LinkedIn CringeBot 3000 概述

功能描述 LinkedIn CringeBot 3000 是一款旨在将任何主题转化为典型 LinkedIn “思想领导力”（thought leadership）风格内容的工具。

核心作用 该工具通过对主题进行特定的文案处理，生成能够引发关注者强烈感官反应（即令人感到尴尬或“汗流浃背”）的社交媒体内容。

Meta 向争议性创作者支付费用以获取“愤怒诱饵”内容的调查报告

ABC NEWS Verify 的一项调查显示，Meta（Facebook 的母公司）旗下的货币化计划正在向一些发布极端主义、种族主义及医疗虚假信息的争议性创作者支付报酬。

核心调查发现

调查指出，多个在澳大利亚具有争议性的 Facebook 页面正直接通过 Meta 的“内容货币化”（Content Monetization）计划获利。涉及的主要对象包括：

• Hugo Lennon：一名具有新纳粹背景的极右翼分子，曾因在墨尔本对印度总理发表种族主义辱骂言论而受到警方处置。他通过该计划获取收入，其视频内容涉及白人至上主义理论。
• The Noticer：一个定期宣传白人至上主义和新纳粹意识形态的极右翼新闻网站，也通过该计划获利。
• March for Australia：一个与新纳粹有密切联系的反移民组织页面。
• Monica Smit：反疫苗及反封锁组织“Reignite Democracy Australia”的创始人，其页面包含大量疫苗虚假信息。

商业模式与责任争议

Meta 的货币化计划是一项“仅限受邀”的计划，根据用户发布的视频、照片、故事及文本帖子的表现来分配收入。

针对这一现象，专家提出了以下观点：

1. 法律与商业责任：非营利组织 What To Fix 的执行董事 Victoire Rio 指出，既然 Meta 与这些出版商存在直接的商业关系（支付版税），那么 Meta 在某种程度上应对其合作伙伴产生的内容承担责任。她质疑 Meta 在执行其内容政策方面的质量。
2. “愤怒诱饵”驱动机制：右翼极端主义研究员 Kaz Ross 认为，Meta 的财务模型本质上是在奖励高参与度的内容。由于制造愤怒、极端和煽动性内容是获取高参与度的最有效手段，Meta 的模式实际上是在鼓励这类行为。

Meta 的官方立场

Meta 在回应时表示：

• 公司拥有明确的政策，要求使用货币化工具的用户必须遵守。
• 对于违反“社区标准”的页面，Meta 会采取限制或永久禁用其获利能力的处罚措施。
• Meta 强调，必须区分“冒犯性言论”与“可能导致现实暴力发生的内容”，并明确表示**“监管冒犯性言论并非 Meta 的职责”**。

透明度对比

虽然调查发现 Meta 正在向违规内容支付报酬，但专家也提到，Meta 在披露受资助出版商信息方面比 YouTube、TikTok 和 X（原 Twitter）等平台更为透明。然而，Meta 并未公开特定创作者的具体收益金额。

llama.cpp 项目概述

本地编程代理集成

llama.cpp 可以与本地编程代理 Pi 配合使用，实现高效的本地开发环境。通过以下步骤即可完成集成：

1. 使用 llama serve 命令启动模型服务。
2. 安装 pi-llama 插件。
3. 运行 pi 启动代理。

该集成方案具备自动发现本地模型的功能，且无需手动配置或 API 密钥。由于所有文件和请求均在本地设备上处理，能够确保数据的高度私密性。

广泛的硬件优化

llama.cpp 经过深度优化，具备极强的硬件适配能力，支持从个人笔记本电脑到大型计算集群的多种设备。其技术特点在于：

• 一致性：在不同硬件上使用相同的二进制文件和模型。
• 高性能：针对各类 GPU 和 CPU 提供了手工调优的内核（Hand-tuned kernels）。

支持的硬件架构包括：

• Apple Silicon：包括 M Ultra、M Pro、M Max 等系列。
• NVIDIA GPU：包括 RTX 系列（5090、4090、3090）、H100、A100、T4 以及 B200 等。
• AMD：包括 MI300 和 Radeon RX 系列。
• Intel：包括 Arc 系列。
• 其他设备：包括 CPU、Jetson、DGX Spark 等。

Mojo 1.0 发布摘要

Mojo 1.0：生态增长的稳定基石

Mojo 语言正式发布 1.0 版本，标志着该语言从开发阶段转向稳定、生产就绪的通用语言阶段。此里程碑的核心目标是为开发者提供一个可以进行长期构建的稳定基础。

在 1.x 版本期间，语言的演进将以增量式变更为主，以确保开发者能够信心十足地进行项目维护。虽然仍可能进行破坏性变更，但将遵循类似 C++ 等成熟语言的标准，进行谨慎管理。

26.5 版本的主要改进

本次发布（26.5）重点在于通过简化和清理语言结构，为 1.0 提供一致、可预测的语言基础。

语言一致性与简化

• 语法收敛：消除了多种表达同一概念的方式。变量统一使用 var 声明；闭包（Closures）已完成统一；引入了单一的 Pointer 类型。
• 词汇规范：通过重新命名，使 Mojo 的术语更加精确一致。

新功能与性能增强

• Lambda 语法：支持 Python 风格的行内闭包语法。
• LSP 稳定性：Mojo LSP 服务器更加稳定可靠，提升了 VS Code 等编辑器的开发体验。
• Mojo AI Skills：AI 技能工具达到 1.0 标准，支持新项目创建、GPU 编程及跨语言迁移等。
• 内存安全诊断：能够诊断与引用失效（Reference Invalidation）相关的内存安全问题。
• 错误处理：在标准库中更一致地使用 where 子句，提供更具描述性的错误信息。

未来发展路线图

Mojo 的目标是成为卓越的通用系统级编程语言。未来的开发重点包括：

• 核心能力扩展：引入强大的异步编程模型、模式匹配（Pattern Matching）和联合类型（Unions）。
• 开源承诺：Modular 将持续逐步开源 Mojo 语言及 MAX 组件，并计划在 2026 年开源 Mojo 编译器和工具链。

