Claude Fable 5.1 与 Claude Mythos 5.1 发布摘要

Anthropic 推出了其最新的 AI 模型系列：Claude Fable 5.1 和 Claude Mythos 5.1。这两个模型在编码、知识工作及科学研究方面展现了极高的性能，是目前业界最先进的模型之一。

模型分类与定位

• Claude Fable 5.1：面向大众市场，提供通用的强大能力。
• Claude Mythos 5.1：通过受信任的访问计划（如 CVP 和 LSVP）提供，拥有针对网络安全和生命科学领域的定制化安全机制，旨在支持专业研究。

价格与数据隐私

• 成本降低：通过降低“缓存读取”（cache reads）的定价，Fable 5.1 在典型工作负载下的成本预计比 Fable 5 降低 25%；对于高度依赖代理（agentic）的工作，节省幅度可达 45%。
• 企业级隐私（EFS）：推出了“企业前沿防护”（Enterprise Frontier Safeguards, EFS）。该系统允许企业在完全由客户控制的云基础设施中存储数据，从而在防止恶意使用的同时，实现与“零数据保留”政策同等的隐私水平。

性能表现

Fable 5.1 在多项基准测试中均超越了前代模型及竞争对手（如 GPT-5.6 Sol 和 Opus 5）：

• 科学研究：在 Terminal-Bench-Science 0.1 任务中表现卓越。
• 编码能力：在自动化编码和复杂软件问题修复方面表现出极高的准确性，能够识别并修复底层根源问题。
• 知识工作与计算机使用：在 GDPval-AA v2 和 OSWorld 2.0 等测试中均取得了显著的性能提升。

科学研究的应用成果

• 分子设计：Mythos 5.1 在蛋白质设计竞赛中表现出色，设计的结合剂亲和力比现有最佳设计高出 10 倍，成功率接近 50%。
• 计算建模：Fable 5.1 利用 NASA 的雷达图像，通过计算分析生成了高分辨率的金星地形图，精度提升了 5-10 倍。
• 计算生物学优化：Mythos 5.1 通过编写自定义 GPU 内核，将七种开源深度学习模型的推理速度提升了最高 2.5 倍，大幅降低了生物研究的 GPU 成本。

安全、安全与对齐

• 精准防护：改进了安全机制以减少“误报”。在网络安全领域，误报率降低了 60%；在生物领域，针对基础医学问题的误报降低了 85%。
• 防御能力：增强了对抗提示注入（prompt injection）的能力，并引入了反蒸馏机制，防止通过 API 恶意提取模型思考过程的行为。
• 受信任访问计划：
  • 网络安全验证计划 (CVP)：为防御性安全工作提供减弱限制的模型访问。
  • 生命科学验证计划 (LSVP)：与美国政府合作，为专业生物研究人员提供更宽松的研究权限。

合规性与可用性

• 欧盟 AI 法案合规：为符合透明度要求，Claude 模型在输出中加入了不可见的水印，并正在推出检测 API 以供监管机构和研究人员使用。
• 部署与接入：Fable 5.1 已在 Amazon Web Services、Google Cloud 和 Microsoft Azure 上线。开发者可以通过 Claude API 直接调用 claude-fable-5-1。

保卫 Firefox 浏览器

本文呼吁用户不要因为一些细小的争议而放弃 Firefox 浏览器，并强调了其在互联网生态中的重要地位。主要观点如下：

• 反对盲目的抨击：作者批评了部分用户因 Firefox 入驻 X（原 Twitter）平台而对其进行攻击的行为。他指出，这种批评逻辑存在矛盾，因为许多批评者所使用的其他浏览器（如 Vivaldi）同样也活跃在 X、Meta 和 Google 的各类平台上。
• 维持引擎多样性的关键：Firefox 是维持浏览器引擎多样性和市场竞争的最后希望。如果 Firefox 消失，互联网将被 Google Chrome 及其基于 Chromium 的衍生浏览器（包括 Vivaldi）所垄断。虽然 Apple 的 Safari 依然存在，但其生存很大程度上依赖于其在 iPhone 上的强制默认地位。
• 生存策略与市场现状：面对不断萎缩的市场份额，Firefox 入驻 X 等社交平台是其试图触达新用户、扩大影响力的必要尝试。

作者总结认为，支持 Firefox 不仅仅是选择一个工具，更是为了保障互联网的竞争环境与创新能力。

https://danluu.com/zitron/

LWN 订阅价格调整通知

由于在线出版行业的整体挑战以及通货膨胀的影响，LWN 将于 9 月 15 日起上调其订阅价格。

背景与原因

LWN 自 2002 年起采用订阅模式，旨在摆脱波动且受监控驱动的广告市场，从而保持运营的独立性并确保读者利益与网站一致。在过去 24 年中，LWN 仅进行了两次价格调整，最近一次是在 2022 年初。

此次调价的主要原因是：

1. 应对通货膨胀：自 2022 年价格调整以来，美国消费价格指数（CPI）已增长近 20%，LWN 决定按约 20% 的幅度匹配这一涨幅。
2. 订阅增长停滞：近年来订阅用户增长趋于平缓，导致原有的“低价、高容量”增长策略难以维持。

此前通过订阅收入获得的资金已用于聘请专业人员（如 Daroc Alden 和 Joe Brockmeier）、改进网站功能（如 EPUB 格式、内核源码数据库、Markdown 评论、深色模式等）以及应对抓取攻击（scraper attacks）。

新价格标准

新的月度订阅价格如下：

团体订阅也将按相同比例上调。

过渡与执行政策

• 预付订阅：在价格变更前已购买的所有订阅将继续有效，直至原定的到期日期。
• 现有月度订阅：在本次公告发布前已激活的月度订阅用户，在接下来的六个月内仍将按旧价格计费。LWN 会在价格正式生效前向相关用户发送提醒。

FBI 调查大规模身份盗窃服务，涉及 1.53 亿份驾照信息

事件概述

近期，一个名为 Nexus 的暗网身份盗窃服务引起了广泛关注。该服务声称拥有超过 1.53 亿份来自美国和加拿大的驾照数字扫描件，此外还包括超过 1000 万张身份证、300 万份旅行证件/国际身份证以及至少 57.9 万张医疗卡。被出售的证件信息甚至涵盖了美国国防部长 Pete Hegseth 等多名美国政府高层官员。

数据来源调查

根据调查和证据分析，这些数据疑似从一家大型身份验证公司窃取。研究人员指出，这些泄露的图像不仅包含普通扫描件，还包含**红外线（IR）和紫外线（UV）**版本的图像，这与身份验证技术公司的扫描特征高度吻合。

具体线索指向总部位于新奥尔良的身份验证提供商 idscan.net。该公司为包括 Hertz（租车）、Target、FedEx、Planet13（大麻零售店）以及 Caesars Entertainment（凯撒娱乐）在内的多家大型企业提供身份验证服务。

调查发现，Nexus 提供的许多记录都附带有时间戳。通过核实，这些时间戳与受害者在特定地点（如通过 Hertz 租车或在 Planet13 进行身份验证）使用驾照的时间高度一致。

