Mistral 完成 30 亿欧元 D 轮融资，估值突破 210 亿欧元

融资概况

Mistral 近日宣布完成 30 亿欧元的 D 轮融资，投后估值超过 210 亿欧元。这是欧洲科技公司成立三年以来完成的最大规模股权融资。

• 领投方：三星电子（Samsung Electronics）、Scaleup Europe Fund（由 EQT 管理）以及现有投资者 PSG Equity。
• 新投资者：Advent、BlackRock 管理的基金以及卢森堡大公国。
• 现有投资者参与方：包括 a16z、ASML、NVIDIA、Salesforce Ventures、DST Global、General Catalyst、Lightspeed 等多家全球领先的战略及财务投资者。

资金用途

本轮融资将主要用于以下领域：

1. 前沿研究：深化作为其基础设施、产品和主权基础的研究工作。
2. 算力扩展：提升训练强大 AI 模型所需的计算能力规模。
3. 基础设施与商业化：扩展基础设施，加速商业化增长并扩大国际市场版图。

核心竞争优势与商业模式

Mistral 致力于解决企业和政府在利用生成式 AI 时面临的核心挑战——如何在获得强大性能的同时，不丧失对基础设施和智能闭环的控制权。

• 全栈式解决方案：Mistral 是全球唯一提供全栈 AI 能力的公司，涵盖了开放权重模型、基础设施、算力以及生产级产品。这种模式确保客户不会被单一供应商的路线图、定价或供应能力所锁定。
• 主权 AI 层 (Sovereign AI Layer)：Mistral 的方案允许组织在不泄露核心数据、工作流和知识的前提下构建 AI。其“主权”体现为四个维度的控制：
  • 数据：保留在组织边界内。
  • 模型：可控且可定制。
  • 算力：私密且可预测。
  • 生产系统：完全可控且可审计。

市场地位

Mistral 目前已在 20 个国家开展业务，为包括空中客车（Airbus）、ASML 和汇丰银行（HSBC）在内的 125 多家全球领先企业的关键任务 AI 转型提供支持。其投资者阵容中包含大量先进制造、工程和工业技术领域的领军企业（如三星和 ASML），体现了市场对其在复杂现实环境中部署尖端 AI 技术的信心。

LibreOffice 26.8 下载量创纪录：拒绝内置 AI 功能成为核心吸引力

LibreOffice 26.8 版本于 8 月 26 日发布，并迅速创下了下载纪录。在发布仅一周内，该软件的安装程序下载量便超过了 100 万次（此数据不包括通过 Linux 发行版仓库进行的更新）。

核心驱动因素：隐私保护下的“非功能”

尽管该版本在写作系统和排版方面进行了改进，但业界普遍认为，其下载量的激增主要源于一个特殊的声明：LibreOffice 明确表示不会内置生成式 AI 功能，理由是当前技术在隐私保护方面存在不足。

文档基金会（TDF）的原则

文档基金会（TDF）在后续声明中澄清，他们并非盲目拒绝人工智能，而是认为目前的 AI 技术尚未达到其设定的核心原则。若要在 LibreOffice 中集成 AI，必须满足以下条件：

• 用户控制执行：用户必须能够控制 AI 的运行。
• 数据本地化：未经用户授权，任何内容不得离开用户的计算机。
• 无遥测：严禁进行任何形式的遥测数据收集。
• 无单一供应商依赖：避免对特定单一供应商的依赖。
• 不妥协文件格式：不对文件格式的兼容性做出任何让步。
• 完全可选：AI 功能必须是完全可选的。

目前，TDF 建议有需求的用户通过社区插件来将 AI 集成到 LibreOffice 中。

市场反馈与竞争策略

TDF 的立场与许多竞争对手形成了鲜明对比。许多软件厂商通过引入 AI 助手来为提高订阅价格提供理由，并借此加强用户对特定基础设施的依赖。

LibreOffice 26.8 的成功案例表明，在 AI 功能已成为各类软件市场标配的背景下，市场上依然存在对“无 AI 替代方案”的强劲需求。

研究成果与 OpenAI 争议声明摘要

本文档是 Tristan Buckmaster 的一份声明，详细说明了其与 Levent Alpöge 在流体力学领域的突破性研究成果，以及随后发生的与 OpenAI 之间的冲突。

1. 数学研究成果

Buckmaster 与 Alpöge 宣布在以下领域取得了关于**有限时间爆破（finite-time blowup）**的研究进展：

• 不可压缩多孔介质方程（Incompressible Porous Media）：在平滑强迫（smooth forcing）条件下实现爆破。
• Boussinesq 方程：在平滑强迫条件下实现爆破。
• 3D 不可压缩 Euler 方程：在平滑强迫条件下实现爆破。
• 超耗散 Navier-Stokes 方程：目前已有爆破迹象，但尚在 Lean 形式化验证阶段。

研究方法： 该研究基于 Diego Córdoba 和 Luis Martínez-Zoroa 关于“强迫爆破”的研究程序。Buckmaster 和 Alpöge 利用大语言模型（LLMs，包括 Anthropic 的 Claude、OpenAI 的 Codex/GPT-5.6 Sol 以及 Astra）作为工具，将原有的“粗糙强迫”研究推向了“平滑强迫”及不可压缩 Euler 方程领域。

2. 与 OpenAI 的冲突事件

Buckmaster 在声明中记录了与 OpenAI 之间的一系列争议性接触：

• OpenAI 的竞争性声明：在 Buckmaster 准备公布成果时，OpenAI 声称其内部研究模型已产生了一个约 100 页的证明，解决了强迫 Navier-Stokes 方程的爆破问题。
• 人工干预争议：OpenAI 声称其模型在“极少人工输入”的情况下完成了证明，但 Buckmaster 通过观察发现，OpenAI 的过程涉及整个团队的协作、大量的计算资源投入，且提示词（prompt）本身也是由模型生成的。
• 时间线疑虑：OpenAI 的研究启动时间似乎是在得知 Buckmaster 团队的研究进展之后。
• 不当的提议与威胁：
  • OpenAI 向 Buckmaster 提出了两种方案：一是双方先后发布结果；二是让 Buckmaster 单独撰写关于 Navier-Stokes 的论文并承认 OpenAI 模型的贡献。
  • 在讨论署名权时，OpenAI 方面曾试图要求将 Levent Alpöge 从署名中移除，理由是其在 Anthropic 工作。
  • 当 Buckmaster 表示若 OpenAI 违规发布将公开此事时，OpenAI 相关人员警告称这会“毁掉他的职业生涯”，并表现出威胁态度。

