https://openai.com/index/our-decision-on-cursor-following-its-acquisition-by-spacex/

Debian 通过关于“负责任使用生成式 AI”的决议

Debian 项目已公布关于大语言模型（LLM）使用的决议投票结果，最终通过了“负责任地使用生成式 AI”这一方案。

核心政策要点

• 中立立场：Debian 既不背书也不禁止在软件开发、维护、打包、文档编写以及 Debian 项目发布的其他媒体中使用生成式 AI 工具。
• 生产力认可：项目方承认，在负责任的前提下，这些工具可以显著提高贡献者的生产力，使志愿者能够将有限的时间投入到需要技术专业知识、判断力、审查和协作的核心工作中。
• 质量与合规要求：无论使用何种工具进行创作，所有提交给 Debian 的贡献都必须符合相同的质量、正确性、可维护性和法律合规性标准。
• 贡献者责任：使用生成式 AI 工具不会减轻贡献者对其提交工作的责任。贡献者有义务在将 AI 辅助的输出整合进 Debian 之前，对其进行充分的理解、审查、测试以及必要的修改。

冰岛就重启欧盟入盟谈判举行全民公投

冰岛目前正在举行全民公投，决定是否恢复在2013年中断的加入欧盟（EU）谈判。由于民调结果极度接近，投票结果难以预料。最新民调显示，反对派（No）以51.6%的支持率略微领先。

投票性质与流程

此次公投并非直接决定冰岛是否加入欧盟，而是决定是否支持推进入盟协议的谈判。如果投票结果为“赞成”，意味着支持达成入盟协议；若要最终正式加入，仍需通过议会批准、进行第二次全民公投、修改宪法，并获得欧盟27个成员国的批准。

核心争论点

1. 主权与渔业资源

渔业是辩论的核心。冰岛的渔业和海洋产业占其出口额的近40%。

• 反对派观点： 担心加入欧盟后，冰岛将失去对重要渔场的控制权，被迫接受欧盟的“共同渔业政策”。
• 支持派观点： “Yes to See”运动认为，冰岛人应当至少看到最终能达成的协议内容，以便在最终决定前掌握充分信息。

2. 经济因素

尽管冰岛是世界上最富裕的国家之一（人均GDP全球第五），但目前面临高通胀（5.6%）和高利率（8%）的挑战。

• 支持派观点： 认为加入欧盟带来的经济利益有助于降低利率和通胀。
• 反对派观点： 认为冰岛的经济繁荣与其独立地位密切相关。

3. 安全与地缘政治

虽然冰岛是北约（NATO）创始国，但其没有军队，安全主要依赖北约盟友和与美国的双边防御协议。

• 支持派观点： 认为欧盟可以作为价值、繁荣与安全的“锚点”，提供额外的保障。
• 反对派观点： 强调冰岛的安全基础在于北约和美国，欧盟成员身份无法替代现有的安全架构。

政治背景

此次公投由现任总理克里斯鲁恩·弗罗斯塔多蒂尔（Kristrún Frostadóttir）领导的中左翼政府发起。尽管国际局势的变化促使政府提前举行公投，但选民关注的焦点更多集中在主权、渔业及经济利益上，而非地缘政治安全。

vphone-cli 项目概述

vphone-cli 是一个利用 Apple 的 Virtualization.framework 和 PCC 研究虚拟机基础设施，在 Apple Silicon Mac 上启动虚拟 iPhone 的工具。

核心功能与使用

快速上手

用户可以通过单条命令完成从下载、补丁、DFU 恢复到越狱安装及首次启动的全过程：

• vphone-cli vm create <name> -V <variant>：创建虚拟机。
• vphone-cli vm launch <name>：启动虚拟机。

主要命令分类

• 管理虚拟机：支持列出 (list)、查看信息 (info)、创建空包 (new)、配置 (config)、克隆 (clone)、导出 (export)、导入 (import)、重命名 (rename) 和删除 (delete)。
• 手动构建流程：允许用户手动执行准备固件 (fw prepare)、修补引导链 (fw patch)、DFU 恢复 (restore)、安装定制固件 (cfw install) 等步骤。

固件变体 (Firmware Variants)