官方调查与反应

• FBI 行动：美国联邦调查局（FBI）新奥尔良办事处已针对涉及 idscan.net 的疑似数据泄露事件展开正式调查。
• 公司回应：idscan.net 表示正在对此事进行调查，但尚未发布详细的官方声明。Caesars Entertainment 的发言人则澄清称，该公司并非 idscan.net 的活跃客户，且该事件不应影响其数据安全。
• 现状更新：在相关报道发布后不久，Nexus 服务网站已从暗网消失，其登录页面显示“该服务不再可用”。

安全风险与影响

网络安全专家警告称，此类大规模数据泄露带来了极其严重的后果：

1. 信用欺诈：驾照信息常被用于开设新的信用额度，泄露后会导致严重的身份盗用。
2. 人身安全威胁：对于处于证人保护计划中的人员，或正在躲避家庭暴力的敏感人群，身份信息的公开可能直接威胁其生命安全。
3. 第三方风险：随着越来越多的服务（如在线身份验证）要求用户提供证件，第三方供应商的监管缺失使得大量敏感数据暴露在风险之中。

ChatGPT/Codex 应用内置完整的 LibreOffice 软件包

作者在检查 macOS 的 ~/.cache/ 目录时发现，OpenAI Codex 桌面应用程序（现已更名为 ChatGPT）在 codex-primary-runtime 文件夹中占用约 1.7GB 的空间。该文件夹包含了大量的运行时环境和工具。

核心内容包括：

• 编程环境：完整的 Python 安装环境和完整的 Node.js 安装环境。
• 本地二进制文件：包括 Poppler、git 以及 LibreOffice 开源办公套件的二进制文件。

技术实现细节： 在 ~/.cache/codex-runtimes/codex-primary-runtime/plugins/openai-primary-runtime/plugins/documents 目录下，包含了一些被称为“技能”（skills）的内容。这些“技能”的作用是指导 Codex 应用程序如何识别、定位并调用上述内置的二进制工具。

真实失业率 (True Rate of Unemployment) 概述

定义与衡量标准 “真实失业率”是基于美国劳工统计局（Bureau of Labor Statistics）数据开发的一项指标。它旨在追踪美国劳动力中不满足以下条件的百分比：

• 就业状态：拥有每周工作35小时及以上的全职工作。
• 收入水平：达到“生活工资”标准（以2025年美元计，保守设定为税前年收入26,000美元）。

因此，该指标涵盖了那些想要全职工作但未就业、完全失业、或收入低于生活工资水平的人群。

开发目的与意义 该指标由 LISEP 开发，旨在为分析师和决策者提供一个比传统指标更准确的工具，用以衡量美国民众的财务状况。正如准确的人口普查对于公平分配社区资金至关重要，该指标旨在为政策制定者提供更精准的经济指标，以协助制定有效的经济政策。

Gemini 3.8 Flash 模型摘要

模型概述

Gemini 3.8 Flash 是 Gemini 3 系列模型的最新迭代版本，是在 Gemini 3.7 Flash 基础上的升级。该模型在软件工程和**智能体知识工作流（agentic knowledge workflows）**方面实现了性能提升。其特点是支持可自定义的“努力程度”（effort levels），允许用户在模型质量、成本和延迟之间进行权衡。

技术规格

• 输入能力：支持文本字符串、图像、音频和视频文件。
• 上下文窗口：最高支持 100 万 (1M) token。
• 输出能力：支持文本输出，最大长度为 6.4 万 (64K) token。
• 架构与数据：模型架构、训练数据集及数据处理流程均基于 Gemini 3.7 Flash。

适用场景与局限性

预期用途

Gemini 3.8 Flash 旨在为用户、开发者和企业提供具有成本效益的通用型、生产级智能体（agents）。其核心应用场景包括：

• 软件工程
• 智能体任务
• 复杂的知识工作流

已知局限性

• 通用模型局限：可能存在幻觉（hallucinations）现象。
• 安全与性能：正在持续改进抗越狱能力；可能会出现偶尔的响应缓慢或超时问题；在高努力程度下可能会消耗更多 token 以优化性能。
• 知识截止日期：知识截止至 2026 年 3 月（部分领域可能受限于 2025 年 1 月）。

安全性与伦理

自动化评估结果

与 Gemini 3.7 Flash 相比，Gemini 3.8 Flash 在安全性和语气方面表现相似，具体指标如下：

• 多语言安全：性能提升了 5.4pp（表现更好）。
• 语气 (Tone)：性能提升了 0.2pp（更具客观性）。
• 无理拒绝 (Unjustified refusals)：减少了 1.1pp（表现更好）。
• 文本到文本安全：轻微下降了 0.4pp。
• 图像到文本安全：表现持平。

人工红队测试与前沿安全

• 红队测试：通过了儿童安全评估的发布阈值，在内容安全政策方面表现与 3.7 Flash 相当或有所改进，未发现严重的安全隐患。
• 前沿安全评估 (Frontier Safety Assessment)：根据最新的前沿安全框架评估，Gemini 3.8 Flash 未达到任何“受监控”或“关键”能力级别（T/CCLs），其风险水平与 Gemini 3.7 Flash 一致。

Commodore 64 概述

发布与销量

Commodore 64 (C-64) 于 1982 年 9 月 1 日左右正式发布。其名称取自其内置的 64KB 内存，它是历史上首款售价低于 600 美元的 64K 内存计算机。在生产初期，Commodore 在加州圣克拉拉的制造面临质量控制问题，随后将生产外包给了日本公司 Kentron。

C-64 在市场上取得了巨大的成功，累计销量约 1230 万台（若将 C-128 视为独立产品，则 C-64 销量约为 1060 万台），成为史上最畅销的计算机。

技术特征与成功原因

C-64 的成功在于其在成本与功能之间取得了极佳的平衡。尽管为了控制价格在某些方面做了妥协（如磁盘驱动器速度较慢、调制解调器支持有限），但其核心性能表现出色：

• 图形能力：支持 16 色图形，分辨率为 160×200 或 320×200。它还拥有 8 个精灵（sprites），这对游戏编程非常有利。
• 音频性能：配备了由 Bob Yannes 设计的 SID 音频芯片。虽然该芯片仅支持三个声部，但其灵活性和产生复杂波形的能力优于当时竞争对手的产品，使程序员能够创造出令人印象深刻的音效。

市场地位与生命周期

Commodore 最初预计 C-64 的生命周期约为 3 年，但其生命力远超预期。由于竞争对手 Atari 800XL 在 1983 年遭遇供应链问题，C-64 进一步巩固了市场地位。即便到了 1990 年代初，C-64 依然有持续的需求，并在 1993 年仍处于销售状态。

个人影响与文化遗产

C-64 不仅仅是一款游戏机，它还成为了许多人学习计算机科学的启蒙工具。通过 Basic 语言、6502 汇编语言以及硬件维修和数据恢复，一代用户在这一平台上掌握了编程和计算机基础概念，许多人因此开启了在 IT 领域的职业生涯。

