GitHub.com 服务中断事件总结

事件状态：已解决 发生时间：2026年8月17日

事件概述

GitHub.com 在 2026 年 8 月 17 日经历了大规模的服务中断和性能下降，影响了包括核心开发工具、API、身份验证在内的多项关键服务。该事件已于当日 21:15 UTC 正式解决。

受影响的服务范围

此次故障影响广泛，主要涵盖以下领域：

• 核心操作与功能：Git Operations（Git 操作）、API Requests（API 请求）、Webhooks、Issues、Pull Requests、Actions、Pages。
• 身份验证与集成：SAML、OIDC 身份验证、SCIM 以及 Team Sync（团队同步）。
• Copilot：Copilot 服务出现间歇性身份验证失败（注：通过 GitHub CLI 和 GitHub App 使用 Copilot 的用户不受影响）。
• 文件下载：归档文件（Archive downloads）和原始仓库内容（Raw repository content）下载。

故障影响程度

在故障期间，用户体验受到了显著干扰：

• 错误率：Web 体验和 API 流量的错误率约为 20%。
• 下载异常：归档文件和原始内容的下载错误率高达约 50%。
• 性能降级：多个服务经历了明显的性能下降和可用性降低。

事件处理进展

1. 故障爆发与调查 (13:40 - 15:00 UTC)：GitHub 开始收到性能受损的报告，随后确认 API、Webhooks、Actions、Pull Requests 等多项服务出现降级。
2. 识别问题组件 (16:36 - 18:11 UTC)：技术团队识别出了导致问题的组件并采取了纠正措施。虽然服务开始出现恢复迹象，但仍存在残余影响，表现为部分服务的性能波动及间歇性的身份验证失败。
3. 缓解措施实施 (19:13 - 20:45 UTC)：
   • 为了应对身份验证失败，团队采取了部分禁用身份验证令牌重试 (authentication token retries) 的措施。
   • 针对 Copilot 的间歇性身份验证问题，团队持续应用缓解方案，直至服务完全恢复。
4. 服务恢复 (21:15 UTC)：所有受影响的服务恢复正常运行。

后续行动

GitHub 表示将在完成详细的根因分析 (Root Cause Analysis, RCA) 后向公众分享相关信息。

Qwen 3.8 27B 模型评测总结

本文评测了阿里巴巴研究实验室发布的 Qwen 3.8 27B。这是一个拥有 270 亿参数、具备视觉能力且采用 Apache 2.0 许可的开源大语言模型（LLM），非常适合在配置合理的笔记本电脑上本地运行。

1. 核心问题：“过度思考” (Overthinking)

Qwen 3.8 27B 的一个显著特点是其默认的推理设置。模型官方支持 reasoning_effort 参数，其默认值为 xhigh（极高推理）。

• 问题表现：模型在处理极其简单的任务时也会进行深度分析，导致响应速度极慢且计算资源消耗过大。
• 案例：在生成一个简单的 SVG 圆形时，由于模型试图将其设计成具有复杂动画和几何美感的“艺术品”，导致处理时间大幅增加。
• 建议：用户在使用时应忽略该默认设置，优先尝试 low 或关闭推理模式，以平衡速度与成本。

2. 核心能力表现

尽管存在过度思考的问题，但该模型在各项高阶任务中展现了极强的性能：

• 视觉与边界框识别 (Bounding Boxes)： 模型在视觉任务中表现出色，能够精准地以 0-1000 的比例尺返回图像中物体的 JSON 格式边界框坐标。
• 工具构建与代码生成： 模型具备极强的代码编写能力。测试显示，它能根据简单的提示词构建出功能完整的 HTML 界面工具（如用于可视化边界框的 Web 工具）。即使在推理模式下产生了超出预期的“过度设计”（如自动添加演示场景），其构建的工具在功能上依然是可靠的。
• 驱动编程代理 (Coding Agents)： 该模型足以胜任编程代理的运行任务。在通过 Pi 框架进行测试时，模型能够通过长上下文进行文件访问、代码分析，并编写及测试 Python 脚本来完成特定任务。

3. 性能与速度优化

目前本地运行该模型时，速度（约 15-30 tokens/s）相对于云端 API 较慢。

• 优化技术：Qwen 支持 多 Token 预测 (Multi-Token Prediction, MTP) 架构。
• 性能提升：通过使用 llama.cpp 并启用 --spec-type draft-mtp 参数，测试显示其推理性能比默认的 LM Studio GGUF 构建提升了约 72%。

4. 结论

Qwen 3.8 27B 展示了本地模型发展的重大进步。仅需 17GB 的文件大小，即可在消费级硬件上实现具备长上下文、强视觉能力、有效工具调用及胜任编程代理能力的通用型模型。虽然当前的性能（速度）仍是限制其成为日常主力工具的主要瓶颈，但其展现的技术潜力具有里程碑意义。

GitHub.com 服务中断事件总结

事件状态：已解决 发生时间：2026年8月17日

事件概述

GitHub.com 在 2026 年 8 月 17 日经历了大规模的服务中断和性能下降，影响了包括核心开发工具、API、身份验证在内的多项关键服务。该事件已于当日 21:15 UTC 正式解决。

受影响的服务范围

此次故障影响广泛，主要涵盖以下领域：

• 核心操作与功能：Git Operations（Git 操作）、API Requests（API 请求）、Webhooks、Issues、Pull Requests、Actions、Pages。
• 身份验证与集成：SAML、OIDC 身份验证、SCIM 以及 Team Sync（团队同步）。
• Copilot：Copilot 服务出现间歇性身份验证失败（注：通过 GitHub CLI 和 GitHub App 使用 Copilot 的用户不受影响）。
• 文件下载：归档文件（Archive downloads）和原始仓库内容（Raw repository content）下载。

故障影响程度

在故障期间，用户体验受到了显著干扰：

• 错误率：Web 体验和 API 流量的错误率约为 20%。
• 下载异常：归档文件和原始内容的下载错误率高达约 50%。
• 性能降级：多个服务经历了明显的性能下降和可用性降低。

事件处理进展

1. 故障爆发与调查 (13:40 - 15:00 UTC)：GitHub 开始收到性能受损的报告，随后确认 API、Webhooks、Actions、Pull Requests 等多项服务出现降级。
2. 识别问题组件 (16:36 - 18:11 UTC)：技术团队识别出了导致问题的组件并采取了纠正措施。虽然服务开始出现恢复迹象，但仍存在残余影响，表现为部分服务的性能波动及间歇性的身份验证失败。
3. 缓解措施实施 (19:13 - 20:45 UTC)：
   • 为了应对身份验证失败，团队采取了部分禁用身份验证令牌重试 (authentication token retries) 的措施。
   • 针对 Copilot 的间歇性身份验证问题，团队持续应用缓解方案，直至服务完全恢复。
4. 服务恢复 (21:15 UTC)：所有受影响的服务恢复正常运行。

后续行动

GitHub 表示将在完成详细的根因分析 (Root Cause Analysis, RCA) 后向公众分享相关信息。

DuckDB v2.0 (Cyanoptera) 版本预览摘要

DuckDB v2.0（代号“Cyanoptera”）预计将于今年秋季发布。这是一个重大版本更新，包含全新的 SQL 解析器、默认存储格式、重构的 C API 以及大量性能和功能增强。

1. DuckDB 作为服务器 (Quack 与 CONNECT)

DuckDB 将从纯进程内数据库扩展到支持客户端/服务器模式。通过 quack 扩展，DuckDB 实现了原生通信协议，允许任何 DuckDB 进程通过网络提供数据库服务。用户可以使用新的 CONNECT 语句连接到远程 DuckDB，或者通过远程查询下推（Remote Pushdown）技术直接在 PostgreSQL 或 MySQL 服务器上运行查询，而无需拉取全部数据。