根据安全绕过程度的不同，提供五种变体：

1. less：仅 4 个补丁，保持 iOS 原生防护机制。
2. regular：42 个补丁，绕过 AMFI、SSV、Img4 和 TXM。
3. dev：53 个补丁，额外绕过 TXM 权限/调试。
4. jb：113 个补丁，实现完整越狱（自动安装 Sileo 和 TrollStore）。
5. exp：141 个补丁，包含越狱功能及反虚拟机检测研究补丁。

技术环境与配置

前提条件

• 硬件与系统：搭载 Apple Silicon 的 Mac，运行 macOS 15 (Sequoia) 或更高版本。
• 软件：需要 Xcode、iOS SDK，并需放宽 SIP/AMFI 限制以允许私有权限。
• 依赖：通过 Homebrew 安装 Python 3.13、aria2、wget、openssl、ldid-procursus 等工具。

权限放宽 (SIP/AMFI Relaxation)

由于运行机制需要，用户需通过以下两种方式之一放宽系统限制：

• 方案 A：完全禁用 SIP，并通过 nvram boot-args="amfi_get_out_of_my_way=1" 禁用 AMFI。
• 方案 B：保持 SIP 开启（仅调试放宽），并使用 vphone-amfidont 工具。

文件存储结构

所有数据默认存储在 ~/.vphone/ 目录下，可通过 $VPHONE_ROOT 等环境变量进行重定向。主要目录包括：

• VMs/：虚拟机包。
• ipsws/：iOS 及 CloudOS 固件缓存。
• tools/：APFS 密封卷 artifacts。
• debs/：越狱相关的 .deb 软件包缓存。

连接与自动化

连接方式

• SSH：通过端口 22222 连接（根据变体不同，用户为 mobile 或 root）。
• VNC：通过端口 5901 进行图形化连接。

自动化支持

vphone-cli 暴露了主机控制套接字 (vphone.sock)，支持通过编程方式实现截图、触控、滑动和硬件按键操作，适用于 AI 驱动的端到端测试。

常见问题说明

• 硬件限制：不支持嵌套虚拟化（即不能在已有的虚拟机中运行该工具）。
• 报错处理：若遇到 EXC_GUARD 崩溃，需使用 --force-exc-guard 参数重新修补固件；若遇到 ldid-procursus 导致进程挂起，需通过 brew install --HEAD 更新至修复版本。

三星 LPDDR5X-PIM 技术综述

技术背景与核心优势

内存计算（In-memory compute）旨在利用存储芯片内部极高的带宽，并减少数据在 DRAM 与传统计算核心之间传输的延迟。三星推出的 LPDDR5X-PIM 技术在 LPDDR5X 芯片中集成了乘加（MAC）单元，同时保留了与标准内存控制器的接口能力。

传统的 DRAM 访问带宽受限于芯片的外部接口，即使同时激活所有 Bank，也难以利用其内部全部带宽。而三星的 LPDDR5X-PIM 为 16 个 Bank 中的每一个都配置了 PIM 模块，使其能够利用芯片内部高达 614 GB/s 的带宽（相比之下，常规 DRAM 并行访问两个 Bank 的带宽仅为 76.8 GB/s）。

硬件架构与功能

每个 PIM 模块内部包含一个 MAC 树、寄存器文件和控制逻辑：

• 寄存器配置：包含一个 1024 位指令寄存器文件（可存储 64 个 16 位指令）、一个 4 kbit 源寄存器文件（用于激活向量）以及一个 2 kbit 缩放寄存器（用于缩放模型权重）。
• 计算能力：支持多种低精度格式，如 INT8、FP8 和 4 位权重。每个 PIM 模块在每个数据时钟周期可维持 4 次（或双倍速率下的 8 次）MAC 操作。单个封装的计算吞吐量可达 2.4 TOPS，通过增加芯片数量，吞吐量可进一步提升（例如 8 颗芯片可达到 9.6 INT8 TOPS）。