时至今日，C-64 仍具有强大的怀旧吸引力。不仅带动了复古技术内容的流行，甚至在 2025 年左右，通过基于 FPGA 的技术，C-64 的复刻版硬件重新投入了生产，证明了该平台持久的影响力。

人工神经网络中涌现的符号结构：研究摘要

研究背景

传统的智能模型通常基于符号的结构化组合（如逻辑公式）进行建模。然而，现代最强大的人工智能系统是基于神经网络的，它们使用连续向量来表示信息。从理论上看，连续向量似乎难以捕捉语言、逻辑和其他认知领域的结构特征，但神经网络在这些领域却展现出了卓越的性能。

核心假设

本研究提出了一种潜在的解释：尽管表现形式不同，但神经网络的内部表示实际上在隐式地实现符号结构。

研究方法与发现

研究人员通过以下方式验证了上述假设：

1. 符号近似：研究表明，多种神经网络的向量表示可以用符号结构进行精确近似。研究者能够使用一个实例化了符号结构的“闭式方程”（closed-form equation）来替换神经网络整个的表示生成过程，且网络的行为基本保持不变。
2. 广泛的适用性：该发现不仅适用于训练用于操作列表的小规模神经网络，也适用于在大语言模型（LLMs）中得到验证。实验涵盖了符号传统中的四个核心领域：
   • 算术 (Arithmetic)
   • 逻辑 (Logic)
   • 计算机代码 (Computer code)
   • 语言 (Language)
3. 行为干预：通过这种符号近似方法，研究者可以对大语言模型的内部表示进行精确的干预，从而有针对性地修改其行为。这一结果进一步证明了大语言模型的操作行为确实依赖于研究者所识别出的符号结构。

研究意义

这项工作提供了一种潜在的方法，用以调和长期存在的符号智能概念与现代基于向量的 AI 技术之间的矛盾，揭示了神经网络如何利用向量表示来承载复杂的符号化智能。

自制文本编辑器的技术探索

本文记录了一位开发者尝试从零构建 Web 文本编辑器的探索过程，重点比较了三种不同的技术实现路径：Canvas、contenteditable 和 textarea。

1. 基于 Canvas 的渲染方案

作者最初尝试在 <canvas> 元素上渲染所有内容。

• 优点：拥有完全的渲染控制权。
• 缺点：
  • 性能开销：为了维持高帧率渲染，CPU 负担较重。
  • 功能缺失：无法直接利用浏览器的原生功能，必须手动实现文本选择、撤销/重做历史、多行粘贴以及溢出滚动等核心功能。
  • 可访问性差：Canvas 方案完全无法通过原生方式实现无障碍访问（Accessibility）。
• 优化思路：作者通过使用一个隐藏的 <div> 来模拟滚动，利用其滚动位置来计算 Canvas 的渲染偏移。此外，提到 EditContext API 可以改善 Canvas 的输入体验。

2. 使用 contenteditable 属性

为了解决可访问性和功能缺失问题，作者转向了使用带有 contenteditable="plaintext-only" 属性的 HTML 元素。

• 优点：
  • 原生支持：自动继承了浏览器的文本选择、撤销/重做历史以及完善的可访问性。
  • 开发效率高：通过 Selection API 可以获取指标并自定义光标样式。
• 缺点：
  • 性能瓶颈：在处理大量字符时，Chromium 等浏览器的性能表现会出现不稳定的下降。
  • 细节处理：必须禁用 spellcheck 等属性以避免输入延迟。

3. 使用 Textarea 方案

作为最终的实验方案，作者尝试了传统的 <textarea>。

• 优点：在处理长文本时，textarea 的性能表现优于上述两种方案。
• 缺点：
  • 语法高亮困难：textarea 不支持 CSS 高亮（如 ::highlight），因此需要引入额外的“DOM 汤”（div soup）层来展示高亮效果（如结合 MicroLighter 使用）。
• 改进方向：
  • 利用新的 OpaqueRange API 为 textarea 实现自定义高亮。
  • 使用 Tree-sitter 生成语法树，仅对可见行进行高亮渲染。
  • 引入虚拟滚动（Virtualized Scrolling）技术来优化大规模文档的渲染。

总结与技术启示

尽管通过上述尝试实现了编辑器 90% 的基础功能，但实现一个完善的编辑器仍面临诸如缩进处理、高性能语法解析和复杂的字符处理等挑战。

作者最后提醒了 JavaScript 在处理文本时的潜在陷阱：由于 JavaScript 字符串基于 UTF-16 编码，在处理复杂的 Unicode 字符（如 Emoji 或组合字符）时，直接使用 .length 会产生错误的结果。建议使用 Intl.Segmenter 按字形边界（Grapheme）进行分割，以确保字符处理的准确性。

Martin von Zweigbergk 加入 East River Source Control 出任 CTO

核心动态 East River Source Control (ERSC) 宣布任命 Jujutsu 版本控制系统的创始人 Martin von Zweigbergk 为首席技术官 (CTO)。他将负责领导公司下一代版本控制平台的工程开发工作。

Martin von Zweigbergk 的背景

• Jujutsu 创始人：von Zweigbergk 于 2019 年发起 Jujutsu 项目，后将其转为 Google 的全职工作。该项目基于 Apache 2.0 协议，在 GitHub 上拥有超过 30,000 颗星。
• 工程经验：此前他曾参与开发 Fig（Google 用于 Piper 单体仓库的 Mercurial 客户端），并为 Git 做出过贡献。

公司愿景与产品计划

• 应对 AI 挑战：ERSC 致力于构建新一代版本控制平台，以应对 AI 重塑软件行业后，组织在源代码管理和协作方面日益增长的需求。
• 产品动态：ERSC Storage 计划于本月晚些时候进入私人测试（private beta）阶段。
• 关于 ERSC：公司成立于 2025 年，由 Amplify Partners 提供支持。

技术目标与开源承诺

• 技术突破点：von Zweigbergk 指出，虽然 Jujutsu 优化了本地版本控制，但现有的远程服务器仍以 Git 为主，其扩展性在处理大规模产品时存在瓶颈。他认为存储层需要进行变革，而通过公司支持来推进这项工作比单纯依靠开源项目更为有效。
• 开源维护：加入 ERSC 后，von Zweigbergk 将继续担任 Jujutsu 开源项目的核心维护者。

Apple 在针对 OpenAI 的诉讼中披露“令人震惊的证据”

Apple 在针对 OpenAI 的持续诉讼中提交了最新文件，声称通过对前工程师 Chang Liu 使用过的 MacBook 进行初步取证分析，发现了“令人震惊的证据”。Apple 正以此为由，推动法院加快取证程序（expedited discovery）。

案件背景

Apple 于 2026 年 7 月提起诉讼，指控前员工为 OpenAI 的利益窃取商业机密。Chang Liu 曾是 Apple 的高级系统电气工程师，于今年 1 月离职前往 OpenAI 工作。诉讼指控 Liu 利用安全漏洞，在离职后下载了机密的工程文件。OpenAI 此前曾要求法院驳回该诉讼。