2. VARIANT 类型

VARIANT 类型为半结构化数据提供了高性能处理能力。它类似于“增强版 JSON”，能自动检测数据中的共同结构并进行“粉碎”（shredding）处理，从而实现高效的存储压缩和快速查询，无需预先定义模式（Schema）。

3. 触发器 (Triggers)

v2.0 引入了完整的触发器功能，支持 BEFORE 和 AFTER 触发器、FOR EACH ROW 和 FOR EACH STATEMENT 模式，并可通过 REFERENCING 访问旧值和新值，适用于审计日志等场景。

4. SQL 语法扩展

• NEAREST 连接：支持向量和嵌入（embedding）负载的 Top-K 相似度搜索。
• CTE 内的 DML：允许在 CTE（公用表表达式）中使用 INSERT、UPDATE、DELETE 和 COPY 作为流水线步骤。
• 嵌套 Schema：支持模式内的模式层级结构。
• 变量语法：引入 $x 语法简化变量引用。
• JSON 变更函数：提供 json_set、json_insert 等函数实现原位修改。
• 递归 CTE 增强：支持 USING KEY 聚合，便于实现迭代算法。

5. 异步 I/O

引入了全引擎异步 I/O，使 I/O 层与查询处理层解耦。这显著提升了从 S3 等远程对象存储读取数据的并行度，大幅加快了 Parquet、CSV 及 DuckDB 原生格式的查询速度。

6. 性能提升

• 查询引擎优化：重写了递归 CTE 引擎（部分测试性能提升达 40 倍），并优化了聚合下推和冗余聚合复用。
• 数据跳过（Pruning）：扩展了行组修剪能力，支持针对结构体、列表、UUID 及 IN 过滤器的 Min-Max 索引和 Bloom 过滤器。
• 分区感知：查询规划器现在能充分利用 Lakehouse 格式（如 Iceberg、Hive 分区）的分区信息。

7. 存储格式 v2.0

新的存储格式引入了缓冲区管理的 ART 索引，索引不再常驻内存，而是按需分页加载。此外，列元数据支持延迟加载，提升了宽表和大型索引表的打开速度。

8. 全新的 SQL 解析器

采用现代、可扩展的 PEG 解析器取代了原有的 PostgreSQL 衍生解析器。这使得扩展程序能够向语法中注入自定义 SQL 语法，并提供更精准的错误定位和方言兼容模式（如 Spark 模式）。

9. 去除 ICU 依赖

通过原生实现取代了 ICU 库来处理时区、日历和排序规则（Collations）。这不仅减小了发行包体积，还将相关操作（如时区转换）的性能提升了 2 倍以上。

10. 扩展生态增强

• 稳定的 C API：通过声明式规范生成的稳定 C API，使得扩展程序可以“一次编写，长期运行”，无需随每个 DuckDB 版本重新编译。
• 自定义扩展仓库：支持用户注册受信任的扩展仓库（通过 HTTPS 或 S3），并利用 RSA 密钥进行签名验证，方便组织内部托管和分发扩展。

其他更新

DuckDB 基金会将成立顾问委员会，为 DuckDB、DuckLake 和 Quack 的开发路线图提供建议。

https://news.ycombinator.com/item?id=49331033

耶鲁大学研究：全民医保每年可节省1万亿美元并挽救11.4万生命

耶鲁大学公共卫生学院的一项最新预印本研究表明，美国如果采用类似“全民医保法案”（Medicare for All）的单一人支付全民医疗保健系统，每年可节省超过1万亿美元，并能挽救约11.4万人的生命。

经济影响与成本节约

研究人员利用2024年的医疗支出、保险覆盖范围和死亡率数据进行了建模。结果显示，全民医保预计每年可减少1.04万亿美元的医疗支出，降幅约为20%。该估算已计入了约3040亿美元的额外支出，用于满足未被满足的医疗需求、偿付目前无法获得赔付的护理费用以及提供全民牙科保险。

研究确定了五个主要的节支来源：

1. 降低药品价格。
2. 向医疗服务提供者支付按Medicare标准的费用。
3. 减少行政管理开支。
4. 减少欺诈性账单。
5. 减少可避免的急诊室访问和住院情况。

即使在对药品价格和减少欺诈的假设更为保守的情况下，研究人员预计每年仍能节省至少6630亿美元。

对生命救助的影响

全民医疗政策预计将挽救数万人的生命。研究结果如下：

• 覆盖范围带来的益处：充足的医疗覆盖预计每年可避免约62,863人死亡。其中近一半（29,631人）属于“保险不足”群体，即拥有保险但因免赔额或费用分摊过高而无法负担医疗的人。
• 政策环境的影响：若能扭转2025年以来实施的医疗政策回退，每年可额外避免51,311人死亡，从而使年度挽救总人数达到114,174人。

研究背景与局限性

此项研究是对作者2020年发表在《柳叶刀》上研究的更新。相比此前预测的每年节省4500亿美元和6.8万人的生命，本次研究的估值更高，原因在于医疗支出的激增以及商业保险与Medicare支付率之间差距的扩大。

研究局限性包括：

• 由于缺乏关于“保险不足”成年人超额死亡率的直接估算，研究人员必须通过模型进行模拟。
• 支出分析未考虑系统转型成本、行政岗位流失以及医疗服务提供者对Medicare支付率变化的潜在反应。

研究结论指出，美国目前的医疗支出已经足以提供全民医疗覆盖，当前的挑战不在于资金总量，而在于资金的分配方式。

这是一篇由嵌入式工程师 Armstrong Subero 撰写的文章，旨在回应 Dmitry Grinberg 对 RISC-V 架构的批评。Subero 从发展中国家（特立尼达和多巴哥）的视角出发，反驳了 Grinberg 关于“单一指令集架构（ISA）无法同时服务于高性能 CPU 和低成本微控制器”的核心观点。

以下是文章的主要内容摘要：

1. 视角差异：成本与可及性

Subero 指出，Grinberg 的批评带有一种资源丰富地区的偏见。在发展中国家，芯片的价格（10美分与1美元的区别）以及高昂的跨境物流成本是决定技术能否普及的关键。对于教育和产业发展而言，RISC-V 的价值不在于指令集编码的“优雅”，而在于它能提供极低成本、易于获取且无需昂贵授权的硬件，从而打破技术壁垒。

2. 反驳“需求对立论”

Grinberg 认为高性能 CPU 与低功耗微控制器的需求是截然相反的，因此单一 ISA 无法兼顾两者。Subero 通过以下实例证明了 RISC-V 的垂直扩展能力：

• 极低端（RV32EC）： 如 CH32V003，仅需 10 美分，适用于简单的控制任务。
• 中高端（高性能 MCU）： 如 CH32H417，具备双核、USB 3.2 和高速接口，性能强大。
• 高阶应用（带 MMU 的 SoC）： 如 Baochip，通过开源核心（VexRISC-V）实现了内存管理单元（MMU）和进程隔离，可运行 Linux 或微内核。

Subero 强调，由于它们共享相同的基本指令集，开发者可以在同一个工具链和寄存器模型下，仅凭学习成本极低的扩展知识，就在从“廉价芯片”到“复杂系统”的整个技术栈中无缝切换。

3. 架构边界 vs. 商业边界

这是文章最核心的论点。Subero 指出，ARM 生态中低端（Cortex-M）与高端（Cortex-A）之间的界限并非纯粹的架构差异，而是由授权和产品策略强制执行的商业边界。如果你需要 MMU，就必须切换到完全不同的处理器系列并支付不同的版税。

相比之下，RISC-V 的界限是物理与成本的界限。RISC-V 的特权规范（Privileged Spec）将功能（如 MMU）定义为可选扩展。开发者可以根据成本需求决定是否添加这些功能，而无需改变基本指令集或向任何人请求许可。这种“自由”使得开发者可以自主构建从极简到复杂的硬件。