MAX 平台增强

随 26.5 版本一同发布的 MAX 平台也进行了多项优化：

• 安装优化：提供更灵活的安装选项（如 max["serve"]、max["benchmark"] 或 max["all"]），简化依赖管理。
• 模型支持：新增对 GLM-5.2、Nemotron-H（混合 Mamba-2 模型）以及 Kimi 2.5 的支持。
• 开源 Agent Skills：提供了一系列开源 Agent 技能，用于加速模型全生命周期的构建。

Go 语言：AI 辅助软件工程的理想选择

随着 AI 编程助手从“编写代码”向“生成大量代码”的角色转变，软件工程的核心重心正从编写转向审查、验证和维护。Go 语言的设计理念——服务于软件工程而非仅仅是编程——使其成为 AI 协作环境下的理想工具。

1. 从语言到平台 (Go as a Platform)

Go 不仅仅是一门编程语言，更是一个集成了软件开发生命周期（SDLC）全流程的平台。其内置的工具链（包括 gofmt 格式化工具、测试框架、依赖管理和安全工具）为人类和 AI 提供了高度的一致性。

• 对 AI 的益处：AI 模型可以利用这些端到端工具进行快速、廉价且可靠的操作，减少在迭代重构时因缺乏验证而导致的错误累积，从而提高代码质量。
• 生态协同：统一的工具链使得整个社区能同步采用语言增强，减少了项目间的逻辑差异，同时也为大语言模型（LLM）提供了更标准化的训练数据。

2. 优先考虑可读性 (Readability)

Go 的设计哲学是“可读性重于可写性”，通过拒绝复杂的语法特性和“奇技淫巧”，强制执行统一的代码风格。

• 降低验证成本：在 AI 时代，开发的瓶颈在于人类对生成代码的验证过程。Go 的高度可预测性、显式语法和严谨结构，使开发者能够更迅速地识别 AI 可能产生的逻辑漏洞、API 幻觉或安全隐患。

3. 增强可靠性 (Reliability)

Go 通过多种机制为 AI 生成的代码提供“自动化安全网”：

• 静态类型系统与快速编译：静态类型能即时拦截 AI 常犯的类型不匹配或属性幻觉错误。极快的编译速度允许 AI 在人类介入前进行高效的自我纠错循环。
• 供应链安全：强大的标准库引导 AI 使用官方维护的包，减少对第三方不安全依赖的需求。同时，通过校验数据库、模块镜像和 govulncheck 工具，可以有效管理和发现漏洞。
• 内置测试与模糊测试 (Fuzzing)：标准化的测试框架和原生模糊测试工具为 AI 提供了一个严密的沙盒，使其能通过模拟随机输入来加固逻辑，发现隐藏的边界情况漏洞。

4. 长期可维护性 (Maintainability)

为了应对 AI 驱动下代码演进加速和架构漂移的问题，Go 提供了强大的保障：

• 兼容性承诺：Go 始终承诺向后兼容，确保旧代码在最新工具链下依然能稳定运行，降低了长期维护的成本。
• 部署便捷性：Go 编译为单一、静态的二进制文件，且支持跨平台交叉编译，非常适合 AI 代理进行系统管理、脚本执行和微服务部署。
• 自动化现代化工具：通过 gopls 和 modernizers（如重新构建的 go fix），开发者和 AI 可以大规模、确定性地将旧代码模式更新为最新的语言特性，从而在保持代码库一致性的同时消除技术债。

总结

在 AI 提升代码产出速度的同时，Go 提供的确定性护栏（Deterministic guardrails）确保了系统在高速演进中不会丧失可靠性、可维护性和安全性。Go 为人类与 AI 的协作构建了一个稳健、自修复且易于理解的生产环境。

压缩即预测：压缩与大语言模型的关系

本文探讨了数据压缩与大语言模型（LLM）之间的深层联系，指出两者在本质上都在试图解决同一个核心问题：预测。

压缩的工作原理

真正的压缩依赖于利用数据中的冗余。现代压缩工具通常包含三个核心组成部分：

1. 变换 (Transforms)：预处理步骤，通过改变数据形式来增加冗余（例如使数据分布更集中），从而使后续压缩更有效。
2. 模型 (Models)：描述数据的“形状”，即统计每个符号（字母、数字或 Token）出现的概率分布。
3. 熵编码器 (Entropy Coders)：根据模型提供的概率，将数据转化为最终的原始比特流（Raw bitstream）。

其中，算术编码 (Arithmetic Coding) 是一种高效的熵编码技术。它通过将整个数据集表示为一个落在 $[0, 1)$ 区间内的单一数值（二进制分数）来实现压缩。编码过程中，程序根据符号的概率不断缩小数值范围，最终生成的数字所需的比特数仅取决于该数值的精度。

熵与概率

香农熵 (Shannon Entropy) 是压缩率的理论极限（底线）。它定义了表示给定数据所需的最小平均比特数。

• 数学关系：单个符号所需的比特数等于其概率的负对数（$-\log_2 P$）。
• 核心逻辑：符号出现的概率越高，其对应的比特数就越少；概率越低，需要的比特就越多。
• 编码方式：除了算术编码，霍夫曼编码 (Huffman Coding) 是另一种常用方法，它通过构建决策树，为高频符号分配较短的“码字”，为低频符号分配较长的码字。

上下文的重要性

压缩效率高度依赖于模型的预测能力。通过引入上下文 (Context)，可以使概率分布更加极端（即高频符号的概率更高），从而大幅提升压缩比。

• Order-N 模型：利用前 $N$ 个符号作为当前符号的上下文。例如，在看到字母 "Q" 后，预测下一个字母是 "U" 的概率会极大提高。
• 预测与压缩的关系：上下文越丰富，模型对下一个符号的预测就越准确。预测越准确，符号的概率就越高，所需的比特数就越少。