取证分析的主要发现

根据 Apple 提交的文件，对 Liu 的 MacBook 进行的初步取证分析揭示了以下四个关键点：

1. 使用机密文件：Liu 不仅下载了 Apple 的机密电路原理图，还在 OpenAI 的工作中使用了该文件。
2. 知情权：Liu 及 OpenAI 的其他人员对于他未经授权访问 Apple 第三方云存储的行为是知情的。
3. 销毁证据：在得知 Apple 正对其进行内部调查后，Liu 指示一名 OpenAI 同事销毁证据，该同事随后确认会配合。
4. 工具重合：Liu 在 OpenAI 工作时使用的一个工具，其名称与 Apple 内部用于开发工作的工程应用名称完全相同。

技术细节与风险

Apple 指出，Liu 曾在 3 月份使用电路仿真工具 LTspice 运行该电路原理图文件。在相关信息中，Liu 曾提到他的 AI “智能体”（agent）已经学会了运行 LTspice 并审查结果。

Apple 在文件中特别强调，将商业机密输入 AI 智能体或模型进行学习，可能会导致这些机密产生“不可逆且持续传播的使用情况”。

诉讼进展与请求

Apple 表示，由于 Liu 曾在一部 Mac mini 上使用该原理图，而该设备通过 iCloud 与其 MacBook 同步，因此 Apple 现在请求获得该 Mac mini 的访问权限。

Apple 认为，这些证据证明了其诉讼并非“钓鱼式调查”，而是确有商业机密被使用以及证据被销毁的情况，因此迫切需要加速取证程序，以获取更多文件并对 OpenAI 的关键员工和高管进行证词询问（depositions）。

Movie Scene Map 项目概述

Movie Scene Map 是一个免费的交互式地图平台，旨在记录全球影视作品及相关艺术作品的地理足迹。该地图目前收录了分布在 166 个国家的 15,716 个真实拍摄地点（包括制片厂、城堡、街道及自然景观）。

核心内容与分类

该地图根据作品的性质将地理信息分为两大类：

• 实际拍摄地：涵盖 9,295 部电影和电视剧，通过真实的地理坐标展示其拍摄位置。
• 故事背景地：涵盖 2,153 款视频游戏、407 部动漫和 365 部漫画。由于这些作品并非实地拍摄，地图通过其叙事背景（Setting）进行地理定位。

数据来源与构建机制

该地图完全基于开源数据构建，强调数据的透明度与严谨性：

• 数据核心：主要依赖 Wikidata 中的“拍摄地点声明”（filming location statements），并关联了 Wikimedia Commons 的照片及 Wikipedia 的相关文章。
• 数据校验：若信息来源于 Wikipedia 的文章句子或分类，会明确标注为“per Wikipedia”，以区分于更具结构化证据的 Wikidata 声明。
• 构建原则：地图不进行网页抓取（Scraping），也不使用 AI 生成内容，所有数据均由结构化声明驱动。
• 用户贡献：用户可以通过在 Wikidata 中为相关作品添加带有来源的拍摄地点声明来丰富地图内容。

统计亮点

• 拍摄地点最密集的国家（前三名）：美国（5,178 个地点）、英国（2,068 个地点）、法国（947 个地点）。
• 作品产出最多的地区：加利福尼亚州（1,751 部作品）、洛杉矶县（1,443 部作品）、洛杉矶（1,073 部作品）等。
• 知名代表作：收录了包括《权力的游戏》、《阿甘正传》、《泰坦尼克号》、《教父》及《鱿鱼游戏》在内的众多高知名度作品。

使用与开放性

• 完全免费：平台无广告、无账号限制、无付费墙。
• 数据开放：整个地图数据集以 CC0 协议开放，用户可下载 GeoJSON 或 CSV 格式。
• AI 支持：提供只读的 MCP（Model Context Protocol）端点，方便 AI 助手实时检索数据。

Mistral 用户数据训练政策摘要

核心政策

Mistral 在特定情况下默认会将用户的输入和输出数据（包括对话、文档及其他用户提供的内容）纳入其模型训练计划中。企业级（Enterprise tier）用户不受此默认政策影响。

数据退出（Opt-out）机制

用户可以根据所使用的具体服务或平台，通过以下不同方式申请退出数据训练：

• Vibe 服务（通过管理面板）：用户可以通过 Admin panel 进行操作。
• Vibe 服务（移动端）：iOS 和 Android 应用程序均提供了相应的退出程序。
• Mistral Studio 及 API 服务：用户可以通过 Admin panel 申请退出相关的数据训练。

Atlas：面向空间智能的世界模型

World Labs 推出的 Atlas 是一个下一代全能（Omni）世界模型，旨在通过实现空间智能来生成、重建和模拟各种世界。Atlas 是一个多模态自回归扩散 Transformer，能够原生处理文本、图像、视频和 3D 数据，并将其整合到一个共享的“空间上下文”（Spatial Context）中。

核心功能

Atlas 的应用场景涵盖了世界生成、重建和模拟三大领域：

1. 相机控制生成 (Camera-Controlled Generation)

   • 像素级控制：不同于仅依赖文本描述的模糊控制，Atlas 使用精确的相机几何参数作为原生输入，允许用户指定任何相机位置和角度。
   • 长视频生成：能够从少量参考图像出发，生成长达 1 分钟、分辨率达 1440p 的连贯视频。
   • 空间上下文插值：通过将不同的参考图像放置在 3D 空间的不同位置，Atlas 可以生成平滑过渡的场景，实现不同图像间的空间插值。

2. 空间重建 (Spatial Reconstruction)

   • 稀疏输入重建：Atlas 能够从极少数（甚至仅 1-3 张）输入图像中重建出真实的场景。当输入图像不足时，它会利用其世界知识来“想象”并填补未见区域。
   • 显式 3D 输出：除了生成 2D 图像和视频，Atlas 还能原生输出显式的 3D 数据，包括点云（Point Clouds）和 3D Gaussian splats，这对于游戏、设计和机器人领域至关重要。

3. 时空模拟 (Space-Time Simulation)

   • 视频重构：Atlas 能够理解空间结构与时间的演变。通过少量视角的视频，它可以实现类似于“子弹时间”的效果，允许从全新的角度重新审视拍摄的内容。
   • 机器人仿真 (Real-to-Sim)：Atlas 可以将现实世界的视频转化为高质量的仿真环境，为机器人的导航和操作提供训练数据。它不仅能重建环境，还能模拟物体之间的物理交互（包括刚体、关节体和变形体）。

4. 图像生成 (Image Generation)

