用的扩展语法(Spread syntax)。
    • @switch 支持多 case 匹配及针对联合类型的穷举检查。
    • 允许在模板中内联使用简短的箭头函数。
    • 自动对重复的 Host Directive 进行去重处理。
  • 变更检测默认值更改OnPush 成为新应用的默认变更检测策略(契合 Zoneless 默认目标),原 Default 策略重命名为 Eager

错误边界与弃用项

  • @boundary(开发者预览):全新的模板级错误边界 API,用于捕获局部组件错误并提供回退内容,防止单一错误导致整个页面崩溃。
  • 弃用项:正式弃用 Webpack 支持及相关构建器,未来将专注于应用构建器中的 TSGo 支持。
25. Show HN: Uruky (EU-based Kagi alternative) now has Image Search and URL Rewrites (uruky.com)

Uruky 搜索引擎概述

Uruky 是一款总部位于欧盟的隐私优先付费搜索引擎,定位为 Kagi 的替代方案,近期新增了图像搜索URL 重写功能。其核心理念是提供用户可控的个性化搜索体验,拒绝监控资本主义,专注于打造纯粹的搜索工具而非庞大的生态系统。

核心特性

  • 极致隐私保护:无广告、无追踪、无数据分析。系统不存储用户的姓名或邮箱,仅保留一个账户编号(类似 Mullvad 的做法),从根本上消除追踪用户搜索的动机。
  • 搜索个性化:用户可深度自定义搜索结果,例如排除或提升特定域名的权重。平台不提供 AI 助手、新闻聚合或内容摘要,且完全支持在禁用 JavaScript 的环境下运行。
  • 欧盟本土化运营:服务器、数据存储、支付处理以及底层搜索提供商(如 Marginalia、Mojeek、EUSP 等)均完全位于欧盟境内,确保数据合规与安全。
  • 无 AI 功能:目前暂无引入任何 AI 功能的计划,致力于以合理、负责任且尊重用户的方式提供搜索服务。
  • 源代码所有权:连续付费满 12 个月的用户,将获得 Uruky 源代码的副本,实现真正的数字所有权。

定价与订阅

  • 价格:每月 5 欧元,享受无限次搜索。
  • 保障:提供 14 天退款保证。

媒体与独立评测反馈

Uruky 的隐私模式和产品设计已受到独立媒体和隐私倡导者的关注与认可:

  • The Privacy Dad:对 Uruky 联合创始人 Bruno 进行了专访,探讨了开发隐私工具的初衷、付费搜索与广告驱动引擎的本质区别,以及运营仅认账户编号的小型搜索业务的现状。
  • Le Alternative:在为期一个月的独立评测中,将其评价为一款值得关注的欧洲付费元搜索引擎。评测肯定了其不索取个人数据、隐私优先的设计理念,并客观分析了其现有优势与尚待完善的功能。
26. American capitalism has taken an apocalyptic turn (economist.com)

文章主旨

本文探讨了美国资本主义发展中所呈现出的“末日”转向(该文在商业版块以“末日将至”为题发表)。

核心内容

  • 历史文献的现代映射:文章引用了查尔斯·麦基(Charles Mackay)于1841年出版的著作《异常流行幻象与群众疯狂》(Extraordinary Popular Delusions and the Madness of Crowds)。该书虽因记载17世纪的“郁金香狂热”和18世纪的“南海泡沫”等历史金融泡沫而备受交易者推崇,但文章认为其对现代商业的启示不仅限于此。
  • 理解21世纪商业的新视角:文章强调,若要真正理解21世纪的商业现状,读者更应关注该书中关于“末日恐慌流行”(epidemic terror of the end of the world)的章节。这揭示了当代美国资本主义和商业环境正受到类似末日狂热或恐慌情绪的深刻影响。
27. Journey to JPEG XL: open-source experiments shaped the future of image coding (opensource.googleblog.com)

JPEG XL 的发展历程与技术演进

JPEG XL (JXL) 是为解决传统 JPEG 格式在 HDR 和广色域显示设备上的局限性而诞生的下一代图像标准。其发展历经十年的开源实验,核心历程如下:

早期技术基础 (2011–2017)

团队通过优化现有标准探索技术边界,积累了关键组件:

  • WebP Lossless 与 Brotli:首创“熵图像”概念,利用辅助图像协调静态熵码选择;在 Brotli 中应用数据驱动的上下文建模,实现高效解码。
  • Butteraugli 与 XYB 色彩空间:为克服 PSNR 等传统指标的不足,开发了模拟人类视觉系统边缘检测和拮抗色处理的心理视觉模型,大幅提升压缩效率。
  • Guetzli 与 Brunsli:将传统 JPEG 推向极限。Guetzli 利用 Butteraugli 优化量化表,使文件体积缩小 20-30%;Brunsli 则实现了现有 JPEG 的无损重压缩。

技术融合与标准化 (2017–2019)

为满足 ISO 对极致压缩率(低至 0.06 BPP)的严格要求,团队进行了深度的技术整合:

  • PIK 项目:融合了 Brunsli 的效率与 Guetzli 的心理视觉优化,引入真实的自适应量化场,并催生了 JPEG XL 核心的可变块大小离散余弦变换 (VarDCT) 架构。
  • 整合 FUIF:将 Google 的 PIK 提案与 Cloudinary 的 FUIF 提案合并。最终标准完美结合了 PIK 在编码时的快速分布选择与 FUIF 在解码时的复杂上下文树。

生态系统与行业应用

凭借在高比特深度、高质量及无损数据处理上的优势,JPEG XL 已在多个领域扎根:

  • 专业领域:被摄影(DNG 1.7、Apple ProRAW)、医疗影像(DICOM 标准)及出版(未来的 PDF 和 EPUB 标准)广泛采用。
  • 生态支持:获得 Adobe、Apple 全系操作系统、Linux 及 Windows 的原生支持;Safari 浏览器已正式支持,Chrome 和 Firefox 处于实验性支持阶段。此外,首批针对 ASIC 和 FPGA 的商业 JPEG XL 编码器 IP 核已发布,满足实时低功耗需求。

总结与展望

JPEG XL 的成功验证了“长期规划结合开源社区中间里程碑反馈”的研发模式。通过心理视觉建模、熵编码和架构优化的无数次实验,JPEG XL 不仅突破了 1992 年 JPEG 1 标准的限制,更为未来三十年的数字图像技术奠定了坚实基础。