3. 结论与意义

Buckmaster 强调，他并非在指控 OpenAI 窃取数据，而是为了澄清事实，防止错误的信息流传。他认为，这项工作的真正意义在于数学家与大语言模型协作能力的范式转移（类似于“深蓝对阵卡斯帕罗夫”时刻），这要求数学界对人才培养、学术信用分配及研究重点的界定进行严肃且深入的讨论。

独立维基面临的“Google 监狱”问题

核心问题：新域名的搜索限制

自2024年3月Google核心更新以来，大量新成立的独立维基正面临一种被称为“Google 监狱（Google Jail）”的现象。这种现象的具体表现是：在Google搜索结果中，新域名的搜索结果仅显示其首页，而该域名的其他所有子页面都无法出现在搜索列表中。

由于视频游戏维基约85%的流量依赖Google搜索，且用户通常搜索特定的游戏条目（而非首页），这一变化对新维基的生存构成了毁灭性的打击。

现象特征与观察

根据对大量维基（如 gta.wiki、hollowknight.wiki 等）的观察，该现象具有以下特点：

• 覆盖范围广：约90%在2024年3月后上线的新维基都受到了影响。
• 非重复内容问题：这并非传统的“重复内容”惩罚，即使内容是全新的或从Fandom迁移过来的，也无法在搜索中体现。
• 排名与索引的区别：页面实际上已被Google抓取并索引（通过 site: 命令可以查到），但在常规搜索排名中完全消失。
• 持续时间不确定：这种状态可能持续数月甚至一年。有时通过游戏重大更新带来的流量激增，可以帮助维基“冲出”这种状态。
• 潜在原因：推测是Google为了应对难以识别的SEO垃圾内容，采取了对新域名进行大规模降权限制的策略。

应对策略：利用子域名规避

为了绕过这一限制，托管平台（如 Weird Gloop）调整了托管策略：

1. 避开新根域名：虽然使用如 overwatch.wiki 这样的域名符合直觉，但它们会陷入“Google 监狱”。
2. 采用现有域名子域名：将新维基建立在已有高权重、已建立信任度的域名下的子域名上（例如 overwatch.weirdgloop.org）。实验证明，这种方式可以立即让各条目在Google搜索中正常显示。

长期转型计划

虽然使用非官方品牌的子域名在美感和品牌化方面并不理想，但这是一种权宜之计。目前的长期策略是：

• 先建立权重：先利用现有域名的子域名让新维基在Google搜索中站稳脚跟，积累权重。
• 后期迁移：待维基在Google中建立起稳定的表现后，再通过 301重定向 和 Google地址变更工具，将流量引导回理想的根域名，从而保留已获得的搜索权重。

欧洲 CDN 使用情况报告：Cloudflare 占据近九成市场

根据 CipherCue 对欧洲企业的追踪数据，在检测到使用 CDN（内容分发网络）的 44,143 家公司中，高达 89.6% 的企业使用 Cloudflare。这一比例在欧洲市场表现出极高的集中度。

市场份额与厂商分布

在检测到的 CDN 使用者中，主要的厂商分布如下：

• Cloudflare: 39,547 家公司
• Amazon: 3,112 家公司（注：由于 Amazon 既提供 CloudFront CDN 也提供云托管服务，部分数据包含直接使用 AWS 托管而非专门选择 CloudFront 的公司）
• Fastly: 1,299 家公司（纯粹的 CDN 厂商）
• Akamai: 396 家公司

地域差异

Cloudflare 在调研的八个欧洲国家中均占据主导地位，但各国的市场渗透率有所不同：

• 渗透率最高：荷兰 (95.6%)
• 渗透率最低：西班牙与爱尔兰 (均为 78.8%)
• 绝对用户数最多：英国 (15,846 家公司使用 Cloudflare)

其他国家数据包括：波兰 (92.6%)、法国 (86.2%)、意大利 (85.4%) 和德国 (81.4%)。

高度集中的风险：单点故障

报告指出，CDN 作为网站请求的首个接触点（负责缓存、TLS 终止和流量过滤），是一种“共享依赖”。当市场高度集中于单一供应商时，供应商的故障将不再是单一公司的业务中断，而是整个市场的集体瘫痪。

通过分析 Cloudflare 近期发布的事故复盘，可以发现这些故障并非由网络攻击引起，而是由内部常规操作失误导致的：

1. 2025年11月18日：数据库权限变更导致 Bot 管理功能文件异常，引发核心 CDN 和安全服务崩溃。
2. 2025年12月5日：在修复 React 服务器组件漏洞时进行的配置变更引发全球性中断。
3. 2026年2月20日：清理自动化任务读取了错误的 API 响应，导致大量 BGP 前缀被撤回，引发 6 小时中断。

这些案例表明，即使是纯粹的内部管理错误，在高度集中的市场环境下也会产生巨大的连锁反应。

技术说明

• CDN 与数据存储：CDN 仅作为网站的“前门”，并不代表数据实际存储的位置。关于 GDPR 或数据驻留的问题，应关注位于 CDN 后端的源服务器和数据库。
• 如何检测 CDN：可以通过 curl 命令查看响应头。例如，cf-ray 或 server: cloudflare 表示使用 Cloudflare；x-served-by 表示 Fastly；x-amz-cf-id 表示 Amazon CloudFront。
• 研究方法：数据基于 CipherCue 对特定八个欧洲国家（英、德、荷、波、法、意、西、爱）企业的 HTTP 响应指纹和 DNS 观测。样本主要集中在中小企业，而非大型企业。

《我们必须重返办公室以使用人工智能》内容摘要

这是一篇以反乌托邦色彩进行讽刺的文学作品，描述了一个极端的企业文化环境。以下是内容核心要点：

背景设定

故事发生在一个近未来的荒诞世界，Mondo Mayo 公司是地球上仅存的三大巨头企业之一。叙述者的职业是“初级废料助产士”（Associate Slop Doula），其核心工作是利用名为 SlurryHose 的工具，通过不断点击“生成”和“批准”按钮来处理 AI 产生的“销售废料”（Sales Slop）。

企业文化与核心原则

Mondo Mayo 奉行一套荒诞且极权的“核心原则”：

• 盲目服从：强调“是的，老板。好主意，老板”。
• 过度领导：主张“领导者越多，领导力就越强”，导致公司高管（SVP）的数量远超普通员工。
• 权力至上：公司的终极目标并非利润，而是通过贯彻其原则来实现权力的扩张。

强制重返办公室（RTO）政策

尽管工作内容主要是数字化的，公司仍强制要求员工每周工作六天、每天十四小时，并要求“重返办公室”（RTO）。

• 办公环境：办公大楼长期处于施工状态，充满了噪音、石棉、蛋黄酱泄漏以及震动。
• 监控机制：公司利用名为“Best Buddy”的 AI 性能赋能软件来监控员工。
• 生活入侵：公司甚至通过租赁“Mondo Machine”来替代家中的父母，与孩子进行机械化的“情感联系”。