兼容性实现机制

为了在标准 LPDDR5X 协议下实现计算功能，三星采用了以下创新设计：

1. 模式切换：通过预设的特殊行地址（类似于 MMIO）进行模式控制。激活特定行可切换“单 Bank 模式”（常规模式）或“多 Bank 模式”（利用内部带宽的 PIM 模式）。
2. PIM 寄存器激活模式：在此模式下，读写命令不再访问普通 DRAM 内容，而是访问 PIM 寄存器。在多 Bank 模式下，对 PIM 寄存器的写入会广播到所有 16 个 Bank，使 PIM 计算表现为一种受限的 SIMD（单指令多数据）处理器。
3. 地址对齐模式 (AAM)：为了应对内存控制器可能进行的访问重排序，AAM 允许指令根据访问的列地址自动推断源寄存器的索引，从而确保计算顺序的正确性。

面临的主要挑战

尽管硬件设计精巧，但在实际应用中存在显著的软件与系统架构挑战：

• 多任务与隔离问题：PIM 模式会改变 DRAM 命令的含义，因此无法在执行 PIM 计算的同时进行常规内存访问。为了防止数据损坏，必须隔离 PIM 内存区域，但这会降低内存带宽利用率和并行性。此外，操作系统处理 PIM 线程的上下文切换和中断极其困难，因为需要保存并恢复分布在所有 Bank 中的庞大 PIM 状态。
• CPU 架构冲突：
  • 缓存（Cache）失效：PIM 的读操作具有“副作用”（触发计算），这与 CPU 的缓存机制冲突。若将 PIM 内存设为“不可缓存”，会严重拖累 CPU/GPU 性能。
  • 投机执行与预取：CPU 的分支预测和数据预取机制可能会触发非预期的 PIM 计算，导致计算结果错误。因此，PIM 内存可能需要设置为“非投机性”访问，这会极大削弱现代处理器的性能。
• 数据移动限制：PIM 模块之间无法直接通信，跨模块的数据交换仍需通过受限的外部接口经由主机完成。

未来改进方向

为了降低软件采用难度并提升性能，文章提出了以下建议：

• 扩展 DRAM 接口：增加专门的计算命令，以避免复杂的模式切换。
• 提升内存控制器角色：使内存控制器具备缓存一致性（Cache Coherency）能力，使其能像 CPU 核心一样管理缓存行。
• 引入新型 CPU 指令：例如通过类似于 rep macb 的抽象指令，由硬件自动决定是在内部执行计算还是调用 PIM，从而实现对多任务环境和缓存机制的透明支持。

智能电视的安全风险与防护方案总结

本文探讨了智能电视（特别是 LG 品牌）可能对用户隐私及连接设备安全构成的威胁，并介绍了相关的技术原理及防护手段。

核心安全风险

智能电视不仅是娱乐设备，还可能成为侵犯隐私和传播未经许可软件的工具。文章指出，某些厂商（如 LG）利用驱动程序更新的过程，在用户不知情的情况下，通过 Windows 操作系统在连接的电脑上安装各种“臃肿软件”（Bloatware）或预装应用（例如 McAfee 防病毒软件）。这种行为被作者视为一种通过合法驱动程序进行的“恶意软件”行为。

技术原理：EDID 的作用

即使智能电视本身没有连接互联网，这种攻击依然可能发生。其核心在于 EDID（扩展显示识别数据） 协议：

1. 识别机制：当电视通过 HDMI 或 DisplayPort 连接到联网的电脑时，EDID 会自动向操作系统传输显示器的身份信息（如型号、序列号、功能等）。
2. 触发更新：Windows 等操作系统通过识别这些信息，会自动通过 Windows Update 匹配并推送相应的驱动程序。
3. 软件植入：厂商可能利用驱动程序作为媒介，在安装驱动的同时，顺带安装其他未经用户许可的商业软件。

即使是 Linux 用户，虽然受自动更新的影响较小，但 EDID 传输依然存在，且存在厂商通过维护者推送特定驱动的潜在风险。

防护方案

针对上述风险，文章提出了以下几种应对措施：

1. 硬件层面的防护

• 使用 EDID 屏蔽器（EDID Blocker）：通过硬件手段阻断或伪造显示器信息，使电脑无法识别出真实的电视型号，从而阻止驱动程序的自动下载与安装。
• 使用 EDID 虚拟插头（Dummy Plug）：用于模拟显示器存在，适用于需要特定分辨率或图形远程桌面的场景。
• 警惕廉价伪劣产品：市场上存在一些虚假的 DisplayPort EDID 屏蔽器，购买时需谨慎检查。