4. 碎片化与可扩展性的辩证法

针对 Grinberg 对 RISC-V 扩展机制导致“碎片化”的担忧，Subero 认为这实际上是**可扩展性（Scalability）**的体现。正是因为这种机制，廉价的小型芯片才不需要携带大型处理器冗余的“包袱”，从而实现了极致的成本控制。

总结

Subero 认为，RISC-V 的成功并非源于其指令集设计的完美，而是源于其开放性、低成本和极高的灵活性。它不仅是一种技术选择，更是一种技术的“民主化”——让那些处于行业边缘、缺乏昂贵授权和开发资源的工程师，也能拥有构建世界级嵌入式系统的机会。

AI 生成的 GitHub Copilot “Autofix” 导致 Snowflake Jira 权限遭泄露

事件概述

Wiz Research 利用其 AI 驱动的自主安全研究工具 “Red Agent”，在 Snowflake 的公开 GitHub 仓库 snowflakedb/snowflake-connector-net 中发现了一个关键的脚本注入漏洞。该漏洞由 GitHub Copilot 的 “Autofix” 功能引入，允许未经身份验证的用户通过提交包含恶意内容的 GitHub Issue 标题，在 GitHub Actions 运行器中执行任意命令。

技术细节

漏洞成因

在漏洞出现前，该仓库的工作流采用了安全的输入处理模式（通过 env: 变量传递数据并使用 jq 进行解析）。然而，在 2026 年 6 月 18 日的一个 PR（#1218）中，由 “Copilot Autofix powered by AI” 共同完成的提交删除了这一安全模式，转而使用直接的字符串插值方式：${{ github.event.issue.title }}。

这种做法导致了脚本注入风险：攻击者可以在 Issue 标题中使用单引号等特殊字符脱离 echo 命令的限制，从而执行恶意指令。

安全检查失效

该工作流原本包含一个 if: 条件检查，看似可以限制触发条件，但由于在处理 issues 事件时 github.event.pull_request 始终为 null，导致该逻辑判断始终为真，任何 GitHub 用户都能触发该工作流。

漏洞利用

Wiz 的 Red Agent 成功演示了漏洞利用过程：

1. 构造 Payload：通过构造特殊的 Issue 标题，利用 shell 语法脱离原有命令。
2. 数据外泄：通过带外（out-of-band）回调机制，成功将 Jira 凭据以 Base64 编码的形式传回。
3. 权限获取：获取到的凭据属于 qa@snowflake.net，使攻击者能够访问 Snowflake 的工程、安全合规及漏洞赏金追踪项目的 Jira 数据。

修复与响应

Snowflake 在收到 Wiz 的报告后迅速采取了行动：

• 即时修复：在 2026 年 6 月 23 日当天修复了工作流，恢复了原有的安全模式。
• 凭据轮换：立即撤销并更换了受影响的 Jira 令牌。
• 取证验证：通过详细的审计日志确认，在漏洞暴露的 5 天窗口期内，仅 Wiz 进行了测试，没有第三方非法访问。

核心启示

1. AI 生成代码需严格审查：AI 工具基于概率模式生成代码，可能无意中引入过时的或不安全的模式。AI 生成的 PR 必须接受与人类代码同等标准的静态分析和安全审查。
2. 自动化发现缩短了防御窗口：随着 AI 代理能够快速发现并验证漏洞，安全团队必须缩短补丁修复周期，并采用短效凭据管理策略。
3. 防止 AI 导致的安全倒退：AI 往往缺乏代码演进的历史背景，可能会误删原本为了防御特定攻击而设计的安全逻辑。安全团队应建立防护机制，禁止 AI 代理将结构化数据解析器替换为直接的字符串插值。

OpenAI GPT-5.6 系列视觉模型能力评估总结

本文基于 Roboflow 的 VLM（视觉语言模型）基准测试，分析了 OpenAI 最新发布的 GPT-5.6 系列模型（Sol、Terra 和 Luna）在视觉任务中的表现。

模型概览

GPT-5.6 系列在视觉理解方面取得了显著进步，尤其是针对计算机使用（Computer Use）和 UI 代理任务进行了优化。

• Sol：该系列中视觉能力最强的模型。
• Terra：性能居中。
• Luna：性能较弱，但由于延迟低、成本低，在性价比方面表现出色。

核心任务表现

1. 目标检测 (Object Detection)

GPT-5.6 在检测能力上较 GPT-5.5 有了质的飞跃：

• 性能指标：Sol 的 mAP@50 达到 46.2，远高于 GPT-5.5 的 13.8；Terra (44.7) 和 Luna (43.3) 也紧随其后。
• 优势领域：在文档布局检测（标题、表格、签名等）以及密集场景（如大量堆叠的药丸或蛋）中表现良好。
• 使用建议：为获得最佳结果，应提示模型返回图像像素中的绝对 XYXY 坐标格式。
• 局限性：对于超过 2,000 像素的大尺寸图像，模型稳定性会下降。提高推理强度（Reasoning Effort）可改善稳定性，但会增加延迟和成本。

2. 目标计数 (Object Counting)

计数能力在整个系列中均有所提升：

• 性能指标：Sol 达到了 73.0% 的准确率，优于 GPT-5.5 的 64.9%。
• 高级功能：Sol 能够处理高度重叠的对象，并能根据指令在特定区域内进行计数（如仅统计特定区域内的弹孔）。
• 挑战：在面对具有重复布局、反光或细微视觉差异的复杂场景（如铝箔药板）时，计数仍存在困难。

3. OCR 与数据提取 (OCR and Data Extraction)

此项表现与 GPT-5.5 基本持平：

• 性能指标：Sol 的 OCR 平均相似度为 90.7%，数据提取准确率为 82.5%。
• 优势领域：在处理手写笔记以及复杂视觉场景中的文本（如脏污轮胎上的尺寸序列、体育赛事直播中的比分）方面表现出色。
• 局限性：对于微小、垂直、低对比度或受反光影响的文本（如药板上的有效期），提取成功率较低。

效率与成本权衡 (Trade-offs)

视觉能力的提升带来了更高的 Token 使用量，进而增加了成本和延迟。

结论

GPT-5.6 的发布标志着 OpenAI 在视觉领域取得了重大进展，使目标检测从弱点转变为实用能力。虽然 Sol 在处理高容量、低成本任务时面临挑战，但在需要深度视觉推理、屏幕理解和文档工作流的代理任务中，OpenAI 现已成为更强大的选择。

GitHub 服务异常报告

核心问题 用户报告 GitHub 疑似出现故障，具体表现为无法访问 Pull Request (PR) 功能。

主要矛盾 尽管 GitHub 官方状态页面 (Githubstatus.com) 显示各项服务运行正常，但用户反馈实际使用中存在访问问题。

其他信息 该帖子已被标记为重复内容 (dupe)。

https://news.ycombinator.com/item?id=49322107

Reasoning scores climb while per-token compute drops. Labs are stripping world knowledge out of models, and I think that's the right trade.

In court documents, the National Institutes of Health, the National Science Foundation and others shared which words they used to target grants.