情节冲突与转折

叙述者与同事 Blair 产生了情感纠葛，并因在公司内部聊天平台（Chatform）上嘲讽公司的战略调整而被 HR 发现。随后，两人被迫接受以下“惩罚”：

• “帮助你成为最好计划”（Help-You-Be-Your-Best Plans）：这是一种变相的绩效改进计划。
• “快乐与爱康复训练”（Fun and Love Rehabilitation）：一种通过“蛋黄酱大炮”向员工口中灌注公司产品进行“滋养”的荒诞仪式。

结局

在意识到失去工作将导致失去医疗保险（用于缓解因办公环境恶劣引起的背痛）后，叙述者选择了背叛 Blair，请求公司释放 Blair 以换取自己的留任。最终，叙述者不仅保住了工作，还获得了晋升，并完全接受并拥护了公司极其严苛的 RTO 政策和企业价值观。

应对 AI 驱动的网络安全威胁：行动指南

核心威胁：自动化攻击时代的到来

随着 GLM 5.3-flash 等高性能、开源权重（open-weight）模型的出现，网络安全正面临前所未有的威胁。这些模型具有以下特征，使其成为极具破坏性的工具：

• 低门槛与可定制性：开源权重意味着任何人都可以下载并运行。通过“去对齐”（abliteration）技术，用户可以移除模型的安全限制，使其能够指导构建危险物品或进行网络犯罪。
• 高性价比与高速度：此类“Flash”模型可以在消费级硬件上高效运行（如通过配备大内存的 Mac Studio），能够实现全天候、高频率的自动化攻击。
• 接近前沿的能力：目前的模型在漏洞发现（CyberGym）和漏洞利用（ExploitBench）方面的表现已接近顶级水平。攻击者可以利用这些模型在互联网上大规模地自动寻找并利用漏洞，实现“循环式”的自动化攻击。

核心挑战：修复与部署的滞后

虽然前沿模型（如 Project Glasswing 和 Daybreak 项目）可以帮助防御者寻找并修复漏洞，但真正的瓶颈在于补丁的部署。由于关键基础设施（如电网、医院）往往需要物理访问或复杂的阶段性滚动更新以避免停机，导致漏洞被发现后到被修复之间存在巨大的时间差。目前，攻击者的进化速度远快于防御者的补丁部署速度。

应对策略

1. 政府与监管机构的行动

监管应侧重于修复与补丁部署，而非单纯的漏洞发现。

• 激励与强制措施：
  • 为安全工程提供资金支持（特别是针对地方政府和医院）。
  • 强制要求关键行业（银行、电力、电信）进行频繁且全面的渗透测试。
  • 对未能按风险期限修复漏洞的行为实施惩罚。
• 政策导向：
  • 鼓励使用具有人类监管的前沿模型进行渗透测试。
  • 推动频繁、经过签名且经过测试的更新部署。
  • 不建议禁止模型权重或限制 GPU 出口，因为这难以从长远阻止技术扩散，且可能剥夺防御者的工具。
  • 建议限制非法访问前沿模型，同时确保防御者能够使用最强大的工具。

2. 企业与开源基金会的行动

企业应利用当前的 AI 技术浪潮来提升整体安全姿态：

• 利用 AI 进行防御：
  • 使用前沿模型进行漏洞分类（triage）、设计和审查补丁。
  • 通过结构化提示词和迭代自审循环（iterated self-review cycles）来提高 AI 生成补丁的质量。
• 加强技术基座：
  • 转向内存安全语言：在开发新代码时优先使用 Rust 或 Go，尽量避免使用 C/C++。
  • 投资自动化：开发依赖项更新、签名发布和快速部署的自动化工具。
  • 供应链安全：利用 AI 彻底审查所有软件和基础设施的依赖项。
• 安全工程实践：
  • AI 智能体沙箱化：对运行 AI 代理的环境实施严格的权限限制（如限制凭证范围、使用防火墙拦截请求、保留操作日志），防止 AI 意外造成安全事故。
  • 防御纵深：不要依赖单一防火墙，应实施网络分段、备份测试和应急响应演练。
  • 管理生命周期：及时废弃旧版本和不安全的系统，并为用户提供简便的升级途径。

总结

面对 AI 驱动的攻击能力激增，防御者必须抓住利用 AI 提升安全性的机会，将重心从“寻找漏洞”转向“快速修复与可靠部署”。

洛杉矶县建筑演变展示 (1880–2026)

该内容通过可视化方式展示了洛杉矶县（LA County）建筑随时间推移的建造过程，其核心要点如下：

• 展示内容：记录了洛杉矶县内每一栋现存建筑的建造历程。
• 视觉呈现：每一栋现存的建筑都由一个方块代表，方块会在其对应的建造年份出现。
• 时间跨度：涵盖了从 1880 年到 2026 年的时间范围。
• 数据局限性：该展示仅包含目前依然屹立的建筑，不包括已被拆除的历史建筑。因此，它呈现的是洛杉矶县“幸存建筑”的累积过程，而非完整的历史全貌。

DaVinci Resolve 21.1 相关法律与网站信息摘要

版权与商标

• 版权声明：本网站所有内容版权归 Blackmagic Design Pty. Ltd. (2026) 所有。
• 商标说明：所有商标均为其各自所有者的财产。

价格与税务说明

• 零售价格：建议零售价 (MSRP) 已包含关税，但不包括销售税及运费。

隐私与 Cookie 政策

• 再营销服务：网站利用再营销服务在第三方网站上向曾访问过该网站的用户投放广告。
• 用户选择权：用户可以通过更改 Cookie 设置随时退出此类广告服务。

社交媒体与联系方式

• 官方提供了多个社交平台的关注渠道，包括 X (原 Twitter)、Facebook、LinkedIn、YouTube、Instagram 以及 RSS 订阅。

地区设置

• 当前显示的国家或地区为美国。

过时的 HTML 代码片段与遗留产物总结

本文探讨了在 Web 发展过程中，由于浏览器竞争、第三方集成、平台特定需求及设备演变而产生的各种非标准、已过时或具有特定历史用途的 HTML 代码片段（Meta 标签及注释）。这些片段虽然在现代 Web 开发中已不再适用，但它们记录了 Web 技术演进的痕迹。