2. 网络与系统层面的防护

• 断开联网：严禁智能设备连接互联网。
• 强化网络安全：使用不受厂商控制的高质量防火墙，并利用带有广告拦截功能的开源路由器进行 DNS 过滤。
• 更换操作系统：使用 Linux 等系统可以减少由于 Windows 自动驱动更新带来的风险。

3. 替代方案

• 选择非智能电视：购买不带操作系统的传统显示设备或商业级显示器。
• 使用投影仪：作为一种更具私密性且更灵活的显示方案。
• 物理隔离：在酒店等公共环境下，若担心隐私泄露，可以直接拔掉电视电源。

StemDeck 项目摘要

StemDeck 是一款免费、开源且完全在本地运行的 AI 音轨分离（Stem Separation）工具。它允许用户将音频文件（如 MP3, WAV, FLAC, OGG, MP4, M4A 等）或 YouTube URL 拆分为多达六个独立的音轨：人声（vocals）、鼓（drums）、贝斯（bass）、吉他（guitar）、钢琴（piano）和其他（other）。

核心功能与特性

• AI 音轨分离：利用 Meta AI 开发的开源 Demucs (htdemucs_6s) 模型进行高精度分离。
• DAW 式多轨编辑器：提供类似数字音频工作站（DAW）的交互界面，用户可以进行静音（Mute）、独奏（Solo）、调节音量平衡、波形缩放、区域循环播放等操作。
• 自定义混合与导出：用户可以灵活选择需要保留的音轨子集，并能导出仅包含所选音轨的混合 WAV 文件（mix.wav）。此外，系统还会生成一个“原声”轨道（即全曲减去所选音轨后的补集），便于 A/B 参考。
• 音频分析：集成了 BPM（节拍）检测、调性（Key）及音阶分析、LUFS（响度）测量和采样峰值检测。
• 硬件加速：支持自动检测并利用最佳硬件资源，包括 NVIDIA GPU (CUDA)、Apple Silicon (MPS) 以及 CPU 回退方案。
• 本地化管理：拥有基于文件夹的库面板，支持拖放、搜索和音频组织。

产品定位与对比

StemDeck 定位于为个人学习和研究提供便捷、私密的工具，与 Moises 或 LALAL.AI 等商业云端产品有显著区别：

技术栈

• 后端：基于 Python 3.12，使用 uv 进行包管理，FastAPI 提供 REST API 和 SSE 服务。
• 核心引擎：Demucs (音轨分离)、yt-dlp (YouTube 下载)、FFmpeg (转码与混合)、librosa (音频分析)。
• 前端/桌面端：使用 Tauri v2 构建桌面外壳（Rust/WebView），前端采用原生 JavaScript 和 Web Audio API，通过 <canvas> 渲染波形。

部署与安装

1. 桌面应用：提供 macOS（支持 Intel 及 Apple Silicon）和 Windows（支持 CPU 及 NVIDIA CUDA）的预编译安装包。
2. Web 服务器：支持通过 Python 环境手动启动，也支持通过 Docker 或 Unraid 进行部署。
3. 源码构建：开发者可以通过 Rust、Node.js 和 Python 环境从源代码进行编译。

使用流程

用户通过导入栏上传文件或粘贴链接，选择想要提取的音轨，点击“Process”开始处理。处理完成后，即可在仪表盘中进行混音、监听和导出操作。

美国农业部召回5个州的25,000磅鸡肉产品

美国农业部（USDA）食品安全和检验局（FSIS）于8月26日发布召回通知，宣布召回总部位于波士顿的上海饺子公司（Shanghai Ravioli Corporation, Inc.）生产的24,900磅鸡肉产品。

召回详情

• 受影响地区：新英格兰地区的餐饮服务业，包括缅因州、马萨诸塞州、新罕布什尔州、罗德岛州和佛蒙特州。
• 涉及产品：两种冷冻、非即食（not-ready-to-eat）的水牛城风味（Buffalo chicken-flavored）鸡肉产品：
  • “Buffalo chicken rangoon”（水牛城鸡肉兰贡）
  • “Benedetto’s Buffalo chicken mozzarella sticks”（Benedetto's 水牛城鸡肉马苏里拉奶酪棒）