语言模型与压缩的统一

LLM（如 GPT 系列）本质上是极其强大的预测器，它们通过预测下一个 Token 的概率分布来生成文本。

• 预测即压缩：在压缩场景下，我们利用 LLM 对已有的真实文本进行预测。如果 LLM 给真实出现的符号分配了高概率，压缩成本（比特数）就低；如果模型预测失误（给真实符号分配了低概率），则需要消耗大量比特。
• 数学本质：在语言模型训练中，目标是最小化交叉熵 (Cross-entropy)，这在数学上与压缩中追求最小化“每符号比特数”的目标是完全一致的。

实际应用中的权衡

尽管 LLM 在压缩率上表现卓越（例如 GPT-2 的压缩效果远优于传统的 Order-1 模型），但它们目前无法取代传统的压缩工具（如 gzip 或 Brotli），原因在于资源约束：

• 模型开销：使用 LLM 需要在客户端和服务器端都部署巨大的模型文件（可能达数 GB）。
• 计算成本：LLM 的处理过程需要海量的计算资源，这会显著增加延迟，降低数据传输的实用性。

总结

压缩与语言建模是同一数学原理的两种表现形式。压缩通过提高预测准确性来减小数据体积，而语言模型通过降低交叉熵来优化预测能力。两者最终都指向同一个目标：通过更精准地预测信息来减少不确定性。

软件错误导致威斯康星州一名女性两次遭遇警方持枪拦截

威斯康星州布鲁克菲尔德（Brookfield）的居民 Amber Newell 在短短一周内两次遭遇了极高风险的警方拦截。由于 Flock 自动车牌识别系统的错误提示，她的车辆被误认为涉及一起谋杀案调查。

事件经过

上周四下午，Newell 在密尔沃基附近的 I-94 公路上驾驶时，Flock 摄像头系统将其车牌与警方的一项谋杀案调查名单进行了匹配。随后，布鲁克菲尔德警方立即对她的车辆进行了包围，警员持枪戒备，并在路人及手机摄像头的注视下实施了高强度的拦截。

令人震惊的是，这并非 Newell 第一次遭遇此类情况。由于系统中的警报信息未能及时清除，她在上周一也经历了一次几乎完全相同的持枪拦截。

错误原因

密尔沃基警方随后承认，此次错误源于人为疏忽。一名工作人员忘记从系统中删除已失效的车辆警报信息。虽然布鲁克菲尔德警察局长辩称警员是根据系统提供的现有信息采取了适当的应对措施，但该事件暴露了技术系统对人工数据维护的过度依赖。

技术原理与风险

Flock 摄像头通过读取车牌并将其与执法部门上传的活跃警报进行实时比对来工作。当系统匹配到涉及暴力犯罪的车辆时，警员会按照标准作业程序进行紧急且谨慎的处理。然而，该案例表明，如果执法部门未能及时更新或删除过时的警报，自动化工具可能会将无辜的司机置于危险之中。

后果与影响

此次事件对 Newell 及其家庭造成了严重的心理创伤。Newell 表示，由于这次经历，她在驾驶时感到非常不安；而她的年幼女儿甚至在每次上车时都会担心警察是否会再次“抓走”他们。

此事件引发了公众对于自动化执法工具监管机制的讨论，强调了在利用先进技术提升执法效率的同时，必须加强对数据准确性和人工审核的监督，以防止此类误判再次发生。

新贝德福德警员涉嫌利用 Flock 摄像头追踪前女友

事件概述

新贝德福德（New Bedford）一名警员 Emily Pacheco 被其前女友指控利用 Flock 车牌识别系统（ALPR）跟踪其行踪。目前，该警员正面临内部调查，且已被停职。法院已签发虐待预防令，认定 Pacheco 对其前女友的人身安全构成可信威胁，并命令其立即上交所有枪支并暂停其持枪许可。

指控细节

根据前女友提交的宣誓书，两人曾交往至少两年。在今年 4 月分手后，该女性称 Pacheco 开始频繁骚扰她，包括：

• 使用虚假电话号码进行无休止的通话和短信骚扰。
• 未经通知出现在其家中并拒绝离开。
• 在值班期间拦截并阻止其开车离开家。
• 利用 Flock 系统查询其车牌以进行跟踪。

数据与调查发现

数据分析显示，Pacheco 是该市 Flock 系统的高频使用者。在分手后的几个月内，她的搜索频率显著上升：

• 4 月： 18 次搜索。
• 5 月： 259 次搜索。
• 6 月： 220 次搜索。

调查发现，其搜索理由多标注为“交通违规”，且搜索范围不仅限于新贝德福德，还涵盖了周边城镇（如 Dartmouth 和 Fairhaven）的多个网络。

警队响应与政策执行

针对此次事件，新贝德福德警察局（NBPD）采取了以下措施：

1. 暂时停用系统： 警察局长 Jason Thody 宣布暂时停止使用 Flock 系统，并对过往的所有使用记录进行全面审查。
2. 内部调查： 已启动内部事务调查，并将涉事警员置于行政停职状态。
3. 违规后果： 根据 NBPD 政策，严禁将 Flock 系统用于个人目的、骚扰或恐吓他人。一旦证实违规，警员可能面临刑事起诉、民事责任及立即解雇。

社会影响与争议

此事件引发了关于监控技术滥用的广泛讨论：

• 技术风险： 美国公民自由联盟（ACLU）指出，Flock 技术赋予了警方前所未有的追踪能力，若缺乏有效的民主监管、透明度和问责机制，极易被用于个人目的。
• 法律监管缺失： ACLU 表示，相比其他新英格兰州，马萨诸塞州在监管此类监控技术方面缺乏必要的法律护栏。
• 社区抗议： 新贝德福德居民此前已多次要求取消 Flock 合同，担忧其侵犯隐私并可能被用于跟踪前任。目前，市议会已提出相关动议，计划就该系统的监管及是否应停止使用进行听证。