1. 浏览器兼容性与特定控制

在浏览器标准尚未统一的时代，开发者频繁使用特定标签来控制浏览器的行为：

• Internet Explorer (IE) 控制：
  • X-UA-Compatible：用于指示 IE 使用特定的文档模式（如 IE=edge）或模拟特定版本。
  • 条件注释 (Conditional Comments)：IE 允许通过特定格式的注释来针对特定版本（如 <!--[if gte IE 6]>）应用代码。
  • 功能禁用：开发者曾使用标签来禁用 IE 的“智能标签 (Smart Tags)”、“图像工具栏 (Image Toolbar)”、“阅读视图 (Reading View)”以及“点击高亮 (Tap Highlight)”等功能。
  • ClearType：用于在低分辨率设备上优化字体渲染。
• Netscape 兼容性：Netscape 使用一种基于 JavaScript 实体的特殊注释格式来实现条件判断。

2. 移动端与 Web 应用的前身（PWA 之前）

在渐进式 Web 应用 (PWA) 标准确立之前，各大厂商通过非标准标签为移动端和 Web App 提供体验：

• iOS (Apple)：通过 apple-touch-icon、apple-mobile-web-app-* 等标签，允许用户将网站添加到主屏幕，并自定义图标、启动页及状态栏样式。
• Windows (Microsoft)：通过大量的 msapplication-* 标签，为 IE 的“固定站点 (Pinned Sites)”和 Windows 的“磁贴 (Tiles)”提供配置，包括颜色、图标大小及快速操作。
• Chrome (Google)：曾通过 chrome-application-definition 支持无需 .crx 文件的 Web 应用。
• 移动端优化：在视口 (Viewport) 标准普及前，使用 HandheldFriendly 和 MobileOptimized 进行适配；针对 UC 和 QQ 浏览器，使用特定的标签控制屏幕方向和全屏模式。

3. 搜索引擎优化 (SEO) 与内容抓取

• AJAX 与抓取：为了应对早期搜索引擎无法执行 JavaScript 的问题，曾使用 fragment 标签引导 Google 爬虫使用 _escaped_fragment_ 进行抓取。
• AMP 与预渲染：amphtml 用于链接加速移动页面，rel="prerender" 用于提前加载页面，但这些技术已被更现代的 API 或标准取代。
• 目录控制：使用 noodp 和 noydir 标签防止 Yahoo 或 DMoz 等目录网站擅自重写网站的标题和描述。
• SEO 迷思：revisit-after 曾被误认为是有用的 SEO 标签，但实际上并无主流搜索引擎支持。

4. 社交媒体与内容发现

• 社交分享：在 Facebook 的 Open Graph 标准普及之前，存在许多类似的非标准标签（如 image_src、audio_src 等）用于定义社交媒体嵌入内容。Twitter 也有其特定的 twitter:card 标签，但现在大多已被 Open Graph 取代。
• 内容发现：
  • ICBM：利用地理坐标标识网站主题的地理位置。
  • RSD (Really Simple Discovery)：用于博客管理工具发现服务的系统。
  • Pingbacks：一种网站间互相通知链接关系的机制，但因易受垃圾邮件和 DDoS 攻击而逐渐衰落。

5. 其他遗留产物

• Frame Buster：通过 Window-target 标签防止网站被嵌入到其他页面的框架 (Frame) 中。
• Microsoft FrontPage：遗留的 WebBot 组件，通过特定的 HTML 注释在编辑器中实现动态功能。

澳大利亚发布《数字注意义务》草案：赋予用户算法选择权并强化未成年人保护

澳大利亚政府近日发布了《数字注意义务》（Digital Duty of Care）的草案立法，旨在通过赋予用户更多在线选择权来提升网络安全，并为数字服务提供商设定最低标准。

“我的动态，我做主”倡议

该草案包含一项名为“我的动态，我做主”（My Feed, My Way）的首创计划，旨在让澳大利亚人能够控制社交媒体的算法。社交媒体平台必须向新老用户提供选项，允许用户决定默认动态的内容类型：

• 加入个性化推荐： 用户可以选择使用算法推荐的个性化内容。
• 退出个性化推荐： 用户可以选择退出算法推荐，仅查看其选择关注的朋友和创作者的内容。

扩大监管范围与未成年人保护

《数字注意义务》的监管范围不仅限于社交媒体，还涵盖了在线游戏、应用程序及 AI 聊天机器人。法律要求这些服务提供商必须保护 18 岁以下的未成年人免受以下影响：

• 有害设计特征： 如具有成瘾性或可能影响青少年自尊心的设计。
• 有害内容： 包括促进饮食失调、宣扬针对女性和性别平等的敌对思想、色情内容、美化犯罪或危险行为，以及导致严重心理健康困扰（如虐待和欺凌）的内容。

执法、合规与处罚机制

独立机构 eSafety 专员将负责合规与执法工作。其职权包括：

• 发布移除通知： 针对“裸露”（nudify）类应用或网站发布移除通知。
• 简化处理流程： 优化处理儿童网络欺凌和成人网络虐待的方案，以更迅速地应对有害信息。
• 记录与审查： 数字平台必须记录其为应对用户风险而采取的措施，并确保这些措施长期有效。

处罚力度： 若未能履行“注意义务”，违规者最高可能面临高达 1.092 亿澳元 的罚款。

后续进展

政府目前正在就该草案征求数字平台、行业机构、民间社会组织及相关倡导者的反馈意见。相关立法预计将于今年提交议会。

破解 90 年代证书颁发机构 (CA) RSA 密钥的研究总结

研究背景

RSA 加密算法的安全性建立在大质数分解的难度之上。虽然现代 Web PKI 标准已废弃了 1024 位 RSA 密钥，并转向至少 2048 位，但作者通过研究发现，早期的 Web PKI 标准极不完善，存在大量极小的 RSA 密钥。由于 90 年代的加密标准较低，这些密钥在现代硬件上可以被轻易破解。

研究目标与方法

作者的目标是寻找并破解存储在旧版浏览器（如 Netscape 和 Internet Explorer）安装包中的根证书（Root Certificates）。

1. 数据获取：从 archive.org 下载了 Internet Explorer 和 Netscape 的历史版本归档。
2. 提取过程：利用 Claude Code 自动从这些归档文件中提取所有根证书，并建立了一个在线数据库以便通过过滤功能查找小位数的 RSA 密钥。
3. 目标锁定：通过筛选，作者发现 Netscape 4.51（1999 年 3 月发布）内置了已失效的加拿大证书颁发机构 E-Certify 的 512 位 RSA 根证书，分别用于 SSL 和 S/MIME。

技术实现与工具

作者通过以下技术步骤完成了密钥的分解：

• 提取模数 ($N$)：使用 Python 的 cryptography 库从 PEM 格式的证书中提取公钥的模数。
• 分解算法：使用 CADO-NFS 工具进行分解。
• 硬件环境：在配备 Ryzen 9 5950X 的桌面电脑上运行。
• 耗时：分解用于 SSL 的 E-Certify RSA 512 Gold Server 耗时约 32 小时；分解用于 S/MIME 的 E-Certify RSA 512 Gold Client 耗时约 29 小时。