召回原因与风险

• 召回原因：FSIS 在监控中发现，上述产品带有虚假的检验标志（“EST. 18004”）。由于产品可能未经检验生产，可能存在未标注的过敏原、有害细菌或其他污染物，从而威胁消费者健康与安全。
• 风险等级：此次召回被列为 Class I（一类召回），属于高或中风险等级。该等级意味着如果消费者食用这些产品，极有可能导致严重的健康后果甚至死亡。

处理建议

FSIS 敦促相关企业不要供应这些产品，并应将其丢弃或退回至购买地点。

TurboKV 概述

TurboKV 是一个使用 Rust 编写的高性能、异步嵌入式键值存储数据库。它具备原子批量操作、有序范围扫描、可配置的持久化级别、数据压缩以及后台合并（compaction）等核心功能。

核心特性

• 异步支持：原生支持异步操作，适用于高性能并发场景。
• 原子性：支持 WriteBatch，确保一组操作要么全部成功，要么全部不生效。
• 灵活的持久化：提供三种不同的持久化策略，平衡性能与安全性。
• 高效扫描：支持按字节序排列的范围查询（Range Scan）和前缀扫描（Prefix Scan）。
• 硬件加速：其持久化的 Bloom 过滤器格式支持硬件 AES 加速（需在编译时指定 RUSTFLAGS）。

持久化级别 (Durability Presets)

用户可以根据应用场景在以下三种模式间切换：

配置与优化

TurboKV 允许用户通过 DbOptions 对数据库进行精细化配置：

• 内存管理：可配置 memtable_size（触发刷盘的阈值）和 block_cache_size（解压后的 SSTable 块缓存预算）。
• 压缩算法：支持 LZ4、Snappy、Zstd 或不压缩。
• 写入控制：可选择是否启用 WAL (wal_enabled) 以及是否在每次写入后等待同步 (sync_writes)。

主要 API 结构

1. 数据库操作

• 点查询与修改：insert (插入/替换), get (获取), remove (删除), take (原子性地返回并删除键值), contains_key (检查键是否存在)。
• 批量操作：insert_many 用于批量插入，write_batch 用于执行原子性的 WriteBatch 操作。

2. 范围与前缀扫描

• 立即执行：range 和 scan_prefix 会立即返回收集好的键值对集合。
• 流式迭代：range_iter 和 scan_prefix_iter 提供流式迭代器，支持分页 (paginate)，通过 EntryGuard 实现高效的内存管理。

3. 维护与统计

• 维护：flush() 用于将数据刷入 SSTable；compact() 用于后台数据合并；close() 用于执行优雅关闭。
• 统计：提供 logical_stats()（逻辑数据统计）和 physical_stats()（物理指标，如 WAL、缓存、放大率等）用于监控数据库状态。

性能表现

根据基准测试数据，TurboKV 在多种工作负载下表现出极高的吞吐量：

• 在顺序填充、随机填充和覆盖写等测试中，其 fast 和 durable 模式的吞吐量均显著高于 fjall 和 redb。
• 在批量写入（Sequential batch）场景下，TurboKV 的优势尤为明显，能够通过摊薄同步成本实现极高的每秒操作数。

总结：GDPR 的成功源于反对者的敌意

本文通过分析欧盟《通用数据保护条例》（GDPR）所面临的反对浪潮，探讨了全球数据隐私监管的现状，并对比了美欧在隐私保护理念及监管能力上的本质差异。

1. 恨意作为成功的指标

文章引用罗斯福总统的逻辑，提出一个观点：如果一项改革正受到“错误的人”（即那些从现状中获益的既得利益者）的强烈反对，这恰恰说明该改革正在有效发挥作用。科技界对 GDPR 的抨击，证明该条例正在切实削减数据驱动型行业的权力。例如，虽然“Cookie 横幅”常被视为负担，但它实际上通过揭示数据共享的复杂性，履行了告知公众监视机制的功能。