NVIDIA 发布 Nemotron 3.5 Lightning 与 NeMo Switchyard，赋能智能代理（AI Agents）

随着 AI 从聊天机器人向自主代理（Autonomous Agents）转型，市场对模型部署的控制力、效率及演进能力提出了更高要求。NVIDIA 推出了 Nemotron 3.5 Lightning 模型及 NeMo Switchyard 路由库，旨在通过“模型系统（System of Models）”架构提升代理应用的性能。

Nemotron 3.5 Lightning：专为高吞吐量任务设计的专家模型

Nemotron 3.5 Lightning 是一款拥有 300 亿参数的混合专家（Mixture-of-Experts, MoE）开源模型，专为大型多代理系统中承担特定任务的“始终在线”代理而设计。

• 核心功能与定位：在多代理架构中，复杂的推理模型（如 Nemotron 3 Ultra）负责规划和编排工作流，而 Nemotron 3.5 Lightning 则负责执行具体的专项任务，例如代码审查、工具使用、安全警报监控及账单咨询等。
• 性能优势：该模型提供高达 4 倍的输出速度，使代理任务的完成速度比同类模型快 30%。
• 定制化与灵活性：
  • 可定制性：开发者可以使用 NVIDIA NeMo 利用特定领域的领域数据、工具和工作流进行后训练，以提升专业任务的准确性。
  • 部署广泛性：支持在多种硬件上运行，包括本地 RTX PC、DGX 工作站、Jetson 边缘设备以及云端环境，兼顾了隐私保护与高性能响应需求。
• 行业应用：已有多家领先企业进行定制化应用，包括 CrowdStrike（网络安全）、Harvey（法律服务）、CodeRabbit（代码审查）、Lila Sciences（生命科学）以及 Fastino Labs（金融与医疗）。
• 透明度：NVIDIA 随模型发布了相关训练数据和技术（如用于提升编程能力的强化学习数据集 Nemotron-RL-Agentic-Terminal-Pivot），以支持审计和模型训练。

NeMo Switchyard：智能模型路由库

NeMo Switchyard 是一个开源的模型路由库，旨在解决多模型环境下的调度难题。

• 核心功能：它能根据每个任务的具体需求（如质量、延迟或成本要求），自动将请求路由至最合适、最高效的模型。这些模型可以涵盖开发者自行拥有的开源模型、第三方闭源模型或 NVIDIA 模型，且无需开发者重写应用程序。
• 经济效益与效率：内部基准测试显示，NeMo Switchyard 在保持前沿水平准确度的同时，能将任务完成成本降低至仅为单一大型模型（如 Opus 4.8）的三分之一左右。
• 生态集成：NVIDIA 已与多家 AI 生态伙伴合作集成该技术，包括：
  • LangChain：在多轮对话任务中实现了 74% 的成本降低。
  • Ramp：在匹配前沿模型性能的同时，大幅削减了成本和运行时间。
  • Cognition：在 Devin Desktop 中实现了接近前沿模型的性能并降低了平均成本。
  • 其他伙伴：包括 Boomi、Cadence、Classmethod、Kong、LiteLLM、Nous Research 和 Siemens 等，通过集成路由能力提升了各自产品的效率与成本效益。

获取方式

• Nemotron 3.5 Lightning：可通过 Hugging Face、ModelScope、OpenRouter 以及作为 NVIDIA NIM 微服务在 build.nvidia.com 上获取。
• NeMo Switchyard：已在 GitHub 上开源，并即将登陆更多合作伙伴平台。

Research Gold 虚假宣传调查：标榜“100% 人工”的医学研究服务实为全 AI 运作

核心争议

医学研究服务网站 Research Gold 声称其提供的服务（包括撰写同行评审稿件、系统评价和元分析）是“100% 人工编写，绝非 AI”，并宣称由多位拥有博士学位的评审员和专业方法论专家负责。然而，调查显示该公司的宣传与事实完全背离：其所谓的专家团队多为虚构身份，且公司的所有沟通环节均由 AI 驱动。

虚假的专家团队

调查发现，Research Gold 在网站上列出的专家身份存在严重造假：

• AI 生成的虚假身份：网站“关于我们”页面中列出的多名核心成员（如创始人及首席方法论专家 Dr. Elena Vasquez 等）并不存在，其个人简介无学术记录可查，且头像明显由 AI 生成。
• 盗用真实身份：网站的另一部分列出了真实的自由职业方法论专家，但这些专家并未授权公司使用其身份。Research Gold 直接从 LinkedIn 上抓取了这些人的姓名、照片和简介，甚至连带有“#opentowork”标识的头像也一并照搬。其中一位受害者表示，正准备向公司提出正式的删除请求。

全自动化的 AI 沟通机制

尽管该公司声称依靠“人类专业知识”，但其实际运营模式完全依赖 AI：

• 拒绝承认身份的 AI 助手：在电话沟通中，AI 助手在被多次询问是否为真人时，仍坚称自己是“真实的人”，并试图引导用户购买服务。
• 高专业度的 AI 邮件回复：在通过在线表单请求报价时，用户收到的回复表现出极高的学术专业性。AI 能够根据用户提供的研究主题，自动识别研究设计的缺陷，并使用 PICO 框架等专业术语提供详细的报价方案。
• 自动化的回应：当记者就质疑问题联系该公司寻求评论时，收到的回应同样表现出 AI 生成的特征。

学术完整性的风险

专家指出，使用 AI 进行此类研究存在根本性缺陷，即 AI 容易产生“幻觉”（Hallucination），这可能导致研究结论失去科学严谨性。

文章最后提到，生成式 AI 已对学术出版领域造成了广泛影响，包括：

1. 科学期刊面临大量 AI 生成的虚假引用。
2. 部分 AI 生成的论文已被学术期刊发表。
3. 同行评审过程可能因 AI 生成文本的泛滥而受到威胁。

2026年日食网络摄像头项目摘要

该内容介绍了一个名为“2026 Eclipse Webcams”的项目，由 jonty 开发。该项目旨在通过网络摄像头实时监测 2026 年日食的进程，核心功能包括展示全食（Totality）开始的具体时间，以及全食路径到达首个网络摄像头的时间。