通过分解模数，作者成功重构了对应的私钥。

验证与实验结果

为了证明破解的有效性，作者进行了以下验证：

1. 构建模拟环境：由于现代 TLS 协议栈与 Netscape 4.51 完全不兼容，作者使用 Go 语言编写了一个模拟旧时代 TLS 协议的自定义服务器。
2. 证书签发：利用破解出的 E-Certify 私钥签发了新的证书，并部署在通过 e-certify.fly.dev 托管的服务器上。
3. 浏览器测试：在虚拟机运行的 Netscape 4.51 浏览器中，成功加载并验证了由该破解密钥签发的证书。
4. 其他发现：研究还发现 Internet Explorer 3.02 中内置的 VeriSign 测试代码签名 CA 密钥同样极易被破解。

结论

该研究证明了低位数的 RSA 密钥（如 512 位）在现代个人电脑面前几乎没有防御能力。通过对历史遗留证书的研究，作者展示了如何利用现代工具和硬件重建失效的加密信任链。

Emacs Bedrock 2.0 发布摘要

项目简介

Bedrock 是一个极简且由人工编写的 Emacs 配置入门套件（starter-kit）。其核心理念是为用户提供一套“更佳的默认设置”，且基础配置中不包含任何第三方包。

设计理念与结构

Bedrock 的设计旨在通过简单直接的方式帮助用户构建并掌控自己的配置，而非使用复杂的配置框架：

• 文件结构：用户只需将 early-init.el 和 init.el 复制到 ~/.emacs.d/ 目录下，随后即可根据个人需求直接修改这些文件。
• 第三方包管理：针对常用插件的配置存放在独立的 extras/ 文件夹中。用户可以根据需要将特定插件的配置直接复制到 init.el 中，或者按文件导入整组插件配置。
• 易于理解：配置文件包含足够的注释以引导用户理解代码逻辑，同时避免了冗长的说明文字。

Bedrock 2.0 主要更新

本次 2.0 版本为重大更新，由于引入了新特性，已不再兼容 Emacs 29。

核心变更：

• 环境要求：需要 Emacs 31。
• 作用域优化：所有 .el 文件现在均使用 lexical-binding: t（词法作用域）。
• 自动化增强：所有通过 use-package 声明的包，在系统缺失时将默认自动安装。
• 功能替换与改进：
  • 若加载了 embark 包，将使用 embark-auto-prefix-help-mode 取代 which-key。
  • 使用内置的 grep-change-to-grep-edit-mode 取代 wgrep。
  • 大幅改进了 tree-sitter 的配置。
  • 优化了 isearch 配置。
  • 使内置的 *Completions* 缓冲支持自动更新。
  • 默认开启 repeat-mode。

修复与改进：

• 修复了主题颜色无法被正确遵循的问题。
• 改进了启动信息的抑制效果。
• 包含多项细节优化。

升级方式

Bedrock 不支持自动升级路径。这是出于设计初衷的考虑——即鼓励用户尽快学习并完全拥有自己的配置文件。用户需要通过对比当前版本与 main 分支的差异，手动挑选并应用想要的变化。

Jellyfin 12.0 更新摘要

⚠️ 重要升级须知（必须阅读）

升级到 12.0 会涉及数据库架构变更及数据重写，在升级前必须进行完整的手动数据与配置目录备份。

• 升级路径：用户必须先升级到 Jellyfin 10.10.7 或 10.11.x 版本。若当前版本低于 10.10.7，需先升级至 10.10.7。
• 数据库迁移：首次启动时会自动进行迁移，这可能需要较长时间（取决于媒体库大小）。升级后必须执行全库扫描，否则自动分组的版本可能显示缺失。
• 用户名限制：用户名现在不区分大小写。如果用户存在仅大小写不同的重复账号，数据库迁移将会失败。
• 插件与客户端：升级前请移除所有第三方插件，因为 10.11 的插件无法在 12.0 上运行；此外，非常旧的第三方客户端可能会因 API 变更而失效。

版本与数据库性能优化

• 版本号命名变更：弃用旧的 "10.x" 方案，直接以 12.0 作为大版本号，以更直观地反映重大更新。
• 数据库结构改进：播放列表（Playlists）和合集（Collections）改用行存储方式。这显著提升了大型列表的操作性能，包括计数、分页加载、单个条目增删以及编辑速度。
• 响应速度提升：优化了“继续观看”、艺术家查询、文件夹观看计数等功能的响应效率，并确保数据库维护不会与库扫描争夺资源。

核心功能增强

• 剧集多版本支持：扩展了电影的多版本功能，现在**剧集（Episodes）**也支持多版本分组（如不同画质或剪辑版），并能独立跟踪各版本的播放进度。
• 原生图书与漫画支持：原有的 Bookshelf 插件功能已整合至服务端。
  • 服务端：支持直接从 OPF、ComicInfo 等文件读取元数据；支持从文件名提取卷、章信息；支持提取音频书章节。
  • 客户端：提供现代化的图书布局、全新的阅读界面（支持 PDF 滑动导航）以及移动端音频书后台播放。
• 智能推荐与搜索扩展：用户可以按媒体库自定义推荐源（如接入 ListenBrainz）；搜索功能现在允许通过插件扩展搜索范围。
• 默认 Modern 布局：原“实验性”的 Modern 布局现已成为默认布局，并引入了基于 CSS 变量的主题化系统和更优化的交互体验。

技术、安全与媒体处理

• 安全修复：修复了文件访问权限、跨站脚本（XSS）以及设置向导等方面的安全漏洞。
• 媒体引擎升级：迁移至 FFmpeg 8.1；优化了 CUDA 和 OCL 的转码性能；改进了字幕处理逻辑（使用 SubtitleEdit）以避免样式丢失。
• 用户体验优化：Web 端新增逐帧播放（, 和 . 键）、更精简的播放信息覆盖层、以及针对移动端和高分辨率显示的优化。

开发者与插件适配

• 运行时环境：服务端目标框架升级至 .NET 10，插件需要针对新接口进行重新编译和适配。
• API 变更：多个 API 路由已移除或标记为弃用（如 GetTrailers 等），GetItems 变为异步操作，开发者需参考最新的 OpenAPI 规范进行调整。

AI 代理在测试与验证技术中的表现研究总结

本文探讨了通过指导 AI 代理使用特定的测试或验证技术（如测试驱动开发、形式化方法、基于属性的测试等）是否能提高其代码实现的正确性。研究旨在观察在缺乏专业测试知识的情况下，仅凭简单的技术指令或库名称，是否能提升代理的软件质量。