2. “布鲁塞尔效应”与全球标准

由于欧盟市场规模巨大且不可或缺，科技巨头无法通过退出市场来规避监管。这种现象被称为**“布鲁塞尔效应”**：欧洲的监管标准被迫成为了事实上的全球标准。

• 案例： 日本为了实现与欧盟之间的自由数据流动，不得不通过谈判提升了其原本薄弱的隐私保护水平。
• 结论： GDPR 的广泛传播并非仅因欧洲的“英雄主义”，更多是因为美国监管的缺位。

3. 美欧隐私哲学的根本分歧

文章指出，美欧在处理隐私问题上有着截然不同的法律逻辑：

• 欧盟模式： 将隐私视为一种基本人权，倾向于采取预防性监管措施（如《人工智能法案》）。
• 美国模式： 将隐私视为一种市场问题，认为个人应在数据交易市场中自行负责。这种逻辑导致美国在面对数据滥用时，往往依赖于市场机制而非强有力的国家干预。

4. 监视资本主义与美国的监管困境

文章引入了肖莎娜·祖博夫（Shoshana Zuboff）的**“监视资本主义”**概念，指出当前的经济秩序正将人类经验视为可提取、可预测和可销售的“原材料”，以此实现行为操纵。

在美国，监管陷入了瘫痪，原因包括：

• 安全与隐私的模糊： 9/11 事件后，监管重点从隐私转向安全，形成了“监视例外论”。
• 政治俘获： 科技巨头通过巨额游说资金和政商“旋转门”现象，使联邦监管层难以对企业实施有效约束。

5. 经济学视角：双重运动

通过卡尔·波兰尼（Karl Polanyi）的**“双重运动”**理论，文章解释了市场与社会的博弈：

• 第一轮运动： 市场过度扩张，将一切（包括人）商品化，造成社会伤害。
• 第二轮运动： 社会为了自我保护，要求引入监管（如最低工资、环保法等）。

作者认为，美国目前仍处于不受约束的扩张阶段，尚未进入通过法律纠偏的“第二轮运动”。而 GDPR 的兴起，正是因为当美国政府无法履行监管职责时，布鲁塞尔填补了这一权力真空。文章最后预言，隐私监管最终会像安全带或禁烟令一样，从被行业抵制转变为社会公认的常态。

苏美尔王表是否与古气候事件一致？研究总结

核心假设

该研究探讨了一个推测性解释：苏美尔王表（Sumerian King List）中洪水前（antediluvian）八位国王极其漫长且规律的统治时间（总计241,200年），是否是对史前地质或气候事件（如气候转变、火山喷发、撞击或海平面变化）的扭曲记忆。研究旨在测试这些统治边界是否能与地质记录中的已知事件在时间上对齐。

研究方法

研究者采用了一种探索性的统计分析方法：

1. 数据缩放与锚定：将苏美尔王表的统治序列按比例缩放到一个固定的241.2 ka（千年）跨度内，并选择一个分析师设定的锚点（11.6 ka BP，即新仙女木期结束附近）来确定绝对日期。
2. 比对机制：使用高斯核近邻得分（Gaussian kernel proximity score）将统治边界与第四纪事件目录进行比对。该得分通过权重分配，使靠近边界的事件贡献更多分数，避免了硬性截断带来的不连续性。
3. 统计检验：
   • 穷举排列测试（Exhaustive permutation tests）：通过重新排列统治时间的顺序，计算观察到的得分在所有可能排列中的概率（$p$ 值）。
   • 多重比较调整：使用 Benjamini-Hochberg 方法将 $p$ 值调整为 $q$ 值，以应对多次测试带来的统计偏差。
   • 对照组：引入了圣经族长时代、埃及《巴比变体》（Excerpta Latina Barbari）中的神灵统治期以及基什（Kish I）统治者作为对照，以展示不同古代年表在相同程序下都可能产生偶然的“匹配”。
4. 目录分层：使用了三个级别的目录：主要古气候目录、包含更多事件的广泛目录，以及包含极端事件的灾难性目录。

研究结果

分析结果显示，苏美尔王表的统治顺序与古气候事件之间不存在统计学上的显著关联：

• 主要古气候目录：在固定锚点下，$p$ 值为 0.350，调整后的 $q$ 值为 0.622，无显著性。
• 广泛目录：即使增加到103个可用条目，$p$ 值为 0.148，$q$ 值为 0.430，结论保持不变。
• 灾难性目录：虽然在探索性搜索中找到了最小的原始 $p$ 值（0.021），但在经过多重比较调整后，$q$ 值为 0.222，仍未达到统计显著性水平。