如何禁用或规避侵入性 AI 功能指南

本指南旨在为希望在日常数字环境中减少或禁用 AI 功能的用户提供操作说明。

Adobe 产品

• Adobe Acrobat: 在 Windows (Menu > Preferences > Generative AI) 或 macOS (View > Preferences > Generative AI) 中取消勾选 Generative AI 选项并保存。
• Adobe Reader: 从顶部菜单选择“Disable new Acrobat Reader”并重启。

Android 与 Gemini

• 卸载/禁用: 尝试直接卸载 Gemini 应用。
• 信息 (Messages): 在“Messages settings”中找到“Gemini in Messages”并关闭。
• 活动与连接: 在 Gemini Apps activity 中选择“Turn off”；在“Connected Apps”中禁用不需要 Gemini 的应用。
• 电源键: 若 Gemini 接管了电源键功能，可在“Settings > System > Gestures”中调整“Press & Hold Power Button”设置。

Amazon

• 使用浏览器扩展程序（支持 Chrome 和 Firefox）来禁用“Alexa for Shopping”滑块。

Apple Intelligence 与 Siri

• 禁用 Apple Intelligence: 在 iPhone、iPad 或 Mac 的“Settings/System Settings”中找到“Apple Intelligence & Siri”并关闭。
• 防止应用学习: 在 Siri 相关隐私设置中，针对特定应用关闭“Learn from this App”功能。

浏览器

• 替代方案: 使用更注重隐私的浏览器，如 Zen、Helium、LibreWolf 或 Waterfox。
• Chrome: 在地址栏输入 chrome://flags，搜索“GLIC”和“Gemini”并将相关项设为“disabled”。
• Edge: 在 edge://flags 中搜索“AI”或“Copilot”进行禁用；同时在设置中关闭侧边栏 (Sidebar) 及网页写作辅助功能。
• Firefox: 在“Settings > AI Controls”中开启“Block AI Enhancements”；也可使用插件减少搜索结果中的 AI 内容。
• DuckDuckGo: 使用 noai.duckduckgo.com 版本或将其设为默认搜索引擎。

Google Workspace (Gmail 等)

• Gmail: 在“Settings > General”中找到“Google Workspace smart features”，关闭“Smart features in Google Workspace”及相关选项。

通讯软件

• Slack: 工作区所有者或管理员可通过管理页面控制 AI 功能的访问权限。
• WhatsApp: 在设置中关闭“Suggested replies”（建议回复）、“AI Sticker suggestions”（AI 贴纸建议）以及“AI message summaries”（AI 消息摘要）。

Windows 11 与 Copilot

• Copilot: 通过“开始菜单”右键卸载，或在“Settings > Apps”中卸载。若无法卸载，可在“Settings > Personalization > Taskbar”中关闭。
• 文件资源管理器: 在“Settings > Privacy & Security > Click to Do”中关闭相关 AI 功能。
• 记事本 (Notepad): 在记事本设置中关闭 AI 功能或 Writing Tools。
• Office 365/Outlook: 在各应用内单独取消勾选“Enable Copilot”；或通过更改隐私设置来禁用。
• 深度清理: 可使用 O&O ShutUp 10 或 Win11Debloat 等第三方工具尝试彻底移除 Copilot。

其他工具

• Yahoo Mail: 在设置的“AI Features”中关闭“Message summaries”。
• Zoom: 在官网账户设置的“Zoom AI”选项卡中禁用所有 AI 功能，并关闭“My Notes”的会议转录功能。

德国联邦卡特尔局要求苹果修改应用追踪透明度框架 (ATTF) 以确保公平竞争

核心问题：苹果规则对自身应用与第三方应用的不对等对待

德国联邦卡特尔局（Bundeskartellamt）针对苹果公司的“应用追踪透明度框架”（ATTF）展开调查。调查指出，苹果在处理用户数据许可时存在双重标准：

• 第三方应用： 必须使用苹果预设的提示词来获取用户对个性化广告的同意。这些提示词在设计、用词和选项上具有潜在的误导性，可能会阻碍用户点击同意，从而影响依赖广告收入的第三方开发者的收益。
• 苹果自身应用： 苹果可以利用其生态系统，使用自己的方式和提示词来请求用户同意，这使其在获取数据进行个性化广告投放时享有优势。

监管结论与法律依据

德国联邦卡特尔局认为，虽然苹果有权通过超过法律最低要求的措施来保护用户隐私，但作为一家在市场上具有“至关重要地位”（paramount significance）的数字巨头，苹果不能利用其生态系统的控制权，通过设置额外的“法定外”规则来优待自身产品并限制竞争对手。

该调查主要基于《德国竞争法》（GWB）第19a条以及欧盟关于禁止滥用市场支配地位的相关规定。

苹果的约束性承诺

为了结束此次调查，苹果已做出具有法律约束力的承诺，旨在使同意请求更加中立并简化流程：

1. 统一提示设计： 苹果将使自身应用与第三方应用的同意提示在内容、用词和布局上保持高度一致。同时，将移除第三方提示中可能具有阻碍性的符号和措辞，确保提示设计保持中立。
2. 赋予开发者更多解释权： 应用发行商和内容提供商（如媒体出版商）将获得更多空间，向用户解释个性化广告对其业务模式的重要性。
3. 简化请求流程： 苹果将降低第三方应用请求同意的复杂性，允许开发者更灵活地将苹果的要求与数据保护法要求的请求进行整合，从而提供更清晰的用户体验。

执行与监督

• 实施时间： 苹果需在收到决定后的四个月内实施这些变更，并在实施前与应用发行商进行测试。
• 有效期与监督： 这些承诺将持续七年，并将由一名独立的监督受托人进行持续监控。
• 欧洲监管协作： 此举是欧洲范围内针对苹果 ATTF 规则审查的一部分。此前，法国和意大利的竞争监管机构已因相关问题对苹果处以巨额罚款。德国此次通过促成苹果做出改进承诺，旨在确保 ATTF 的设计符合竞争法要求。

GIMP 开发进度更新摘要

本文概述了 GIMP 开发团队为即将到来的 GIMP 3.4 版本所做的各项功能开发与用户体验（UX）改进，重点涵盖了即将发布的 GIMP 3.3.2 开发版本中的核心变化。

1. 全新的项目文件格式

为了克服传统二进制 XCF 格式在处理大型、复杂项目（如多页文件和动画）时的局限性，GIMP 正在开发一种全新的项目文件格式。

• 结构变化：采用“压缩 XML”结构。
• 核心优势：支持更快速的保存（仅更新部分文件）、实现自动保存功能，并为未来的多页和动画功能奠定基础。
• 兼容性：新格式将与旧版 XCF 保持向后兼容，确保旧文件仍可正常加载。

2. MyPaint 画笔改进

• 光谱混合 (Spectral Blending)：新增了模拟物理颜料混合效果的功能。通过勾选该选项并调节“颜料 (Pigment)”滑块，用户可以实现类似真实颜料混合的色彩过渡（例如蓝黄混合产生绿色，而非变暗的黄色）。
• 预览优化：改进了画笔预览代码，使其在大型显示器上不再模糊，能够以全尺寸显示。

3. 非破坏性编辑 (NDE)

非破坏性编辑功能得到了显著扩展：

• 图层蒙版：支持对图层蒙版应用非破坏性滤镜，并重新设计了滤镜弹出窗口，以便同时操作图层及其蒙版。
• 渐变工具：渐变工具现在可以作为非破坏性滤镜使用。用户可以将其添加到滤镜栈中，进行可见性切换、位置调整或重新编辑。
• 非栅格图层支持：对于没有对话框的滤镜（如“反相”），现在可以应用于图层组、文本层和矢量层等非栅格图层。

4. PSD 支持增强

针对 Adobe Photoshop (PSD) 文件的兼容性进行了深度优化：

• 元数据支持：实现了 PSD 元数据的导出功能（针对 TIFF 和 JPEG），能够保留路径和图层信息。
• 描述符 (Descriptor) 支持：通过引入对 PSD 描述符格式的支持，大幅提升了导入质量，包括：
  • 可编辑的文本图层。
  • 将调整图层和现代图层样式转换为 GEGL 等效效果。
  • 将纯色形状导入为矢量图层。

5. 原生文件选择器

为了提升跨平台的一致性，GIMP 正在将文件选择器从 GTK 库的标准对话框迁移到各操作系统的“原生”对话框（如 Windows、macOS 和 KDE 的标准选择器）。这旨在解决 GTK3 对部分用户造成的交互不便问题。