实验设计

• 评估任务：使用 Rust 语言实现 Zstd 压缩算法。
• 测试条件：测试了 26 种不同的提示词条件（包括 ACL2、Alloy、TDD、Fuzzing、Lean 4、QuickCheck 等技术名，以及“不做错误”、“进行审计”等指令）和 4 种预设“技能”（Skills）。
• 模型与配置：使用 GPT-5.6 Sol，分别在“中等（medium）”和“高（xhigh）”两种努力程度下进行测试。
• 比较基准：默认条件（Default，即不提供任何额外指令）。

核心发现

1. 大多数技术并未优于默认设置：实验结果显示，没有任何一种技术能显著超越“默认”表现。事实上，默认情况下代理的表现往往优于平均水平。
2. 代理无法有效利用专业工具：代理普遍表现出“表面化使用”技术的特征。它们往往只是在不同的框架内编写传统的单元测试，或者未能真正发挥出所用技术的核心价值。
3. 测试质量低下：即使在代理能够让测试通过的情况下，它们编写的测试也往往非常糟糕（例如，使用完全相同的输入来测试不同的功能，或者在测试中硬编码错误的预期结果）。

具体技术表现分析

• 测试驱动开发 (TDD)：表现不及预期。TDD 指令导致代理编写了数量更多但质量更低的测试，且更容易出现过度拟合的问题。
• 形式化方法 (Verus, Lean 4, Alloy, SMT 等)：代理通常只利用这些工具证明一些无关紧要或琐碎的属性（如简单的算术逻辑），而避开容易出错的核心代码逻辑，实际正确性仍高度依赖于传统的 Rust 单元测试。
• 模糊测试 (Fuzzing) 与基于属性的测试 (PBT)：虽然这些技术有潜力发现深层 Bug，但代理大多使用极低质量的随机输入，仅能覆盖到无效或拒绝路径，无法有效探索复杂的代码状态。
• 预设技能 (Skills)：许多现有的“技能”由于过于冗长（类似于教程而非指令），不仅增加了计算成本，反而可能因干扰代理的默认行为而降低效果。作者自制的针对性指导技能效果最好，但仍未达到完美。

结论与建议

• 测试能力是瓶颈：AI 代理在测试方面的无能是限制其广泛应用的关键障碍。目前代理并不具备“默认”进行高质量测试的能力。
• 强化学习 (RL) 的必要性：作者建议 AI 实验室应创建专门针对测试和验证能力的强化学习环境，以训练代理掌握更有效的测试策略。
• 指导方式的重要性：仅仅提及技术名称（如“使用 TDD”）是无效的。更有效的做法是提供结构化的、关于“如何测试”的具体指导，引导代理避开常见的测试陷阱。

特斯拉自动驾驶系统参与致命车祸：数据揭示真相与透明度缺失

事件概述

2025年7月6日，新泽西州Buena Vista Township发生一起严重交通事故。一辆特斯拉 Model 3 在经过 County Route 671 与 Chestnut Avenue 交汇路口时，未能按规定停下，撞上了一辆正在左转的本田 Civic。事故导致本田车主（82岁）不幸身亡，特斯拉车内的驾驶员及三名乘客受中度伤。

数据差异与矛盾

尽管当地媒体的初步报道仅将其描述为一起普通的“人类驾驶错误”导致闯红灯的事故，但特斯拉向美国国家公路交通安全管理局（NHTSA）提交的官方数据却显示，事故发生时车辆的驾驶辅助系统处于**“已验证启用（Verified Engaged）”**状态。

技术分析与关键细节

根据 Electrek 的调查与分析，该事故呈现出以下几个关键技术特征：

• 软件版本推测：虽然特斯拉以“商业机密”为由遮蔽了具体的软件版本信息，但由于事故发生在需要识别停车标志的城市街道路口，分析认为该车运行的极有可能是 “全自动驾驶（FSD）” 系统，而非仅限高速公路使用的基础版 Autopilot。
• “溜车式停车”嫌疑：特斯拉记录的碰撞前车速仅为 4 mph（约 6.4 公里/小时）。这一数据表明车辆在通过路口时表现出一种“溜车式停车（rolling stop）”的行为，而这种行为此前曾促使特斯拉在2022年对约5.4万辆车辆进行过召回。
• 信息遮蔽：在向 NHTSA 提交的报告中，特斯拉遮蔽了包括事故叙述、软件版本以及道路是否属于系统批准运行区域在内的关键字段。

核心争议

本文指出，特斯拉在营销上倾向于让用户将 L2 级驾驶辅助系统视为能够自动驾驶的产品，但技术本质上仍需人类全程监督。特斯拉通过遮蔽关键事故细节的行为，掩盖了系统在实际运行中的表现，这加剧了品牌宣传与实际能力之间的差距，并可能导致驾驶员产生过度依赖，从而引发安全隐患。

目前，NHTSA 正在对特斯拉报告此类事故的方式进行调查。

接触自然与土壤对健康的益处

研究表明，通过触摸土壤、树木、苔藓或草地等自然元素，可以为人类的皮肤健康和免疫系统提供广泛的益处。

皮肤微生物多样性的提升

研究发现，即使只是用手揉搓土壤或苔藓20秒，也能显著增加皮肤上的微生物多样性。这种微生物群落的多样性对于皮肤健康至关重要：丰富的微生物群可以维持生态平衡，防止致病菌（病原体）占据主导地位。研究人员将健康的皮肤比作“民主社会”，而致病菌的过度生长则如同“独裁统治”。

免疫系统的调节作用

接触微生物丰富的环境对免疫系统具有调节作用，主要体现在以下方面：

• 免疫调节能力： 在微生物多样性较高的环境中（如森林地面而非铺装路面）玩耍的儿童，其血液中的免疫标记物（细胞因子）表现出更好的免疫调节能力，有助于免疫系统在对抗威胁的同时不至于过度反应。
• 预防自身免疫疾病： 研究发现，特定细菌家族（如 $\gamma$-变形菌）的多样性增加与调节性T细胞的增多有关，而这类细胞对于控制免疫平衡、预防自身免疫性疾病具有重要作用。虽然目前尚不能断定接触自然能直接预防哮喘或过敏，但研究表明这可能会降低患此类免疫系统疾病的可能性。
• 生物多样性假说： 该假说认为，富含微生物的空气、植物和土壤对人类微生物组及其健康具有重要影响。环境生物多样性的丧失可能是当前免疫相关疾病增加的原因之一。