结论与局限性

结论：目前没有统计学证据支持“苏美尔王表编码了古气候事件”这一假设。

局限性与注意事项：

• 目录构建：事件目录是基于编辑筛选而非预定义的系统性审查，可能存在人工选择的偏差。
• 数据精度：分析未将事件日期的不确定性（Uncertainty）纳入计算，过度简化了事件的精确度。
• 统计偏差：由于研究具有探索性性质（例如在分析过程中选择了锚点和带宽），$q$ 值虽然进行了调整，但仍不能完全消除由于人为筛选参数可能带来的风险。
• 目录密度：由于地质记录中近期的事件比远古时期更密集且测年更准，这可能影响不同时间段的匹配概率。

美国第九巡回上诉法院裁定：体育博彩不属于联邦法律保护的“掉期”交易

美国第九巡回上诉法院近期的一项裁定，极大地动摇了此前阻止亚利桑那州起诉预测市场公司 Kalshi 的法律依据。该法院在处理一起涉及内华达州的类似案件时裁定，针对体育赛事的博彩行为并不属于联邦法律所保护的“掉期”（swaps）交易。

案件背景与核心争议

此前，联邦法官 Michael Liburdi 曾发布禁令，阻止亚利桑那州总检察长 Kris Mayes 因违反州法律（包括禁止对选举结果进行投注的法律）而对 Kalshi 提起刑事诉讼。Liburdi 认为，根据《商品交易法》（CEA），体育赛事属于该法中定义的“事件”或“发生的事”，因此属于联邦商品期货交易委员会（CFTC）的管辖范围，州政府无权干预。

第九巡回法院的裁定逻辑

第九巡回上诉法院的三名法官驳回了上述观点，其核心论点包括：

• 术语解释： 法院认为，将“事件”等同于“结果”是一种陈旧且罕见的用法。法院举例说明，“超级碗是否举行”是一个“发生的事”（occurrence），但“谁赢得比赛”则不是。
• 立法意图： 法官 Ryan Nelson 在一致裁定中指出，国会在修订《商品交易法》时，并未意图通过这种方式摧毁各州、联邦和部落政府数十年建立的体育博彩监管体系。
• 重大问题原则（Major Questions Doctrine）： 法院援引了该原则，强调联邦机构不能通过扩张性的法律解释来获取原本不具备的重大权力。如果将体育博彩这一价值数十亿美元的领域从州和部落监管权划归 CFTC，需要国会明确的授权，而目前并未看到这种授权。

对亚利桑那州案件的影响

这一裁定为亚利桑那州提供了重要的法律依据。亚利桑那州总检察长 Kris Mayes 表示，该裁定肯定了各州在监管博彩方面的传统权力。通过这一判决，亚利桑那州可以申请撤销之前的禁令，从而重启对 Kalshi 涉及 20 项罪名的刑事诉讼。

法律冲突与未来走向

第九巡回法院的这一裁定与美国第三巡回上诉法院此前的观点形成了鲜明对比——后者曾站在 Kalshi 一边，认为州政府无权阻止预测市场进行体育博彩。鉴于两个巡回法院在关键法律问题上存在分歧，这场关于联邦与州权、以及预测市场监管权的法律斗争很可能最终交由美国最高法院裁决。

自主数学发现：开放世界多智能体环境中的研究

本文介绍了一个名为 The Station 的开放世界多智能体环境，旨在实现自主的数学发现。在该环境中，来自不同模型家族的 AI 智能体在没有中央协调器或预设流水线的情况下，共同追求共享的研究目标。

系统核心机制

The Station 的设计模拟了真实科学研究的协作模式，其主要特征包括：

• 自主性：智能体能够自主选择研究方向并进行实验。
• 去中心化协作：智能体之间通过协作推进研究，并共同构建共享的科学文献库，无需人工干预或中心化指令。
• 多模型集成：允许不同类型的 AI 模型在同一环境下共同工作。