Grok Bot 功能概述

Grok Bot 被定位为一种“AI 队友”，旨在像人类员工一样处理端到端的项目。它能够保持工作上下文，随使用时间增加而变得更加智能，并在需要人工审批时及时反馈。

核心功能特性

• 并行协作与 24/7 工作：用户可以同时创建多个 Bot 来处理不同的任务（例如一个负责项目，一个负责外联，一个负责系统维护）。这些 Bot 可以并行工作，并在需要时相互协作，实现全天候不间断运行。
• 深度工具集成：Grok Bot 可以登录并像真人一样操作各种应用程序和网站（如 Zendesk），能够处理那些难以通过传统自动化方式导航的复杂工具。
• 工作流学习机制：通过“演示学习”功能，用户只需演示一遍工作流程，Bot 即可将其记录为标准化的常规任务（Routine），并在下次自动执行。
• Bot 间的信息传递：多个 Bot 可以置于同一个对话线程中，它们之间可以自动进行任务交接和协作，从而减少人工干预的频率。

应用场景示例

以销售线索生成（Pipeline Generation）为例，Bot 可以实现以下自动化流程：

1. 开展账号研究。
2. 根据意向对联系人进行评分。
3. 模仿用户的语气撰写电子邮件和 LinkedIn 消息。
4. 生成最终的审核列表供用户确认。

订阅方案

注：已订阅 Cursor Ultra 或 SuperGrok Heavy 的用户已包含 Grok Bot 功能。

美国通过招募游戏玩家填补空管人员缺口

美国交通部近日宣布，联邦航空管理局（FAA）针对游戏玩家发起的空管员（Air Traffic Controllers）招募计划取得了显著成效。

招募成果与背景

美国交通部长肖恩·达菲（Sean Duffy）表示，该招募计划已成功聘请了超过2,000名游戏玩家接受空管员培训，达到了招聘目标的94%。此外，目前还有2,000多名候选人正在招聘流程中。

为什么选择游戏玩家？

达菲指出，游戏玩家在游戏过程中展现出的技能与空管员的工作需求高度契合，包括：

• 快速反应能力
• 高度专注力
• 管理多源信息的能力

由于空管员每天需要引导超过8万架次航班，这些素质至关重要。统计数据显示，现任空管员中仅有约25%拥有传统的大学学位，这解释了为何通过非传统途径招募人才变得必要。

行业现状与挑战

• 人员短缺： 美国政府问责署（GAO）此前警告称，空管员的严重短缺可能会导致航班延误或取消。
• 薪资待遇： 根据2024年的联邦数据，空管员的中位年薪为144,580美元。不过，薪资差异较大，小型机场经验较少的空管员平均年薪约为60,000美元。
• 职业风险： 先前的政府停摆曾导致空管员（法律规定的必要人员）被迫在无薪状态下工作，这在一定程度上影响了人才留存。

申请要求与准入门槛

想要进入FAA位于俄克拉荷马城空管学院接受培训的候选人，必须满足以下严苛条件：

1. 拥有美国公民身份。
2. 年龄在31岁以下。
3. 通过FAA的入职前测试及能力评估考试。

由于门槛极高，历史上只有不到10%的申请人能够通过测试并获得培训资格。

摘要：The Human Is the Loop

这篇文章记录了作者在远离人工智能（AI）数周后的反思，探讨了过度依赖 AI 对个人智力、情绪以及工作方式带来的负面影响，并提出了重新建立人机关系的新策略。

AI 带来的负面影响

作者意识到，AI 正在成为一种“习惯性拐杖”，其过度使用导致了以下问题：

• 智力与心理退化： 过度依赖 AI 会削弱个人的好奇心、自信心和智力水平，甚至可能引发抑郁情绪。
• 生产力陷阱（生产力乌洛波罗斯）： 用户陷入了一种“为了优化工具而优化工具”的循环中，不断尝试通过 AI 实现自动化或并行化，但这些努力往往并不能带来实际的价值或更多的自由时间，反而产生了大量半成品和未完成的任务，增加了心理压力和负罪感。
• 逃避机制： AI 代理（Agents）被当作应对压力的“缓冲层”或“图腾”。通过与 AI 进行看似在“梳理思路”的对话，用户实际上是在逃避直接面对困难任务，这种“谄媚的镜像”式对话并非真实的思维碰撞，只是在浪费时间。
• 丧失学习的乐趣： 为了快速获得结果，用户往往会跳过学习过程，而学习过程本身才是获取乐趣和知识的关键。

行业趋势与依赖性

作者指出，科技行业正致力于构建社会对大语言模型（LLM）的规模化依赖。虽然 AI 使用可能不像短视频流那样具有神经化学层面的成瘾性，但确实存在明显的依赖和习惯化效应。

重新定义人机关系：有意识的使用

作者提出了未来的行动计划：保持意图性（Intentionality），即明确何时使用 AI，何时将其排除在外，并诚实评估使用 AI 的得失。

其核心策略包括：

1. 功能定位： 将 AI 用于处理那些人类不擅长或不喜欢的繁琐任务，例如在混乱的系统中进行模式匹配、信息检索和数据搜集。
2. 释放人类潜能： 利用 AI 处理低价值的事务，从而将人类的时间释放出来，投入到写作、反思和深度思考等更具“人性”的活动中。
3. 以人为核心： 人不应被困在代理的循环中，人类才是回路的核心（The human is the loop）。AI 应当是被有目的地、偶尔地引入的辅助工具，而非主导者。

大语言模型（LLM）擅长什么样的数学？

本文探讨了大型语言模型（LLM）在数学领域的当前能力及其潜在的局限性。作者指出，尽管 OpenAI 等机构展示了 LLM 在解决重大数学难题（如非索菲克群的构造和 Ramsey 理论问题）方面的惊人潜力，但 LLM 尚未在数学的所有方面超越人类。