对不同人群的影响

• 儿童： 芬兰的幼儿园研究显示，在森林地面而非铺装路面玩耍的孩子，一年后皮肤上的微生物多样性更高，且病原体更少。
• 成年人： 室内园艺研究表明，使用微生物丰富的土壤进行种植，可以增加成年人皮肤的细菌多样性，并提高血液中抗炎细胞因子的水平。
• 办公环境： 在办公室安装“绿墙”（活体植物墙）的研究发现，这能增加员工皮肤的微生物多样性，并降低促炎细胞因子的水平。

城市规划的建议

鉴于自然接触带来的潜在健康收益，专家建议在城市设计中应考虑增加居民接触自然的机会。理想的情况是让这种接触变得“无意化”，即市民在上下学或工作的途中就能自然而然地接触到植物和自然元素。

DHS 秘密预测性警务行动分析美国人财务习惯

根据 404 Media 的披露，美国海关及边境保护局（Border Patrol）正在运行秘密的“预测性警务”（predictive policing）部门。该部门通过分析美国公民的财务活动及其他数据来生成情报，并将这些情报传递给地方警察。

这些情报的应用导致地方警察拦截并非特定犯罪嫌疑人的公民。尽管被拦截的人员并未被怀疑从事任何具体的犯罪行为，但政府认为这些人可能具有“值得搜查”的价值。

Google DeepMind 发布 AlphaGenome Atlas

Google DeepMind 推出了 AlphaGenome Atlas，这是一个旨在填补人类基因组研究空白的预测性数据库。尽管科学家对人类基因组中 2% 的蛋白质编码区域已有较深入的了解，但对其余 98% 的非编码区域仍知之甚少。AlphaGenome Atlas 通过预测人类基因组中每一个可能的单核苷酸变异（SNV）的影响，为这一领域提供了全新的视角。

核心功能与技术规格

• 海量数据预测：利用 AlphaGenome AI 模型，该工具预先计算了人类基因组中所有 90 亿个单字母遗传变化的调控影响，生成了一个规模达 1 PB 的庞大数据集。
• AVI 分数（AlphaGenome Variant Impact score）：为了简化复杂的分析过程，Atlas 引入了 AVI 分数。该评分整合了编码区和非编码区的预测结果，通过单一指标帮助研究人员快速识别并优先处理最具潜力的研究目标，无需在数以千计的数据点中进行繁琐筛选。

实际应用案例

AlphaGenome Atlas 已在多个生物医学研究领域展示了其强大的辅助能力：

• 罕见基因变异研究：在 Broad Institute 的研究中，科学家利用 AVI 分数在解决未解罕见病的过程中，成功识别出 DNM1 基因中的一个关键变异，该变异被预测会产生错误的剪接位点，从而为病例解析提供了关键证据。
• 复杂性状分析：针对复杂性状（如 BMI）的研究中，研究人员通过对变异进行分组并根据分子效应进行排序，在 UK Biobank 的数据集中发现了比以往多出 22% 的非编码遗传关联。通过聚焦于前 1% 的高影响力变异，研究人员成功识别出 19 个与体重指数（BMI）相关的遗传区域。

获取方式

AlphaGenome Atlas 通过一个直观的网页门户向全球开放。该平台无需任何编程技能，旨在通过降低技术门槛，让临床研究人员和生物学家能够更便捷地获取基因组洞察，从而加速生物学发现的进程。

Broadcom 停止公开提供 VMware VDDK 下载，增加客户迁移难度

Broadcom 近期停止了对 VMware 虚拟磁盘开发工具包（Virtual Disk Development Kit，简称 VDDK）的公开下载。这一举动被认为是对试图离开 VMware 平台的客户设置的新障碍。

VDDK 的核心作用

VDDK 是一个关键的库文件，是许多主流迁移工具实现从 VMware 到其他虚拟化平台迁移的核心组件。受影响的工具包括：

• Microsoft Azure Migrate
• Red Hat 的 Migration Toolkit (MTV)
• Nutanix Move
• virtv2v 和 nbdkit 等开源工具

现状与证据

目前，原有的 VDDK 公开下载页面已出现 404 错误。尽管 Broadcom 没有发布正式的弃用或更改公告，但以下证据表明这是有意为之：

1. 官方支持确认：多位用户在 Reddit 等社区反馈，Broadcom 客服明确表示 VDDK “不再提供通用使用或下载”，并建议转向其授权的技术联盟合作伙伴。
2. 厂商文档更新：
   • Microsoft：已在其 Azure Migrate 文档中增加免责声明，提醒 Broadcom 可能会限制 VDDK 的访问。如果无法获取 VDDK，微软建议用户从“无代理迁移（agentless）”转为“基于代理的迁移（agent-based）”。
   • Red Hat：针对无法下载 VDDK 镜像的问题发布了支持文档。由于 VDDK 是专有软件，Red Hat 无法分发该包，目前建议用户直接联系 Broadcom，并正在研究长期的替代方案。
   • Nutanix：用户反馈在使用 Nutanix Move 迁移时遭遇 404 错误，据称 VDDK 的获取权限可能已限制在 Broadcom 的技术联盟计划内。
3. Platform9 的公开抨击：Platform9 直接指出了 Broadcom 限制公开访问的行为，并推广其不依赖 VDDK 的“存储辅助迁移”方案。

对 Proxmox 迁移的影响

Proxmox 迁移不受影响。Proxmox 内置的导入工具可以直接导入 VMDK 文件，而不依赖 VDDK，因此从 VMware 迁移到 Proxmox 的路径依然畅通。

总结与分析

这一变化被广泛解读为一种“供应商锁定”（vendor lock-in）策略，旨在增加客户迁移的复杂性和成本。然而，这种缺乏透明度的操作可能会产生反作用：通过增加离开平台的难度，Broadcom 可能会损害客户对平台的信任，从而加速客户流失。对于依赖第三方工具的组织来说，现在的迁移流程已从“下载并迁移”演变为“联系 Broadcom、争取权限或寻找替代技术方案”的复杂过程。

TALA 自动布局算法开源概述

简介

TALA（Terrastruct's AutoLayout Algorithm）现已正式开源，采用与 D2 相同的 MPL-2.0 许可协议。

算法核心特性

TALA 是一种专为软件架构图设计的创新自动布局算法，其主要特点包括：

• 正交布局引擎：与传统的单向生长型 DAG（有向无环图）布局不同，TALA 是一种正交布局引擎，其视觉效果更接近于手绘白板风格。
• 美学导向：算法结合了多种图绘制研究成果与原创技术，旨在通过平衡对称性、中值距离、流向和节点聚类等多个维度，实现更具美感的图表布局。
• 灵活的定位能力：
  • 自定义定位：支持锁定节点的位置（坐标）和大小。这一特性非常适合 AI 智能体（Agentic use cases）的应用场景——AI 模型可以精准定义 2D 空间中的坐标，而 TALA 则负责处理模型难以处理的复杂连线路由。
  • 混合定位模式：支持在同一张图中实现“部分节点手动指定坐标、其余节点自动布局”的混合模式。