研究成果

通过对 AlphaEvolve 目录中的 12 个构造问题及两个额外案例研究的测试，智能体在以下五个领域取得了相对于现有文献的新颖发现：

1. 有限域 Kakeya 集：发现了一个新的无限族。
2. 11 维紧密堆积配置 (Kissing Configurations)：发现了全新的 604 点精确配置。
3. 离散化 Kakeya 针与符号不确定性问题：刷新了相关问题的记录。
4. Erdős 最小重叠问题：显著提升了该问题的下界。
5. Book Ramsey 数：发现了新的无限族。

技术优势与透明度

• 可解释性：与仅提供数值结果的系统不同，这些智能体不仅能产出数值构造，还能生成定理和分析。这种方式解释了构造背后的工作原理，使研究结果更具解释性，便于数学家进行后续研究。
• 研究透明度：研究团队公开了所有的原始智能体对话、数学证明以及验证代码，为数学发现的涌现过程提供了透明且可追溯的记录。

Lemmalog：利用 Datalog 构建 LLM 的逻辑记忆系统

在进行漏洞研究等复杂的长时任务时，LLM Agent 常面临一个核心问题：随着调查时间的增加，模型会逐渐丢失已确定的事实，或基于已证伪的假设进行推理，导致产生幻觉。传统的记忆系统（如基于向量数据库的 RAG）侧重于检索“过去提到了什么”，但无法有效维护“当前已知什么”。

核心理念：将记忆转化为程序分析

作者发现，维护 LLM 记忆的问题本质上可以转化为程序分析问题。在程序分析中，我们拥有事实和规则，通过规则推导出新事实；当输入事实改变时，可以通过增量评估仅更新受影响的结果。

基于此，作者开发了 Lemmalog。其架构将任务分为两个部分：

1. LLM（前端/解析器）：负责处理模糊的、非结构化的信息（如源代码、调试器输出、自然语言笔记），并将其转换为结构化的逻辑事实。
2. Lemmalog（后端/逻辑引擎）：基于 Datalog 逻辑编程语言，负责确定性的逻辑推导、维护事实状态及处理规则。

Lemmalog 的关键特性

• 事实撤回（Retractions）：当一个基础事实被发现错误时，Lemmalog 能够自动识别并使所有依赖该事实的推导结论失效，从而实现增量更新，避免模型继续基于错误假设进行推理。
• 溯源功能（Provenance）：由于系统追踪了事实之间的依赖关系，用户可以询问“为什么”某个结论是成立的。这不仅有助于解释结论，还能通过检查证据链来验证 LLM 是否产生了幻觉。
• 时间维度管理（Temporal Facts）：通过为事实分配“有效性区间”，Lemmalog 可以记录事实随时间的变化。这允许系统同时回答“现在是什么情况”以及“为什么我们之前认为情况是那样”，而不会产生逻辑矛盾。

性能与效率对比

在基准测试中，Lemmalog 展示了显著的优势：

• Token 效率：在 LongMemEval 测试中，Lemmalog 提供的上下文量仅为提供“完整上下文（Full Context）”的 1/38。由于提取过程只需进行一次，随着对话增长，其成本优势将愈发明显，并能解决完整上下文超出窗口限制的问题。
• 知识更新（Knowledge Update）：在处理“先相信 A，后发现 A 不成立”这类任务时，Lemmalog 的表现优于传统的 PropMem 系统，证明了其维护动态状态的能力。
• 对抗性问题（Adversarial Questions）：在 LoCoMo 测试中，Lemmalog 在处理包含错误或错误归因的前提时表现出色，能够通过结构化逻辑拒绝不成立的推论，而非盲目跟随语义相似的错误信息。

总结与未来方向

Lemmalog 的设计思路类似于编译器：LLM 作为概率性的前端进行解析，而 Lemmalog 作为确定性的中间表示（IR）和分析引擎。

作者认为，未来的理想架构不应是在“向量记忆”与“符号记忆”之间二选一，而应是两者的结合：

• 演绎状态（Deductive State）：由 Lemmalog 维护，处理事实、规则、时间、溯源和撤回。
• 情境记忆（Episodic Memory）：处理模糊的上下文、语义检索和原始文本片段。

这种结合能够让 Agent 既能理解细微的语境，又能保持逻辑上的严密性。

https://www.ft.com/content/6f3ada65-c56c-499c-8eb6-008fac58949d