关于“反例”与“例子”的辨析

作者观察到，LLM 解决的最著名问题大多属于寻找“反例”或“特例”，而非证明复杂的普遍性定理。然而，作者认为“寻找反例”这一概念在数学逻辑上具有复杂性：

1. 逻辑形式的差异：并非所有涉及存在量化（$\exists$）的陈述都能简单归类为反例。例如，Vinogradov 定理虽涉及存在性，但被视为定理而非反例；而 Gluskin 关于 Banach-Mazur 紧致集直径的研究，虽然逻辑形式相似，却被视为寻找特定空间的“例子”。
2. 问题的本质：在某些问题中，挑战不在于证明某个对象存在，而在于证明该对象具有某种特定的、相对于其维度的复杂属性。

LLM 与人类数学家的风格差异

作者提出，LLM 与人类在数学研究风格上存在显著差异，这种差异源于两者的本质特征：

• LLM 的优势（概率性与广度）：

  • 知识广度：LLM 拥有海量的数学知识，能够迅速调用标准论证方法。
  • 计算速度（暴力搜索）：作为计算机，LLM 可以以远超人类的速度进行大量的尝试。
  • 风格：LLM 更倾向于“试错法”，即在概率性较高的路径上进行大量尝试，直到碰巧成功。这使其在处理“寻找非平凡例子”或“检查现成例子”等问题时表现出色。

• 人类的优势（概念性与深度）：

  • 搜索树剪枝（“直觉”）：人类数学家擅长通过深度思考和直觉，在庞大的搜索空间中进行有效的“剪枝”，即判断哪些方向是死胡同，从而避免低效的搜索。
  • 风格：人类更擅长寻找“令人惊讶”且“具有概念性”的论证，通过深入挖掘问题的本质来揭示解法。

搜索策略的匹配度

作者列举了多种数学搜索策略，并分析了 LLM 的适用性：

• LLM 擅长的策略：检查现成例子、使用概率方法、寻找通用例子（Generic examples）以及通过归纳构建（Just-do-it proofs）。这些方法依赖于知识储备和尝试次数。
• 人类可能占优的策略：使用元变量（Metavariables）、尝试证明反面命题、以及连续逼近法（Successive approximation）。这些方法需要极强的判断力，以决定当前的路径是否具有前景。

结论与未来展望

作者认为，LLM 目前尚未展现出像人类那样强大的“搜索树剪枝”能力。虽然 LLM 可能会通过规模扩张（Scaling up）或新的奖励机制（例如惩罚无效探索）来获得这种能力，但要达到真正的人类水平，仍需跨越一个障碍：从“撞大运”式的搜索转向创造具有原创性、优美且令人惊讶的新方法。

如果 LLM 能够提出像解决 cap-set 问题那样，既突破现有界限又具有全新、自然且美感的证明方法，那才标志着它们真正跨越了数学发现的门槛。

WorldClaw：大规模智能体驱动的 3D 开放世界生成框架

WorldClaw 是一个智能体（agentic）框架，旨在通过单一的开放式提示词（open-ended prompt）生成显式的、可探索且可编辑的大规模 3D 开放世界场景。

核心功能与特性：

• 从提示词到世界：能够将抽象的文本描述转化为具体、复杂的 3D 环境。
• 高交互性：生成的 3D 场景不仅具有视觉表现力，还具备可探索（explorable）与可编辑（editable）的特性。
• 规模化生成：该框架专注于实现大规模（at scale）的 3D 开放世界生成能力。

Woxi 项目总结

Woxi 是一个使用 Rust 语言实现的开源 Wolfram 语言（Mathematica）解释器。其核心优势在于支持在浏览器中完全本地化运行，无需向外部服务器发送任何数据，从而确保了数据的隐私性。

核心功能与可视化能力

Woxi 能够处理并渲染多种复杂的图形化输出，包括：

• 函数图像（如 $\sin(x)$ 的绘制）
• 条形图 (Bar charts)
• 数轴图 (Number line plots)
• 气泡图 (Bubble charts)
• 小型图形 (Small graphs)
• 多项式的树状结构图 (Tree forms of a polynomial)

多样化的使用形态

Woxi 不仅提供单一的解释器，还通过多种前端界面满足不同场景的需求：

1. Playground (在线游乐场)：

   • 基础版：提供简单的网页交互体验。
   • 扩展版：采用侧边栏设计，提供更宽敞的编辑器与图形输出区域，适合进行多行表达式编写和图形实验。

2. 命令行工具 (CLI)：

   • 支持通过 woxi eval 评估表达式。
   • 支持直接运行 .wls 脚本。
   • 可作为 shebang 解释器使用。
   • 相比原生的 wolframscript，其启动速度更快。

3. Jupyter 集成：

   • Woxi 可作为 Jupyter 内核使用，用户可通过 woxi install-kernel 进行本地安装。
   • 支持通过 JupyterLite 在浏览器中直接运行完整的 Notebook 体验，无需安装任何本地环境。

4. Woxi Studio：

   • 这是一个专为 Wolfram 语言 .nb 笔记本文件设计的原生编辑器。
   • 支持基于单元格（Cell-based）的编辑模式和内联图形显示。
   • 具备强大的导出功能，支持将内容导出为 .ipynb、Markdown、LaTeX、Typst 以及 PDF 等多种格式。

https://www.cftc.gov/PressRoom/PressReleases/9281-26

使用绘图仪制作全息图

本文介绍了一种利用绘图仪（pen plotter）通过刻蚀物理表面来制作全息图像的方法。

核心原理

该方法基于手工刻蚀全息图的物理原理：通过控制反射脊纹（reflective ridges）的曲率，可以操纵观察者看到的“虚拟图像”高光点的移动方向和速度。

• 曲率与运动的关系：反射脊纹的高光移动速度与脊纹的曲率半径成反比。当脊纹曲率较陡时，高光相对于观察者的移动较慢；当曲率较浅时，移动较快。
• 模拟深度：这种现象类似于现实世界中物体在不同距离下的运动感。通过调整脊纹的曲率，可以向观察者传达 3D 场景的深度信息。