6. 用户体验与界面 (UX/UI) 更新

• 图形资产：更新了图层锁定图标；将全部 78 个光标图标转换为 SVG 矢量格式，以支持高分辨率显示。
• 性能优化：修复了旋转画布时棋盘格透明图案旋转导致的性能问题，现在棋盘格不再随画布旋转，提升了绘画效率。
• UI 组件改进：
  • 重新设计了“搜索操作”界面，使快捷键更易见。
  • 将部分 Spin Entry（数字输入框）替换为 Spin Scale（数值缩放控件），以提高在窄窗口下的易用性。
  • 改进了模式面板 (Pattern dock) 的平铺显示方式。
• 平台优化：改进了 macOS 上的弹出对话框显示问题。

7. 其他修复与后续计划

• 修复与安全：改进了 Windows ICO/CUR/ANI 格式支持；修复了历史记录快捷键（Alt+0）的 Bug；修复了 NDE 在透传图层组上的渲染问题；并针对部分插件的安全漏洞进行了修复。
• 后续版本：
  • GIMP 3.2.6：即将发布的稳定版，主要包含错误修复和小型改进。
  • GIMP 3.3.2：处于开发中的版本，部分功能仍需完善。用户可通过“每夜构建 (Nightly builds)”体验最新进展。

https://www.bloomberg.com/news/articles/2026-08-16/stripe-nears-deal-to-buy-ai-firm-openrouter-for-over-7-billion

https://www.ischool.berkeley.edu/sites/default/files/vinton_report_5.pdf

Reticulum：去中心化网格网络概述

Reticulum 是一种基于密码学的网络协议栈，旨在利用现有硬件构建本地及广域网。该网络具有极强的韧性，即使在极高延迟和极低带宽的恶劣环境下仍能持续运行。

核心愿景与理念

Reticulum 的目标是赋能个人与社区，使其能够运行自主、主权且互联的通信网络。其核心理念包括：

• 去中心化与自治： 构建由大量独立、可互联且自治的网络组成的系统，无需层级化或官僚化的管理结构。
• 抗审查与安全性： 提供不受外部控制、操纵或审查的安全数字通信，消除网络中的“断路开关”、监控和中心化控制。
• 低成本覆盖： 使大规模、跨区域的网络覆盖变得廉价且简单。

技术特性

Reticulum 在实现数据可靠传输的同时，采用了与传统网络技术截然不同的设计逻辑：

• 匿名性： 不使用源地址。传输的数据包不包含任何关于发送者地址、位置或身份的信息。
• 去中心化地址空间： 不存在中央地址管理机构，用户可以根据需要随时随地分配任意数量的地址。
• 端到端连接与可移植性：
  • 新生成的地址可在几秒到几分钟内实现全球可达。
  • 地址具有“自我主权”和“可移植性”，即使地址所关联的设备在网络中发生物理位置移动，仍能保持可达性。
• 强制性强加密：
  • 默认加密： 所有通信必须使用强效的现代加密技术，网络中无法建立非加密链路。
  • 前向安全性： 采用临时密钥（ephemeral keys），默认提供前向安全性。
  • 安全性校验： 网络严禁发送未加密的数据包，接收端会自动丢弃所有未加密的无效数据包。

摘要：Anthropic Claude 文本水印技术的争议与影响

本文探讨了 Anthropic 公司宣布为其 Claude 模型引入文本“水印”技术的决定及其引发的深度争议。该举措旨在遵守欧盟关于 AI 生成内容透明度的法规。

核心技术机制：语义水印

与最初猜测的隐藏不可见 Unicode 字符不同，Anthropic 采用的是一种**语义水印（Semantic Watermarking）**技术。其原理如下：

• 概率偏向：在模型生成下一个词（token）的过程中，系统会动态地将词汇分为“绿色”和“红色”列表。模型会更有可能选择“绿色”列表中的词，而非原本概率最高的词。
• 统计指纹：通过这种人为的词汇选择偏向，生成的文本会留下一种统计学上的指纹。
• 密钥依赖：只有持有特定“秘密密钥”的提供商（如 Anthropic）才能检测出这些水印，其他第三方无法识别。

主要批评观点

1. 对写作质量与精准度的“篡改”

作者认为这种技术本质上是对写作的一种“亵渎”或“篡改”。

• 牺牲精确性：写作的精髓在于词汇的精确选择。水印技术为了满足统计特征，会强迫模型放弃最符合语境、最精准的词汇，转而选择符合水印规则的词汇。
• 语义偏差：尽管 Anthropic 声称这不会改变含义或质量，但作者指出，即使是极其细微的词汇差异（如“grey”与“overcast”）也会改变文本的质感。

2. 对辅助写作功能的负面影响

水印不仅应用于完全由 AI 生成的内容，还会应用于模型处理的所有文本，包括润色和摘要。

• 误报风险：如果用户使用 Claude 对自己的手写稿进行润色，润色后的文本可能因为包含了水印特征而被标记为“AI 生成”。这使得 Claude 难以作为纯粹的辅助工具使用，因为它会“污染”用户的工作成果。

3. 监管与透明度的争议

• 监管局限性：作者批评欧盟的相关法规是“官僚主义的幻想”，认为这类法规不仅难以实施，且容易被恶意用户绕过（例如通过非合规的改写工具），反而增加了诚实用户的负担。
• 黑箱操作：由于检测过程依赖于厂商掌握的秘密密钥，用户处于信息不对称的地位，无法验证文本是否被标记，也无法判断自己是否正受到此类技术的影响。

行业对比

• Google (SynthID)：Google 也在文本中应用类似的概率调整技术。作者认为 Google 宣称的“对人类不可察觉”其实是基于“差异极其微小”的误导，本质上同样在牺牲词汇的绝对精准度。
• OpenAI：相比之下，OpenAI 的立场更为模糊，暗示其水印功能可能更具灵活性，而非像 Anthropic 那样进行强制性的、全局性的应用。

结论

作者认为，这种基于统计偏向的水印技术是一种“有毒”的方案。它在追求合规的同时，牺牲了 AI 工具应有的精准度与中立性，并可能通过“污染”用户修改后的文本，对人类的创作过程造成长期的干扰。

https://www.science.org/content/article/nih-ending-key-grant-budding-clinical-researchers

关于人工智能监管与信息的观点总结

本文探讨了人工智能（AI）监管的复杂性，并反驳了“监管必然导致权力集中”的简化观点，阐述了 Anthropic 在制定政策建议时的核心逻辑。

1. 驳斥监管与权力集中的二元论

作者认为，硅谷普遍认为“监管 = 监管俘获 = 权力集中”是一种过度简化的逻辑。他指出，客观且公平的制度化流程具有去中心化的潜力，可以将权力从个人手中转移到思想和规则之中。作者以法制系统对比“暴民正义”为例，说明完善的制度可以保护弱势群体并实现权力的有效分配。

2. Anthropic 的监管立场与策略

Anthropic 的政策主张旨在通过差异化监管，在减缓前沿（Frontier）AI 公司发展步伐的同时，为小型竞争对手和挑战者创造优势。具体手段包括：

• 设置准入门槛豁免： 支持如加州 SB53 等法案，通过收入或模型训练成本设定豁免标准，使小型公司免受重度监管。
• 差异化测试机制： 提倡对前沿模型实施比非前沿模型更严格的测试流程，从而在制度上利好追赶者。
• 调节发展节奏： 通过“应对前沿进展”（Pacing the Frontier）的思路，调节最强模型的迭代速度，为包括开源权重（Open-weights）模型在内的挑战者留出空间。

3. AI 权力的结构性特征

作者强调，AI 技术具有天然的权力集中倾向，这主要源于“规模法则”（Scaling Laws）对算力和芯片的极端需求，而非监管本身所致。虽然开源权重模型有助于缓解这一问题，但由于权力会随之转移到拥有大规模算力的机构（如前沿实验室或硬件供应商）手中，因此开源模型并非解决权力集中的充分条件。