   • 支持从文本生成图像和 360 度全景图，能够遵循复杂提示词并渲染文字，具备多样化的视觉风格。

技术架构

Atlas 的设计核心在于将空间控制置于模型中心，其架构结合了以下四个关键特性：

• 多模态 (Multimodal)：原生处理文本、图像、相机位姿和 3D 深度图。
• 自回归 (Autoregressive)：像大语言模型（LLM）一样，逐个生成多模态序列中的元素，这使其能够灵活应对各种任务。
• 扩散 (Diffusion)：采用修正流（Rectified Flow）模型通过逐步去噪生成输出，在高质量图像/视频生成方面表现卓越。
• Transformer：利用 Transformer 作为强大的主干网络，使其能够受益于现代硬件和算法（如 KV 缓存、扩散蒸馏等）的优化。

性能与扩展性

• 基准测试：在“相机条件生成”和“3D 重建”两项关键任务中，Atlas 的表现均优于目前最先进的专门化模型。特别是在处理复杂的相机轨迹时，其优势更为显著。
• 规模效应 (Scaling)：Atlas 在大规模多模态数据集上从头开始预训练。实验表明，其性能随训练计算量的增加而持续提升，预示着通过进一步扩展规模，模型能力将得到更大幅度的飞跃。

目前，Atlas 已向部分合作伙伴开放早期访问。

slotstream 项目概述

slotstream 是一个专为 Apple Silicon 设计的工具，旨在让显存（统一内存）容量不足的 Mac 能够运行超大规模的混合专家模型（MoE），例如 105GB 的 Qwen3.8-Flash-Next（125B 参数，4-bit 量化）。

核心原理与设计

传统的加载方式在面对超大模型时会导致系统进入大量的磁盘交换（swap），从而使机器几乎无法响应。slotstream 采用了一种全新的内存设计方案：

• 混合驻留与流式传输：将模型中约 3.8GB 的核心部分（trunk）保留在内存中，而将其余的专家权重（experts）从 SSD 流式传输到一组固定的内存槽（slots）中。
• 内存池管理：内存池的大小会根据当前机器的实际可用内存进行自动调整。当其他应用程序需要内存时，slotstream 会释放内存。
• 针对 MoE 优化：由于 MoE 模型在每个 token 处理时仅需激活一小部分专家，这种“按需流式传输”的设计在保证性能的同时极大地降低了内存门槛。

性能表现（以 48GB M5 Pro 为例）

• 解码速度：预热后的解码速度约为 12 tok/s。
• 启动速度：引擎启动仅需约 2 秒（仅加载 3.8GB 的核心部分）。
• 内存占用：峰值内存约 32 GB（可根据需要限制）。
• 扩展性：工具会自动识别硬件配置并提供预估方案。例如，在 16GB RAM 的 Mac 上，它会自动分配约 10GB 内存，解码速度约为 4 tok/s。

主要功能与特性

• API 兼容性：支持 Ollama 和 OpenAI 的聊天 API，用户可以使用现有的工具（如 Open WebUI）直接进行交互。
• 投机采样 (Speculative Decoding)：支持通过草稿头（draft head）进行预测，在内存充足的情况下，解码速度可提升约 1.24 倍。
• 优化的 Prompt 处理：采用“扫描（sweep）”机制处理 Prompt，通过分组矩阵乘法提高预填充（prefill）阶段的速度，并避免长 Prompt 导致专家缓存被过度驱逐。
• 上下文管理：支持最高 32,768 tokens 的上下文长度。
• Swift 支持：除了命令行工具，它还提供 Swift Package，允许开发者在原生 Mac 应用中集成该功能。

使用要求与限制

• 硬件要求：仅限 Apple Silicon 设备，运行 macOS 14+，并需准备约 110GB 的可用磁盘空间。
• 模型限制：当前版本仅支持 qwen3.8-flash-next:4bit 这一个模型。由于引擎是针对该模型的几何结构构建的，因此无法直接运行其他模型（如 Llama 或 DeepSeek）。
• 平台限制：由于依赖 MLX 和 Metal 框架，且设计基于统一内存架构，该工具不支持 Linux 或 Windows（即便在 NVIDIA/AMD 显卡上也不适用）。

安装与使用

• 安装：通过一键安装脚本即可完成：curl -fsSL https://raw.githubusercontent.com/carloslfu/slotstream/main/install.sh | sh。
• 运行命令：
  • 命令行直接运行：slotstream run --prompt "问题"
  • 启动 API 服务：slotstream serve（监听 11434 端口）
  • 下载权重：slotstream pull

Weedout：用于隐藏 YouTube AI 标签视频的 Safari 扩展程序

Weedout 是一款专为 Safari 浏览器开发的扩展程序，旨在自动隐藏 YouTube 平台上带有“Made with AI”（由 AI 生成）标签的视频。

核心功能

• 多场景过滤：自动从 YouTube 的首页、搜索结果、相关视频、播放列表以及 Shorts 短视频栏目中过滤掉 AI 标签视频。
• Shorts 自动跳过：支持在 Shorts 播放器中自动跳过带有 AI 标签的短视频（此功能为可选）。
• 调暗模式 (Dim mode)：提供一种“变暗”而非“移除”的模式，允许用户在完全信任过滤效果前，先通过调暗视频的方式进行人工验证。

技术特点与隐私保护

• 检测机制：该扩展程序直接依赖 YouTube 官方提供的“Made with AI”披露徽章进行识别，不使用启发式算法或猜测，从而避免了误判风险。目前其功能范围仅限于已标注的视频。
• 高度隐私：无需注册账号，不进行数据追踪，也不收集任何用户信息。所有的运行逻辑均在用户的 Mac 本地设备上执行。

支持与反馈

用户可以通过电子邮件（masteranza@gmail.com）提交问题、Bug 报告或反馈未被成功过滤的视频链接。

荷兰央行将部分黄金储备从北美转移至伦敦

荷兰央行（DNB）于2026年9月2日宣布，出于对全球地缘政治紧张局势的担忧，已将价值超过100亿欧元的黄金（约8.6万公斤）从美国和加拿大的存储设施转移至伦敦的英格兰银行。

核心目的与动机

荷兰央行表示，此次行动旨在提高其危机应对能力。由于英格兰银行被视为全球黄金流动性最强、最易于交易的市场，将黄金存放于此可以确保在危机发生时，荷兰能够更迅速地变现其储备。

黄金储备分布与变动情况

荷兰目前的黄金总储备为612.4吨，截至去年年底价值约722亿欧元。此次转移大幅改变了储备的地理分布：

• 转移过程（3月至8月）：
  • 超过27吨黄金从北美物理转移至位于乌特勒支（Utrecht）的DNB现金中心（Zeist）。
  • 在纽约出售了59吨黄金，并同步在伦敦购入了同等数量的黄金。
  • 为了在不增加荷兰国内黄金总量的情况下维持比例，又有27吨黄金从Zeist转移到了伦敦。
• 储备现状分布：
  • 伦敦： 约196,600公斤
  • Zeist (荷兰)： 约188,600公斤
  • 纽约： 约113,300公斤
  • 渥太华： 约113,300公斤

背景与对比

相比今年2月底的情况，荷兰黄金在北美的占比显著下降。此前，纽约持有最大的份额（31.3%），而目前纽约的储备减少了约78.39吨，渥太华的储备减少了7.35吨。

此次调整的背景是日益加剧的地缘政治不稳定性。报道提到，美国近期在伊朗、加拿大、古巴及委内瑞拉等地的冲突及军事行动，已导致全球石油价格上涨。通过在北美、英国和美国之间实现更均衡的黄金供应分布，荷兰央行旨在进一步分散风险。