技术实现

作者利用绘图仪将 3D 场景进行“渲染”，将场景中的每个点转化为一个反射脊纹。

• 数学逻辑：每个点的曲率半径与其距离相机的距离成反比。在数学上，这些形状可以近似为双曲面切片（hyperboloid sections）。

实验过程与材料尝试

在寻找合适的媒介进行刻蚀时，作者经历了多次失败：

• 塑料覆膜片：因材质过于柔软且表面不平整，无法有效反射光线。
• 蜡纸：由于需要刻蚀的曲线数量巨大，蜡纸容易撕裂和皱缩。
• CD 盒（Jewel cases）：最终成功的材料。这种硬质塑料能够承受高密度的刻蚀。

关键经验总结

1. 工具选择：需要使用窄且尖锐的工具（如金属钩或挑针）进行刻蚀，以确保线条的精确度。
2. 光源要求：必须使用点光源（如手电筒）。如果使用环境光或宽光源，虚拟图像的点会变宽，导致深度信息模糊。实验效果在暗处使用点光源时最为显著。
3. 材料局限性：过度刻蚀会导致表面变得过于粗糙，最终使刻蚀区域变成一片哑光的斑块。

结论

作者认为这类作品具有全息图的核心特征：即使只截取全息图的一小部分，也能保留完整的场景信息。这种方法证明了无需昂贵的激光设备或光学平台，仅通过简单的物理工具和几何原理，也能探索和实现全息现象。

CSS 增强文本设计的五种属性总结

除了选择合适的字体、字重、样式和间距外，利用特定的 CSS 属性可以显著提升网页文本设计的视觉吸引力。以下是五种可以提升文本设计感的关键属性：

1. background-clip

通常文本填充为纯色，但通过 background-clip 属性，可以将背景图像或渐变效果填充到文字形状中。

• 实现方式：使用 background-clip: text 来将背景裁剪至文字轮廓。
• 关键配合：必须将文本颜色设置为 color: transparent，否则背景会被文字本身的颜色遮盖。

2. vertical-align 与 align-content

这两个属性解决了文本在垂直轴上的对齐问题，但功能侧重点不同：

• vertical-align：主要用于调整行内元素（如 span、img 或 input）相对于周围文本行的对齐方式。
• align-content：用于块级容器（包括现代布局中的 Flexbox 和 Grid），其作用是安排容器内内容的垂直排列方式，从而实现文本在容器内的垂直居中或对齐。

3. box-decoration-break (文中标题为 box-decoration-mode)

当文本由于换行、分栏或分页而断开（碎片化）时，该属性可以确保所有文本分片的边缘都具有统一的样式。

• 作用：如果文本行断开了，普通的样式可能只作用于整体，导致断开处的边缘看起来不自然。通过设置此属性（如 clone），可以让每一行分片的边缘都完整地应用边框、阴影、内边距和圆角等样式。

4. letter-spacing

该属性用于控制字符之间的间距，对排版美感和动画设计都非常重要。

• 功能：支持正值（增加字符间距）和负值（缩小字符间距）。
• 应用场景：除了纯粹的视觉调节，它还常用于实现“文字显现”等动画效果，通过改变字间距的变化来实现文字的平滑展开或收缩。

5. text-combine-upright

这是一种专门为东亚文字排版设计的属性，主要在垂直书写模式（writing-mode: vertical）下使用。

• 功能：它允许将短文本（例如数字、日期或缩写词）在垂直文本流中以水平直立的方式呈现。这使得原本需要旋转或缩小的短文本能够保持易读性，同时融入垂直排版的整体设计中。

报纸分类广告寻职记：一段关于记忆与时代变迁的回忆

本文讲述了作者 David 在 2000 年通过《纽约时报》分类广告获得 Polo Ralph Lauren 内部摄影师这一“梦想工作”的经历，以及他随后利用数字化手段验证这段记忆的过程。

寻证过程

由于对当年求职细节的记忆模糊，作者利用其详尽的数字化档案（包括自 1997 年以来保存的所有邮件和已转为 PDF 的个人文档）以及《纽约时报》的数字化档案系统“Times Machine”进行了调查。通过检索求职信的日期，作者成功找到了那则发布于 2000 年 1 月 16 日的原始分类广告。

发现与疑点

广告内容显示，一家“领先的时尚公司”正在寻找一名员工摄影师，要求具备使用 4x5 相机的能力，并请应聘者将简历传真至“CWP”（即作者未来的上司）。

在核实过程中，作者发现自己的记忆与事实之间存在两个疑点：

1. 身份识别：广告中并未直接提及 Polo Ralph Lauren，作者不确定在当时（Google 尚不发达的时代）是如何通过传真电话号码查明公司身份的。
2. 语言细节：作者记忆中，未来的上司曾在电话留言中使用了“一大堆（butt load）简历”这种非常非正式的表达，但这与其后建立的对上司的职业形象认知不符。由于作者未将旧的电话答录机磁带进行数字化，这一细节无法得到证实。

总结

作者通过这个故事回顾了那个时代特有的求职方式，并探讨了记忆如何在时间流逝中发生变化，最终将其作为一段对往昔求职岁月的感怀分享出来。

牛肉与乳制品生产导致全球农田41%的生物多样性损失

发表在《Nature Food》上的一项由牛津大学马丁学院研究人员参与的国际研究表明，牛肉和乳制品生产对全球农田造成的生物多样性破坏贡献了41%，并占到了总碳流失量的29%。

核心研究发现

• 环境影响的高度集中性：农业对环境的破坏并非均匀分布。全球三分之二的农业碳流失和三分之二的生物多样性损失，仅发生在全球三分之一的农田上。其中，仅12%的农田就造成了全球一半的碳流失。这些破坏主要集中在南美洲、撒哈拉以南非洲和东南亚地区。
• 食物来源的显著差异：动物源性食物对环境的影响远高于植物源性食物。就每卡路里产生的环境影响而言，动物源性食物造成的碳流失是植物源性食物的8倍，生物多样性损失是其14倍。
• 国际贸易的影响：约18%的农田碳流失和生物多样性损失与跨国贸易相关。在贸易流向方面，巴西是碳流失和生物多样性损失的最大净出口国，而中国则是最大的净进口国，其中动物产品的贸易占据了主要份额。