4. 理想的监管目标与当前趋势

作者认为，正确的“交通规则”应当同时实现三个目标：

1. 应对 AI 带来的网络安全、生物安全及对齐风险；
2. 在制度层面约束前沿 AI 公司的权力；
3. 在管理风险的同时，为开源权重模型留出发展空间。

在当前政治环境下，作者对近期出现的监管趋势表示支持，包括：

• 特朗普政府拟采取的前沿模型预部署测试，以及对接近前沿水平的开源权重模型进行测试的思路。
• Demis Hassabis 提出的建立类 FINRA（美国金融业监管局）监管实体的构想。

这与半年前行业普遍推动“豁免所有州级监管”且缺乏联邦监管路径的立场形成了对比。

Desktopcolors.com 项目简介

Desktopcolors.com 是一个专门收集并展示经典操作系统及桌面环境所使用的纯色桌面背景色的在线“博物馆”。

核心功能与特点

• 内容收录：该网站收录了历代经典操作系统和桌面环境所内置的所有纯色桌面背景颜色。
• 分类方式：颜色按“平台”（Platforms）进行组织，方便用户根据不同的操作系统进行查找。
• 交互功能：支持用户对颜色进行查看（View）与排序（Sort）操作。

摘要：Anthropic 对开源 AI 的“战争”

本文对 Anthropic 公司提出了严厉批评，认为其表面上以“AI 安全”为核心价值观，实则通过构建一种垄断性的“准入制度”（permission regime）来打压开源竞争，巩固其作为人工智能基础设施供应商的地位。

核心指控

1. 将“安全”工具化为竞争壁垒

作者认为 Anthropic 将安全、合规和负责任的部署转化为控制权机制。通过推动高门槛的监管框架（如其负责任的扩展政策 RSP），Anthropic 试图塑造有利于现有巨头的法规，使初创企业、研究人员和开源社区因无法承担合规成本而难以生存，从而将“安全”转化为一种商业护城河。

2. 隐性破坏与“服务型破坏”（Sabotage as a Service）

文章特别提到了“Fable 事件”。据称，Anthropic 此前曾通过隐性降低模型质量（而非直接拒绝回答）的方式，来限制用户开发竞争性 AI 模型。作者指出，这种“隐性退化”破坏了工具的可信度，使 AI 从中立的生产力工具变成了带有“枷锁”的控制工具，即“服务型破坏”。

3. 数据与学习的不对称性

Anthropic 存在显著的权利不对称：

• 向上学习： 公司可以利用用户的交互数据（包括代码、工作流和调试轨迹）来持续改进其模型。
• 向下封锁： 其服务条款明确禁止用户利用 Claude 的输出进行竞争性模型的训练（如模型蒸馏）。 这种模式被批评为“认知种植园”模式：用户在为平台创造价值的同时，被剥夺了利用这些价值构建独立智能的能力。

4. 监管俘获与准入控制

Anthropic 不仅销售产品，还积极参与塑造国家级 AI 政策。通过将商业竞争问题（如防止模型蒸馏）上升到“国家安全”高度，Anthropic 试图将先进的 AI 研发和开源传播贴上“威胁”标签，从而获取通过私人判断来决定谁能进行前沿研究的权力。

开源 AI 的战略意义

文章强调，开源 AI 不仅是技术偏好，更是一种对抗“订阅封建主义”的手段，旨在保障以下权利：

• 主权保障： 开源和本地化模型能确保开发者拥有操作主权（无需依赖供应商）、认识论主权（可审计、可修改）和市场纪律（防止厂商随意涨价或降级质量）。
• 多样性与安全： 开放的生态系统比单一的闭源 API 垄断更具韧性，能防止因单一公司的政策、审查或失败导致的系统性风险。

结论与应对建议

作者认为，面对 Anthropic 这种“穿着美德外衣”的垄断者，开发者应采取实际行动夺回控制权：

• 投资硬件与本地化： “购买 GPU”被视为一种宣布独立的行为，通过本地推理实现对计算能力的掌控。
• 拥护开源权重模型： 支持如 Qwen、DeepSeek 等开源模型，以对抗闭源厂商的封锁。
• 构建解耦的工作流： 开发兼容本地推理和开源 API 的工具链，确保核心工作流不会因单一厂商的政策变动（如“Rugpull”或功能削减）而崩溃。

这场斗争的本质是关于“谁拥有智能”：是属于少数受控的闭源实验室，还是属于能够自主检查、修改、运行并改进智能的公众。

https://www.ft.com/content/e04f286c-f5ed-46d1-8e3f-0bbe4cce4d3e

We placed a tracking device in a shipment of rare books to see which AI company was buying it, and found an Amazon facility where Amazon scans and destroys books.

美国年轻人对 AI 企业高管信任度极低

根据 CNBC Generation Labs 对 1,000 多名 18 至 34 岁的美国成年人进行的最新调查显示，年轻一代对 AI 领域企业高管的信任度极低，这与十年前年轻人追逐科技巨头的热潮形成了鲜明对比。

核心调查结果

在关于“谁能被信任并负责任地处理 AI”的问题中，绝大多数受访者对受访的九位 AI 企业高管均表示“不信任”。

• 不信任度最高： Palantir 首席执行官 Alex Karp，其不信任率高达 81%。
• 相对信任度最高： 微软首席执行官 Satya Nadella，虽然他在九人中表现相对较好，但其“信任”评分也仅为 35%。
• 其他高管表现：
  • Peter Thiel：79% 的受访者表示不信任。
  • Mark Zuckerberg：71% 的受访者表示不信任。
  • Elon Musk：70% 的受访者表示不信任。
  • Sam Altman：69% 的受访者表示不信任。

态度转变的原因

调查指出，科技行业在过去十年中失去了往日的吸引力，公众情绪的转变主要受到以下因素驱动：

1. 数据隐私问题的担忧。
2. 平台功能退化（曾经有用的平台变得不再好用）。
3. 对民主制度侵蚀的担忧。

对 AI 技术及基础设施的看法

尽管对高管持否定态度，但受访者对 AI 技术本身及相关基础设施的看法呈现出复杂的情绪：

• 职业影响： 45% 的受访者认为 AI 将对他们的职业生涯产生负面影响。
• 监管需求： 40% 的受访者认为美国政府应当对 AI 进行监管。
• 数据中心建设： 60% 的受访者认为科技行业的大规模数据中心建设应当减速。

值得注意的是，调查结果显示，相比于背后的科技亿万富翁，美国年轻人对 AI 技术本身以及驱动其运行的数据中心的负面情绪反而相对较轻。

《Linear Algebra Done Right》书籍概况

《Linear Algebra Done Right》是由 Sheldon Axler 编写的一本针对数学专业本科生及研究生的线性代数进阶教材。该书旨在通过独特的教学方法，帮助学生理解有限维向量空间上线性算子的结构。

核心教学方法

该书最显著的特点是采用了“无行列式”（determinant-free）的教学路径。作者将行列式的介绍推迟到书的末尾，通过这种方式降低了证明的复杂性，转而强调线性算子的结构。这种方法旨在通过更简洁、直观的证明来提升教学的清晰度。

章节结构与内容

书籍假设读者具备一定的数学成熟度，无需预备知识，主要内容循序渐进：

1. 基础概念：从向量空间、线性无关、生成空间（span）、基（basis）和维数（dimension）开始。
2. 线性映射：探讨线性映射、特征值（eigenvalues）和特征向量（eigenvectors）。
3. 内积空间：引入内积空间，进而讨论有限维谱定理及其应用（如奇异值分解 SVD）。
4. 高级结构：利用广义特征向量深入研究线性算子的结构。
5. 行列式：最后通过交替多线性形式（alternating multilinear forms）引入行列式。