LLM 推理的高效前沿（Efficient Frontier）概述

在大型语言模型（LLM）推理领域，“高效前沿”是指在资源约束下，通过管理不同目标之间的权衡（Trade-off）来寻找最优组合的过程。主要的权衡维度包括：延迟（Latency）与吞吐量（Throughput）、质量（Quality）与吞吐量，以及智能水平（Intelligence）与速度。

推理工程技术可以分为两大类：

1. 权衡管理技术：通过在现有前沿上移动，以适应特定的业务需求（例如：为了低成本选择高吞吐，或为了用户体验选择低延迟）。
2. 前沿推移技术：通过提升整体效率，将整个前沿向外推，从而实现延迟降低、吞吐量增加或两者的结合。

1. 管理权衡的技术（在现有前沿上移动）

这类技术旨在通过调整配置，在不同的性能指标之间寻找平衡点。

• 批处理大小（Batch Sizing）：
  • 小 Batch Size：单用户延迟极低，但每 GPU 生成的总 token 数少，导致单个 token 的成本较高。
  • 大 Batch Size：显著提升整体吞吐量并降低成本，但会增加单用户的延迟。
• 并行策略（Parallelism Strategy）：
  • 张量并行（Tensor Parallelism, TP）：通过在高速互连（如 NVLink）的 GPU 间拆分模型，有效降低延迟，适用于延迟敏感型场景。
  • 专家并行（Expert Parallelism, EP）：较低程度的 EP 有助于降低延迟，而大规模 EP（跨 GPU 机架）则能支持更高的吞吐量。
  • 注意力数据并行（Attention Data Parallelism, ADP）：通过复制注意力层实现并行计算，旨在提升系统吞吐量，但会牺牲单次请求的速度。
• 量化（Quantization）：
  • 通过降低权重、激活值或 KV Cache 的精度来提升延迟和吞吐量。
  • 权衡点：量化会在服务效率与模型质量之间引入新的权衡。使用先进的微尺度浮点格式（如 MXFP4）可以在几乎不损失质量的前提下大幅提升效率。

2. 推移前沿的技术（实现全局增益）

这类技术能够提升系统的整体性能极限，其效果往往具有叠加效应。

• 内核优化与运行时改进（Kernel Optimization and Runtime Improvements）：
  • 通过优化底层的 CUDA 内核（如矩阵乘法）以及推理引擎的端到端前向传播过程，减少生成每个 token 所需的资源，从而实现性能的全局提升。
• 推测解码（Speculative Decoding）：
  • 通过预测模型可能生成的 token 并进行验证，减少必要的前向传播次数。在代码生成等输出具有预测性的场景中，该技术能显著降低延迟并提高每秒生成的 token 数。
• 解耦（Disaggregation）：
  • P/D 解耦：将 Prefill（预填充）阶段和 Decode（解码）阶段分离到专门的计算节点上。这种策略允许针对每个阶段的独特特性进行独立优化，并能根据流量特征灵活调整两者的比例，从而在保持或降低延迟的同时显著提升吞吐量。

Tektronix TDS7104 示波器翻新指南总结

本文详细记录了对一台 Tektronix TDS7104 示波器的修复与翻新过程。该设备是一款 1 GHz、4 通道的示波器，硬件架构基于 NLX 规格的 PC 主板（运行 Windows 2000 Pro Embedded 系统）以及一个运行 VxWorks 的 PowerPC 控制板。

1. 常见故障与初步处理

TDS7104 的常见故障包括：

• PC 主板或 PowerPC 控制板的 CMOS/备份电池失效。
• 机械硬盘损坏。
• 电源供应器电容泄漏。

在开始维修前，作者首先使用 USB 转 IDE 适配器，通过 HDD Raw Copy Tool 对原有的 6 GB IBM Travelstar 硬盘进行了镜像备份。

2. 硬件维护与显示修复

• 电池更换与显示调整： 更换了主板上的 CR2032 电池。针对更换电池后出现的显示异常，需将 Chips & Technologies 69000 显卡设置为 24 位真彩色模式，以确保波形正确渲染。此外，通过调整 Windows 的 Gamma 设置解决了屏幕过暗的问题。
• 拆解警告： 拆解时需格外小心前面板，因为其塑料卡扣非常脆弱。作者建议在进行 PC 组件维护时，尽量避免拆卸整个前面板。

3. 操作系统重装与 SSD 升级

作者尝试将原有的机械硬盘更换为 32 GB 的 mSATA SSD（通过适配器连接），但最初的磁盘镜像克隆尝试导致了 Windows 注册表文件错误（STOP: c0000218）。因此，作者决定在 SSD 上从头安装 Windows 2000 Pro。

解决安装媒介问题： 由于原有的 TEAC CD-ROM 驱动器损坏，且更换的新驱动器与 BIOS 不兼容，作者无法使用传统的 CD 安装方式。为解决主板不支持 USB 启动的问题，作者采用了以下方案：

1. 使用 WinSetupFromUSB 工具将 Windows 2000 安装镜像制作到 USB 闪存盘中。
2. 利用 Plop Boot Manager：先在软盘中制作 Plop 启动镜像，通过软盘引导进入 Plop 管理器，再通过该管理器驱动 USB 接口，从 USB 闪存盘启动 Windows 安装程序。

4. 软件、驱动与固件配置

系统安装完成后，必须完成以下关键步骤以恢复示波器功能：

• 安装专用驱动： 包括前板 USB 设备、Texas Instruments PCI-1225 控制器、PCI2PCI 桥接器，以及至关重要的 Chips & Technologies 69000 视频驱动（该驱动负责通过 DMA 模式在屏幕上叠加渲染示波器波形）。
• 固件与字体： 安装 Tektronix 官方固件，并安装 TekFonts 字体，以确保示波器屏幕上的特殊符号（如触发符号）显示正常。
• 功能授权恢复： 利用开源脚本，根据设备的序列号和 UID 重新生成并激活高级抖动分析（Jitter Analysis）等软件许可。

5. 最终维护

最后，作者使用 90% 浓度的异丙基酒精清洁了控制面板的旋钮，去除指纹油脂。翻新后的示波器启动速度显著提升（从约 2 分 50 秒缩短至 1 分 35 秒），各项功能恢复正常。

研究摘要：AI 推荐背后的“人工制造”来源分析

这项研究调查了 Perplexity AI 模型在提供软件产品推荐时所引用的信息来源。研究人员针对 380 个不同的软件类别向 perplexity/sonar 和 perplexity/sonar-pro 模型发送指令，要求其以 JSON 格式返回前五名产品及其官方域名，并记录了模型引用的所有 URL。