农业对生态系统的破坏程度

由于土地转化，农业已导致估计约3000亿吨的储碳损失，并使约14%的物种面临灭绝风险。从转化生态系统中流失的碳量，相当于目前农业排放水平下约140年的排放量。

土地修复的潜力与机遇

研究强调，气候变化和自然保护不应被视为独立的问题，因为它们往往在同一片土地上交织。通过针对特定的地理区域和食物来源，可以实现气候与自然保护的双重目标：

• 协同治理：针对受损最严重的区域进行治理，可以同时产生气候和生物多样性的收益。
• 修复效益预测：如果将受碳流失和生物多样性损失影响最严重的30%农田恢复为自然栖息地，预计可以固碳约1700亿吨（相当于全球化石燃料排放约15年的总量），并能预防约60%目前与农业土地相关的物种灭绝风险。

该研究由莱顿大学领导，并与牛津大学和中国农业大学合作完成。

OpenSSH 版本发布日志摘要

本文档包含了 OpenSSH 从 2000 年（版本 1.2.2p1）至 2026 年（版本 10.5）的历史发布日志记录。OpenSSH 是一个完整的 SSH 协议 2.0 实现，包含 SFTP 客户端和服务器支持。

核心功能演进

1. 协议与传输技术

• 协议版本转换：从早期的 SSH 协议 1.x 逐步转向并最终在 7.4 版本中完全移除对 SSHv1 的支持。
• 密钥交换 (KEX)：经历了从传统的 Diffie-Hellman (DH) 到椭圆曲线 Diffie-Hellman (ECDH，如 Curve25519) 的演进。在最新版本（10.0+）中，默认启用了混合后量子密钥交换算法（如 mlkem768x25519-sha256），以应对量子计算威胁。
• 加密与认证：从早期的 DES、3DES、CBC 模式逐渐转向更安全的 AEAD 模式（如 AES-GCM 和 ChaCha20-Poly1305）。同时，逐步弃用了弱哈希算法（MD5, SHA1）和签名算法（DSA）。

2. 身份验证与硬件支持

• 硬件令牌：增加了对 FIDO/U2F 硬件安全密钥的支持，包括对 FIDO2 驻留密钥（Resident Keys）的管理、PIN 码验证以及 WebAuthn 签名验证。
• 身份验证增强：引入了基于代理的限制性密钥使用（Agent-restricted keys）、证书认证机制，以及针对不同用户/组/地址的 Match 条件配置。

3. 文件传输与管理

• SFTP 集成：SFTP 功能不断增强，包括支持断点续传、硬链接操作、权限管理以及在 scp 中默认使用 SFTP 协议（取代过时的 legacy scp/rcp 协议）。
• 工具链改进：ssh-keygen 增强了密钥管理功能（如 FIDO 密钥下载、PKCS#11 交互）；ssh-agent 引入了更安全的密钥锁定与超时机制。

安全策略与架构改进

1. 安全性加固

• 抗攻击性：针对多种攻击手段进行了专项修复，包括 Terrapin 攻击（通过引入 Strict KEX 协议扩展）、针对密码猜测的速率限制（PerSourcePenalties）、以及针对计时攻击的混淆技术（ObscureKeystrokeTiming）。
• 算法弃用计划：文档记录了长期的加密策略调整，明确了对 DSA、SHA1、RSA-SHA1 等弱算法的弃用流程，鼓励用户迁移至 Ed25519 或 ECDSA。

2. 系统架构优化

• 权限分离与沙盒：持续强化特权分离（Privilege Separation）机制，在 Linux 上利用 seccomp-bpf 构建沙盒，在 OpenBSD 上利用 Capsicum。
• 二进制拆分：在 10.0 版本中，将 sshd 拆分为监听器（sshd）和身份验证专用程序（sshd-auth），通过分离地址空间来减小预身份验证阶段的攻击面。
• 资源管理：引入了更完善的连接超时（ChannelTimeout）、空闲连接清理以及对并发连接数的精细化控制。

移植性与兼容性

OpenSSH 保持了对多种操作系统的广泛支持，包括 OpenBSD、Linux、FreeBSD、macOS、Solaris、AIX 以及 Cygwin。发布日志详细记录了针对不同平台（如 Android 的内存限制、FreeBSD 的内核特性、macOS 的系统调用差异）的构建修复与兼容性调整。

leanscreen: Lean 4 忠实度评估工具

leanscreen 是一个专为 Lean 4 设计的“忠实度检查”（faithfulness screen）工具，旨在确保代码的实际逻辑与文档说明（docstring）保持一致。

核心功能与解决的问题

即使 Lean 4 编译器认为代码在语法和逻辑上是正确的，leanscreen 也能识别出代码与预期目标之间的脱节。例如，如果一个定理的文档声明它证明了某个特定性质（如“存在一个完全数”），但其代码实现却是一个平庸的、无意义的真命题（如 ∃ n : ℕ, n = n），leanscreen 会将其判定为“拒绝”（REJECTED）。

三种评估模式

1. 快速模式 (FAST)

   • 功能：提供 Lint 检查、空值检查（vacuity checks）以及针对 mathlib 的解析检查（elaboration）。
   • 特点：本地运行、免费，响应速度极快（约 0.1 秒）。

2. 深度模式 (DEEP)

   • 功能：采用两个独立的评判器（judges）并结合反例探测（counterexample probe）。
   • 特点：适用于代码发布前的深度审查。

3. 校准 (CALIBRATED)

   • 特点：该工具的评估标准经过了 886 个人类判决的衡量，以确保其准确性。

设计理念

leanscreen 的定位是辅助工具而非最终认证。其核心理念认为，工具的通过并不等同于正式认证，在需要确保绝对正确性的严谨场景下，最终仍需由人类专家进行复审。

https://economist.com/science-and-technology/2026/08/11/the-brain-may-be-about-to-have-its-ozempic-moment