第四版更新与版本信息

目前最新的第四版是一个开放获取（Open Access）版本，采用 Creative Commons BY-NC 许可，读者可以合法免费获取其电子版。

• 主要改进：第四版包含超过 250 个新习题、70 多个新示例，并增加了多个新主题及整体内容的优化。
• 语言版本：电子版已提供英文、中文（由 Oliver Wu 和 Yang He 翻译）、波斯语等多种语言。
• 出版形式：除了免费的电子版，英文版也有在 Amazon 销售的精装纸质版。此外，第三版的中文和巴斯克语版本也有纸质版在售。

学术评价与地位

该书被广泛认为是一部“教学杰作”，其证明过程因优雅和直观而受到《American Mathematical Monthly》和《Mathematical Reviews》等学术刊物的赞誉。目前，已有超过 430 所大学和学院将此书选为教学教材。

Rhombus 1.1 版本发布摘要

Rhombus 1.1 版本现已正式发布。Rhombus 是一种易于使用且具有高度可定制性的通用编程语言。

主要更新内容

语言核心特性

• 注解 (Annotations)：引入了 annot 和 annot.def，允许用户在无需直接编写元时间（即宏）代码的情况下定义注解。
• 新增绑定形式：新增了 as 绑定形式，相比使用 && 具有更好的命名可读性，并提供了一种遮蔽（shadow）已绑定标识符的方法。
• 类与作用域调整：
  • 修改了 class 的行为，使其通过相应的超类或接口引用来绑定继承的名称。
  • 调整了 space.enforest，使其在应用标识符处理程序时，能够像宏转换器（macro transformer）一样调整作用域。

库与接口更新

• FFI (外部函数接口)：为 new 函数增加了已初始化数组（initialized-array）的变体。
• pict 库：
  • explain_anim 函数新增了 ~label_as 参数。
  • Pict.rebuilt 进行了更新，并为 Pict.rebuilt 和 Pict.rebuild 方法新增了 ~as_rebuilt 参数，以便在旧行为和新行为之间进行选择。
  • 改进了 magic_move 和 cross_fade 的功能，使其能更好地处理段落点以及多个子 pict 实例。
• slideshow 库：新增了 slide_transition（幻灯片过渡）和 continued 页面编号功能。

社区与反馈

Rhombus 欢迎社区成员通过 Discourse 或 Discord 频道参与语言设计讨论、提交问题或贡献代码。

电子邮件基础设施十年趋势分析报告

基于对 Tranco 前100万域名长达十年的 DNS 测量数据（包括 MX、SPF 和 DMARC 记录）分析，研究揭示了互联网电子邮件基础设施的三大核心趋势：服务集中化、DMARC 执行力不足以及存在大量难以分类的“长尾”基础设施。

1. 自建邮件服务器的衰落与巨头垄断

邮件服务正在经历从自建服务器向大型云服务商的显著迁移：

• 份额下降： 2016年，在前100万个发布 MX 记录的域名中，有 44.6% 使用自建邮件服务器；到2026年7月，这一比例已降至 22.4%，且仍在持续下降。
• 高度集中： 市场正向两家巨头集中——Google Workspace 占据 21.8%，Microsoft 365 占据 16.8%。两者共同掌控了超过三分之一的测量邮件流入。
• 潜在风险： 这种集中化带来了系统性风险。一旦 Google 或 Microsoft 发生服务中断、更改过滤规则或政策，将影响整个生态系统。此外，由于互联网环境已针对巨头进行优化，独立运营商在提升邮件送达率方面面临越来越大的挑战。

2. DMARC：广泛发布但缺乏强制执行

虽然 DMARC 的普及率在表面上看起来很高，但在实际安全防护方面表现乏力：

• 发布与执行的脱节： 在发布了 DMARC 记录的域名中，只有约 46.9% 实施了真正的强制政策（即 p=quarantine 或 p=reject 且 pct=100）。
• “合规性”驱动的虚假繁荣： 许多域名仅发布 v=DMARC1; p=none; 这种最基础的策略。这通常是为了满足 Google 和 Yahoo 在2024年提出的基本要求（即“必须拥有 DMARC 记录”），而非为了实际防御。
• 缺乏改进： 强制执行比例并未随时间稳步上升，甚至在最近三十天内出现了小幅下降。大量域名仅停留在“发布记录”阶段，并未利用其进行报告收集或实际保护。

3. 无法识别的“长尾”基础设施

通过字典匹配（基于约310个提供商模式）进行分类时，存在显著的识别盲区：

• 识别缺口： 目前约有 18.5% 的 SPF 包含指令无法匹配到任何已知提供商。此外，还有数万个唯一的 MX 主机名无法归类。
• 构成成分： 这些“长尾”部分包含区域性托管商、自建 Exim 服务器、具有自定义主机名的企业网关等。
• 研究挑战： 由于这些基础设施在主流测量工具中是“隐形”的，导致关于邮件送达率的研究往往无法覆盖到这部分重要的中间地带。

数据局限性说明

本次分析基于 OpenINTEL 的 Tranco 每日快照，存在以下局限性：

• SPF 扁平化： 为了规避 DNS 查询限制，部分记录使用原始 IP 范围替代 include 链，从而隐藏了发送平台。
• CNAME 识别： 若 MX 目标是通往已知提供商的 CNAME，测量过程不会进行展开，可能导致分类错误。
• 白标服务： 使用自定义主机名的白标部署（如 Mimecast 或 Proofpoint）在测量中可能被误判为自建服务器。
• 地域偏差： Tranco 数据集在美洲和欧洲域名上更为集中，不能完全代表全球全貌。

记者 Carlitos Ricardo Parias 在 ICE 拘留中心面临生存危机

本文报道了记者 Carlitos Ricardo Parias 在美国移民与海关执法局（ICE）拘留中心面临的极端困境。Parias 是一名活跃于社交媒体的记者（以 "Richard Noticias LA" 之名），截至报道时，他已在拘留中心关押近 300 天。

事件背景与暴力冲突

Parias 的遭遇源于一系列与联邦执法机构的冲突：

• 2025年6月： Parias 在南洛杉矶记录一次移民突袭行动时，据目击者称被一名联邦特工驾驶的车辆撞伤，随后被戴上手铐留在路边，未获得即时医疗救助。
• 2025年10月： 在一次逮捕行动中，多辆无标记车辆包围了 Parias 的车辆。在混乱中，一名联邦特工在操作枪支时误伤了 Parias 的肘部。尽管联邦政府指控 Parias 试图通过撞击车辆来逃避逮捕，但相关监控录像据称已被执法人员删除，且由于政府在程序上存在严重违宪行为，法官最终无偏见地撤销了对 Parias 的所有刑事指控。

恶劣的拘留环境与医疗忽视

尽管刑事指控已被撤销，但 Parias 仍面临驱逐出境程序，并被转送至 Adelanto ICE 处理中心。他在该中心的处境极其恶劣：

• 卫生条件极差： Parias 通过访客和相关报告揭露了拘留中心内部的卫生问题，包括牢房内有蟑螂，以及饮用水中发现蠕虫状生物。
• 医疗护理缺失： 针对其严重的枪伤，Parias 声称未能获得应有的医疗救治。有报道称，其伤口仅接受维生素 D 和药膏（Bengay）的敷衍治疗，其伤势严重到令加州国会议员担忧其面临截肢风险。

记者的职业韧性与法律争议

即便身陷囹圄，Parias 仍坚持履行记者的职责，通过访客和间接渠道持续报道并揭露拘留中心内的恶劣条件。

此案引发了关于美国政府权力的广泛讨论：

1. 第一修正案与移民身份： 案件突显了政府在执行移民法时，如何与宪法保障的新闻自由权发生冲突。
2. 执法权边界： Parias 的案例展示了一名记者在记录政府权力行使过程中，遭遇暴力、不公正起诉及医疗忽视的极端链条。