核心发现：低权威度来源的普遍性

研究显示，AI 模型的引用来源中，低权威度网站占比极高。在 7,534 个引用中：

• 59.8% 的域名在 Tranco 全球排名前 100 万名的列表中的排名低于 100,000。
• 23.4% 的域名根本不在前 100 万名之内。
• 相比之下，Wikipedia 在所有引用中仅出现了 3 次。

针对 AI 优化的“大规模内容农场”

研究发现，三个网站（wifitalents.com、worldmetrics.org 和 gitnux.org）表现出明显的协同特征，疑似由同一实体控制。这些网站共同生成了 215,128 个 机器生成的“最佳 <类别> 软件”页面。

其显著特征包括：

• 针对机器优化：这两个网站的 HTML 标题设为 “Facts & Grounding Page”（事实与接地页面）。“Grounding”（接地/溯源）是 AI 检索过程中的术语，而非人类买家的常用词。其元描述（meta description）也是为软件阅读器设计的。
• 基础设施高度一致：三者在 2023 年底至 2024 年间注册，使用相同的 Cloudflare 名称服务器，并采用完全相同的页面模板、导航结构和博客布局。
• 内容虚假性：尽管它们宣称拥有“专家评审”和“编辑流程”，但针对同一软件类别（如“项目估算软件”），这三个网站给出的排名完全不同，且使用了完全不同的虚假员工名单。

其他主要来源

除了上述内容农场，研究还识别出另一个重要的引用来源：

• 厂商营销博客：guideflow.com（一家销售产品演示服务的供应商）是第三大引用来源。虽然它并非评论网站或目录，但其大规模的营销博客文章被 AI 模型频繁引用作为决策依据。

链接准确性与错误

研究人员检查了模型提供的 1,502 个厂商主页，发现：

• 1.1% 的域名已失效或无法访问。
• 部分模型提供的链接存在严重偏差。例如，在回答特定数据工具问题时，模型提供的 URL 可能会跳转至无关的在线博彩网站或赌场网站。

研究局限性

• 对象单一：研究仅针对 Perplexity 模型，未涉及 ChatGPT、Gemini 或 Copilot。
• 测量维度：研究衡量的是 AI 推荐背后的证据基础（即引用来源），而非推荐结果本身的质量。研究并未测试如果移除这些来源，AI 的推荐结论是否会发生变化。
• 检索层重叠：Perplexity 的不同模型版本共享相似的检索层，因此它们的引用列表具有高度重叠性。

Nori Robotics (YC S26) 产品概述

Nori Robotics 推出了旨在用于开发和支持日常家庭任务的低成本人形机器人。

核心功能与软件

• 技能市场 (Skills Marketplace)： 用户可以在家中训练机器人的技能，并将其分享到全球。
• Nori Lab 应用： 提供配套的笔记本电脑应用程序，用于机器人的训练、操作和管理。

硬件规格

• 机械臂： 具备 7+1 自由度 (DOF)，单臂负载能力为 1.5kg。
• 激光雷达 (Lidar)： 探测范围为 12 米，扫描频率在 8-12Hz 之间；在 10Hz 频率下，角分辨率为 0.72°。
• 摄像头： 配备 4 个 720p RGB 摄像头（最高 30 fps），安装位置包括夹持器、头部和颈部。
• 音频系统： 集成了扬声器和麦克风，支持语音指令操作。
• 电池续航： 电池续航时间为 6-8 小时。

销售与交付信息

• 价格： 1,688 美元（全额支付，无需定金）。
• 发货时间： 预计 2026 年秋季发货。
• 生产地： 公司总部位于美国，机器人在旧金山组装。

https://www.science.org/content/article/world-s-biggest-dark-matter-detector-spots-single-weird-particle

Quasar 438B 模型概述

Multiverse Computing 推出了其旗舰推理模型 Quasar 438B。该模型专为企业级智能体（Agents）和编程任务设计，支持英语和西班牙语，旨在为需要多步规划、工具使用、代码执行及长上下文处理的任务提供高效的推理能力。

核心性能指标

• 智能指数（Intelligence Index）： 在 Artificial Analysis Intelligence Index v4.1.1 测试中，Quasar 获得了 43 分，是目前欧洲得分最高的模型。其表现优于 Mistral Medium 3.5 (30分)、NVIDIA Nemotron 3 Ultra (38分) 和 Inkling (42分)。
• 响应速度： Quasar 在生成 500 个 token 时（含推理时间）仅需 15.3 秒。在同类对比中，除了 Gemini 3.7 Flash 兼具更高智能与更快的速度外，Quasar 在性能与速度的平衡上具有显著优势。相比之下，Inkling 处理相同任务需要 48.3 秒，而 Nemotron 3 Ultra 需要 25.7 秒。
• 长文本推理能力（AA-LCR）： Quasar 在该项测试中得分为 75.0，其表现与 Grok 4.6、Claude Opus 5 和 Qwen3.8 等顶尖模型处于同一梯队，大幅领先于 Nemotron 3 Ultra 和 Mistral Medium 3.5。
• 智能体编程与终端工作（Terminal-Bench v2.1）： Quasar 获得了 69.3 分，在模拟真实终端环境的任务中表现出色，优于 Mistral Medium 3.5 和 Nemotron 3 Ultra。

应用场景与价值

Quasar 438B 针对以下企业级应用进行了优化：

• 软件开发智能体与技术副驾驶（Copilots）： 利用其强大的编程和终端处理能力。
• 研究系统与文档分析： 利用其卓越的长上下文处理能力，进行跨文档的信息提取与逻辑推理。
• 工作流自动化： 其快速的响应时间使其能够集成到交互式产品中，而非仅限于批处理任务。

获取方式

企业用户可以通过 CompactifAI API 直接调用该模型进行测试和部署，无需自行搭建底层基础设施。

https://www.washingtonpost.com/politics/2026/09/01/thanks-lake-ontario-mapquest-is-popular-all-over-again/

https://openai.com/index/path-to-astra/

基于 M4 Pro Mac Mini 的本地 LLM 部署方案总结

本文介绍了一种在配备 48GB RAM 的 M4 Pro Mac Mini 上构建本地大语言模型（LLM）服务器的方案，旨在实现高效、私密且低成本的 AI 工作流。

核心架构与技术栈

该方案通过集成多种工具，构建了一个跨设备的 AI 服务体系：

• 推理服务器：使用 oMLX 进行模型推理。
• 模型配置：
  • Qwen3.6-35B-A3B-OptiQ-4bit：作为主力模型，处理需要深度推理和逻辑的任务。
  • Gemma-4-E4B-it-OptiQ-4bit：作为轻量化模型，处理简单对话、格式化及日常琐事。
• 网络连接：使用 Tailscale 构建私有网格网络（Tailnet），实现 Mac Mini、iPhone 和 MacBook 之间的安全互联。
• 客户端应用：
  • Hermes：作为 Agent 后端运行在 Mac Mini 上。
  • Hermes Desktop：在 MacBook 上作为客户端连接后端。
  • Telegram：在手机端作为交互界面。
  • Apollo (iOS)：用于快速、轻量级的问答。
  • Pi：专门用于编程辅助。
  • Raycast AI：用于 Mac 端的随机任务。

采用本地部署的核心动机

1. 规避云端风险：避免云端 API 价格波动、使用限制以及模型版本未经通知的变更（模型退化）。
2. 数据隐私与安全：防止敏感代码、客户数据或私有工作流通过第三方 API 泄露。
3. AI 主权：确保工作流不会因政府政策或模型访问限制而中断。
4. 经济性与预测性：将成本从变动的 Token 计费转变为固定的硬件与电力成本。
5. 性能优势：利用 M4 Pro 的媒体引擎实现更低的延迟，并具备离线工作能力，且不受 API 速率限制（Rate Limits）。

模型选择与内存管理策略

运行大型模型的核心在于优化统一内存（Unified Memory）的使用。

MoE（混合专家模型）的优势

作者强调了 MoE 模型（如 Qwen3.6-35B-A3B）与稠密模型（Dense model）的区别。虽然 MoE 模型总参数量较大（如 35B），但每个 Token 实际激活的参数量较小（如仅 3B）。这意味着虽然所有权重都需要驻留在 RAM 中，但推理时的计算压力和内存带宽需求更接近于较小的稠密模型，从而在有限的硬件上实现高性能。

内存预留建议

为了避免系统因内存耗尽而频繁使用 SSD 交换（Swap）导致性能大幅下降，建议遵循以下原则：

• 计算模型占用：参考量化后的文件大小（4-bit 模型约等于参数量 GB 数）。
• 扣除系统开销：macOS 约占用 6-8GB 内存。
• 预留上下文空间：为 KV 缓存（Context Window）预留 8-16GB 内存。
• 安全缓冲：确保“模型占用 + 上下文 + 系统占用”的总和仍有 10-15% 的余量。

性能与网络优化

• 硬件性能：M4 Pro 拥有 273 GB/s 的统一内存带宽，这决定了 Token 生成的速度。
• 模型切换：通过 oMLX，用户只需将新模型下载至指定目录即可实现自动发现与快速切换，极大降低了模型迭代的成本。
• KV 缓存持久化：oMLX 支持将 KV 缓存存储在 SSD 中。在 Agent 工作流中，当模型需要回溯之前的上下文时，可以从磁盘快速恢复，无需重新计算，显著提升了 Agent 的实用性。
• 网络安全性：通过 Tailscale 建立的私有网络确保所有服务仅在内部访问，无需向公网暴露端口。

这份内容汇总了多家科技公司的招聘需求，涵盖了从初级开发人员到创始级领导者的各类职位。以下是招聘信息的分类总结：

1. 核心技术领域与技能

• 人工智能与机器学习 (AI/ML): 这是招聘最为集中的领域，重点包括大语言模型 (LLM) 的预训练与后训练、智能体 (Agentic AI/AI Agents) 开发、AI 研究、计算机视觉、语音 AI、生成式 AI 以及 AI 基础设施。
• 软件工程: 广泛需求全栈、后端、前端及移动端工程师。热门技术栈包括 Python, TypeScript, JavaScript, Go, Rust, React, Node.js, Django, 以及 Elixir/Phoenix 等。
• 系统与基础设施: 涵盖云基础设施、分布式系统、DevOps、网络安全 (Cybersecurity)、内核开发、高性能计算 (HPC)、虚拟化技术 (VMM) 以及存储系统。
• 数据科学与工程: 包括数据工程、数据管道 (ETL)、量化研究、统计学、大规模数据处理（如 PySpark/Databricks）及机器学习运维 (MLOps)。

2. 职位级别与角色类型

招聘职位的层级跨度很大，包括：

• 基础与中层: 初级 (Junior) 工程师、中级 (Mid) 工程师。
• 资深与领导层: 高级 (Senior)、资深 (Staff)、首席 (Principal) 工程师，以及工程经理 (Engineering Manager)、技术主管 (Tech Lead) 和 CTO。
• 创业核心角色: 创始工程师 (Founding Engineer)、联合创始人 (Co-founder) 以及 CEO。
• 非工程角色: 产品经理 (Product Manager)、产品营销 (Product Marketing)、销售与运营主管、增长主管及数据科学家。

3. 工作模式与地理分布

• 远程办公 (Remote): 提供大量的远程职位，部分岗位对地理位置有特定要求（例如仅限美国、欧盟、加拿大或特定时区）。
• 线下/混合办公 (Onsite/Hybrid): 主要集中在科技枢纽，如旧金山/湾区、纽约、伦敦、阿姆斯特丹、柏林、多伦多、西雅图、苏黎世等。

4. 主要行业分布

招聘企业涉及多个垂直领域：

• AI 与前沿技术: AI 研究实验室、智能代理平台、自动化软件开发工具。
• 金融科技 (Fintech): 支付基础设施、量化交易、信贷平台、税务与保险科技。
• 医疗保健 (Healthcare): 医疗数据平台、临床研究工具。
• 硬科技与工业: 机器人技术、航空航天、核能技术、电子设计及制造业平台。
• 安全与合规: 网络安全、身份验证、AI 治理与合规性软件。
• 其他: 电子商务、教育技术 (EdTech)、招聘平台及网络通信。

Dyson CameraJet 电动牙刷功能与研究摘要

本文档包含了关于 Dyson CameraJet 电动牙刷的功能特性、测试模式及相关临床与实验室研究依据的详细说明。

主要运行模式

Dyson CameraJet 提供多种清洁模式以适应不同的口腔护理需求：

• Brush（刷牙）模式
• Auto-jet（自动喷射）模式
• Deep clean（深层清洁）模式
• Variable（可变）模式

核心技术与性能表现

• 喷射技术：该产品采用了 Dyson 特有的**锥形喷射（conical jet）**技术。在实验室测试中，该技术已与针状喷射（needle-shaped jets）进行了对比。
• 清洁效能：
  • 在“Brush”与“Auto-jet”组合模式下，其表现经过临床研究验证。
  • 在“Deep clean”和“Variable”模式下，产品通过实验室测试证明了其相较于手动牙刷的优势。
  • 在针对难以触及区域的测试中，该产品与市场上领先的高端电动牙刷进行了对比。
  • 使用 Dyson 漱口水配合使用时，其清洁效果也经过了实验室验证。
• 牙菌斑清除研究：产品使用了与新加坡国立大学牙学院（National University of Singapore, Faculty of Dentistry）合作研发的专利代理牙菌斑（proprietary proxy plaque）进行科学实验室测试。

智能功能与连接性

• 应用程序支持：设备可通过 MyDyson™ App 实现相关功能（具体功能可能因市场而异）。
• 连接要求：使用 App 需要互联网或 Wi-Fi 连接，并需遵循相应的操作系统及移动设备要求。

临床与实验依据

• 临床研究：一项涉及 204 名参与者、为期六周的研究表明，每日使用两次“Brush”和“Auto-jet”模式的效果与使用手动牙刷进行了对比分析。
• 实验标准：测试涵盖了与参考磨料（reference abrasive）的对比，以及在不同模式下的实验室性能评估。