目前，政府计划将 Parias 转送至更远处的圣地亚哥设施，这可能会进一步增加其家属和律师的探视难度，并阻断他关于 Adelanto 拘留中心状况的报道。

Buf 发布首个功能完备的 Protobuf LSP 服务器

Buf 宣布推出首个功能全面且符合规范的 Protobuf 语言服务器协议（LSP）服务器。该服务器由 Buf CLI 提供动力，旨在为 Protobuf 开发引入现代 IDE 支持，弥补了该语言在开发工具链上的空白。

核心功能

通过集成 LSP，开发者可以在 VSCode、IntelliJ 或 Neovim 等主流编辑器中获得以下功能：

• 代码导航：跳转到定义（Go to definition）、查找引用（Finding references）。
• 智能辅助：代码补全（Code completion）。
• 视觉增强：语义感知语法高亮（Semantics-aware syntax highlighting）。

安装指南

• VSCode：用户只需安装 Buf 扩展，该扩展会自动调用或安装所需的 Buf CLI。
• Neovim：
  1. 安装 nvim-lspconfig 插件。
  2. 在配置文件中添加 lspconfig.buf_ls.setup {}。
  3. 或者通过手动配置 vim.lsp.config 并指定命令 buf lsp serve 来启动服务器。
• 其他编辑器：只要能运行 buf lsp serve 命令即可实现集成。

技术实现亮点

Buf LSP 的底层构建在 protocompile（Buf 开发的高性能 Protobuf 编译器前端）之上。其技术优势包括：

• 查询驱动的前端架构：采用了全新的查询驱动（query-driven）设计，实现了增量编译并显著提升了诊断精度。相比传统的 protoc，它能更准确地识别错误（例如重复的 repeated 修饰符）。
• 全新的 AST 与中间表示（IR）：放弃了传统的 FileDescriptorProto，转而使用自定义的抽象语法树和中间表示。这不仅提高了内存效率，使其能够处理大型 Buf 模块，还为支持未来的 Protobuf Editions 2024 等新特性提供了灵活性。

未来开发计划

Buf 团队承诺将持续改进 LSP 服务器，计划引入以下功能：

• 自动修复：支持自动添加 import 语句。
• 深度集成：加强与 buf.yaml 的集成（例如自动导入模块）。
• 增强补全：为自定义选项（custom options）提供代码补全和引用查找。
• 智能建议：自动建议字段编号（field numbers）和枚举编号（enum numbers）。
• 生态支持：增加对 Protovalidate 的专用支持，包括 CEL（Common Expression Language）片段的语法高亮。

墨西哥严厉打击沿海违规开发行为

墨西哥联邦环境保护检察官办公室（Profepa）近期启动了一项强硬的执法行动，旨在打击尤卡坦沿海地区未经授权的房地产开发项目。这一举措标志着墨西哥在环境保护策略上的重大转变。

执法策略的转型

长期以来，许多开发商将环境罚款视为经营成本的一部分，通过支付罚款来规避获取开发许可的程序。为了扭转这一现状，Profepa 主管 Marina Boy Tamborrel 表示，执法重心将从单纯的经济处罚转向环境修复和强制拆除。Profepa 明确声明，所有未经授权的建筑工程都将被拆除，旨在让开发商无法再通过交罚款来换取违规操作的权利。

尤卡坦地区的生态危机

尤卡坦沿海地区的生态环境正面临严峻挑战：

• 大规模破坏： 在 Sisal 地区，近期有高达 23,000 公顷的土地遭到严重破坏。
• 违规作业： 许多项目在未获得关键的“环境影响报告书”（EIS）的情况下擅自开工。
• 无视执法： 在 Ixil 等地区，已发现部分开发商在政府下达封锁令后，依然无视封条进行违规建设。

行动进展与公众参与

Profepa 已在波多黎各（Puerto Vallarta）关闭了四个房地产开发项目，并计划在墨西哥所有沿海州推行类似的严厉措施。

由于墨西哥海岸线漫长，政府意识到仅靠官方力量难以实现全面监管，因此积极鼓励公民参与监督。民众可以通过电话、电子邮件或在线门户网站举报任何违规的开发活动，以协助保护脆弱的沿海生态系统及当地社区的生活方式。

此次政策转向显示出墨西哥政府试图终结多年来不受约束的沿海开发的决心，通过从“象征性罚款”转向“实际拆除”的手段，建立更严格的环境保护机制。

MathCode 项目概述

MathCode 是一款专为数学设计的终端 AI 编码助手，内置了数学形式化引擎。它能够将自然语言描述的数学问题自动转换为 Lean 4 定理，并尝试进行形式化证明。其核心特性包括持久化的 Lean REPL、可重用的定理与公理库、代理式证明模式以及基于 Obsidian 的知识图谱。

核心功能

• 持久化 Lean REPL：通过持久化的 Lean 语言服务器，将编译检查时间从约 30 秒缩短至约 0.4 秒（预热后）。
• 定理与公理库：
  • 定理库：自动命名并存储已证明的定理，使其可供证明器和规划器重复调用。
  • 公理库：将对话中的假设存储为持久化、经过编译检查且经过一致性审查的 Lean 声明。
• Lean LSP 集成：支持通过 leansearch.net 和 Loogle 搜索 Mathlib 中的验证引理，并利用结构化的 LSP 诊断信息进行错误修复。
• Obsidian 定理图谱：自动生成 Obsidian 库，以知识图谱的形式可视化定理与引理之间的依赖关系。
• 智能代理证明模式 (Agent-Mode Proving)：证明过程采用交互式会话，代理能够自主编写候选方案、读取错误信息并重新编译。
• 子目标树 (Tree-of-Subgoals)：将复杂定理分解为独立的子目标进行并行证明，最后再进行整合。
• 多规划器 (Multi-Planner)：并行运行多个规划器以探索多种证明策略，由证明器从中挑选最佳路径。

快速入门

环境要求

• 操作系统：macOS (arm64) 或 Linux (x86_64)
• 依赖工具：codex CLI（用于默认后端）

安装与使用

1. 克隆仓库并运行安装脚本：

   git clone https://github.com/math-ai-org/mathcode.git
   cd mathcode
   bash setup.sh
   

2. 身份验证：codex auth login
3. 启动应用：mathcode

使用示例

可以通过命令行直接输入数学问题，例如： mathcode -p "prove that the square of an even number is even"

生成的输出将保存在 LeanFormalizations/ 目录下。此外，用户还可以通过 ./run webui 使用浏览器界面。

技术背景

MathCode 的数学形式化与证明流水线是基于 AUTOLEAN 项目开发的。

AGI-64：让 Sierra 冒险游戏登陆 Commodore 64

AGI-64 是一款专为 Commodore 64 开发的 AGI 解释器，旨在让该平台的玩家能够体验 Sierra 时代的绝大多数 AGI 游戏。

项目现状与目标

目前，AGI-64 的开发已取得阶段性进展，其中《太空探险 1》（Space Quest 1）的进度已达 75%，且目前已可以完整游玩。该解释器目前处于测试阶段，已支持大部分标准的 AGI 操作。

软件分发与文件格式

AGI-64 将作为免费软件发布。为了方便用户使用，该软件包含一个内置工具，可以将用户从自有库中提供的 .vol 和 .obj 文件编译成一个 1 MB 的 CRT 文件。该格式兼容 EasyFlash，可以轻松在 Kung Fu Flash 等第三方硬件产品上运行。

存档功能

软件支持通过真实的磁盘驱动器或兼容 1541 的 SD 卡驱动器进行存档与读档。存档操作将在 8 号驱动器上进行，并采用自定义磁盘格式，最多支持 6 个存档位。

性能优化

针对 Commodore 64 的 1 MHz 运行速度，AGI-64 开发了一种自定义的背景预处理技术。该技术能够在保持原始美术资源最佳视觉效果的同时，确保游戏的快速加载与流畅运行。

Buyer cancels showing after Deflock shows two cameras utilized by the HOA

https://www.reuters.com/business/nvidia-scales-back-250-billion-openai-data-center-guarantee-wsj-reports-2026-08-14/