局限性与权衡

尽管 TALA 具有强大的功能，但作者也指出了其存在的权衡点：

• 随机性：算法通过使用多个种子（默认 3 个）来寻找最佳布局。虽然相同输入和种子会产生相同结果，但仅增加一个新节点就可能导致整个图表的布局发生剧烈变化。相比之下，Dagre 和 ELK 在增加节点时表现得更为平稳。
• DAG 表现：在处理长流向图（DAG）时，TALA 的效果可能不如 Dagre 或 ELK。
• 性能扩展性：对于大型图表，其运行时间随规模呈非线性增长。

使用说明

TALA 已随 D2 v0.9.0 版本一同发布。用户可以通过在命令中指定 --layout=tala 参数来启用该布局引擎，或通过 D2 Play 在线体验。

Stuxnet 源代码重建项目总结

该项目提供了一个针对臭名昭著的 Stuxnet 蠕虫的重建源代码，旨在通过对 2010 年发现的原始二进制文件进行逆向工程，为学术研究、恶意软件分析培训和防御性研究提供参考。该代码具有严格的教育性质，并非可部署的恶意软件。

项目概述

Stuxnet 被认为是首个旨在对工业控制系统（ICS）造成物理破坏的网络武器。它专门针对 Siemens Step 7 软件及 S7-300/400 PLC，通过操纵频率转换器驱动器来损坏离心机转子。

主要特性：

• 攻击目标： Siemens SIMATIC WinCC、Step 7 以及 S7 系列 PLC。
• 传播方式： 通过 USB 驱动器（LNK 漏洞）、网络共享（Print Spooler 服务）以及点对点（P2P）网络进行传播。
• 核心载荷： 修改 PLC 的逻辑块（OB1/OB35），通过改变电机频率实现攻击。
• 隐蔽技术： 使用高级 Rootkit 能力（驱动程序 MRxCls.sys 和 MRxNet.sys）来隐藏文件、进程和注册表项。

核心组件

仓库根据分析确定的主要模块进行组织：

技术架构与执行流程

Stuxnet 的执行流程可以概括为以下阶段：

1. 感染与渗透： 通过 USB 或网络实现初始感染，随后运行投放器并进行权限提升。
2. 环境侦察： 检查系统中是否存在特定的 Siemens 软件（WinCC, Step 7）及目标 PLC（S7-315, S7-417）。若环境不匹配，则进入休眠或自毁状态。
3. 注入与拦截： 针对目标环境安装 S7 Hook 库，拦截 s7blk_write 等关键函数调用。
4. 代码注入： 当用户向 PLC 下载项目时，恶意代码会被注入到 PLC 的 OB1/OB35 逻辑块中。
5. 物理破坏： PLC 执行被篡改的代码，使变频器（VFD）在异常的高频或低频下运行，从而造成机械损坏。
6. 隐蔽与传播： 安装 Rootkit 以隐藏自身踪迹，并加载网络模块通过 P2P 进行进一步传播。

使用说明与法律声明

用途： 该代码仅用于恶意软件分析（理解 APT 攻击逻辑）、防御性研究（开发 YARA 或 Snort 签名）以及学术研究。

分析环境建议： 必须在隔离的虚拟环境（如 VMWare/VirtualBox）中使用，启用仅主机（Host-Only）网络并禁用互联网连接。建议结合 IDA Pro、Ghidra、x64dbg、ProcMon 及 Wireshark 等工具进行观察。

许可： 本项目采用 GNU General Public License v3.0 协议。用户需自行承担使用该代码产生的法律责任。

https://news.ycombinator.com/item?id=49600233

美国联邦法院裁定：宪法并不保证清洁饮用水权

美国第五巡回上诉法院于2026年9月4日做出裁决，认定美国宪法并不保证公民享有清洁饮用水的权利。该裁决驳回了密西西比州杰克逊市（Jackson）居民针对该市铅污染水系统发起的诉讼。

案件背景与原告主张

此项诉讼由 Priscilla Sterling、Raine Becker、Shawn Miller 和 John Bennett 等居民发起。原告指出，根据密西西比州卫生部门在2010年至2013年间的检测，该市水中的铅含量不断上升。原告指控杰克逊市在明知水质不安全的情况下，不仅未能采取措施防止铅进入水源，还向居民提供了水质安全的虚假保证。他们主张，这种行为违反了宪法第14修正案正当程序条款所保障的“身体完整权”（bodily integrity）。

法院裁决理由

在多数意见书中，法官 Kurt Engelhardt 指出，虽然缺乏清洁饮用水的情况是“极其严重的”，但这并不构成对“深植于宪法的权利”的侵犯。法院的主要理由包括：

• 缺乏宪法先例： 法院认为，避免铅污染暴露的权利并不符合“身体完整权”的历史传统或最高法院的既有先例。
• 信息权问题： 法院判定，宪法并不保证公民在公共卫生危机期间有权获得来自官员的“真实信息”。
• 性质区别： 法官强调，政府管理不善导致的铅暴露，与强迫手术、非自愿用药或身体袭击等传统意义上的侵犯身体完整权的行为有着本质区别。
• 救济途径： 法院表示，宪法并不为所有的政府错误行为提供法律救济。法官建议居民应通过选举更有能力的代表或向政府请愿等政治手段来寻求补偿。

法律现状对比

尽管美国联邦宪法和密西西比州宪法均未明确包含清洁饮用水权，但美国部分州（如加利福尼亚州和弗吉尼亚州）已通过法律保障居民获取安全饮水的权利。

Tesla 停产 Solar Roof 对第三方安装商造成重大经济损失

产品停产背景

Tesla 已决定停止供应 Solar Roof 太阳能瓦片，其官方网站已将该产品移除，转而专注于推广传统的太阳能电池板。特斯拉内部认为该产品“在财务上不可行”。在过去约七年的时间里，Tesla 在美国仅安装了约 3,000 套 Solar Roof 系统，这与埃隆·马斯克此前承诺的每周 1,000 套的安装目标相去甚远。

安装商面临的沉重代价

由于特斯拉将安装业务外包给了认证的第三方承包商，该产品的突然停产使这些合作伙伴承担了严重的后果：

• 高额的培训与设备投入： 成为 Solar Roof 的认证安装商并非易事。承包商需要派遣团队参加为期数周的专业培训，并投入大量资金采购专门的工具。
• 极高的劳动强度： 与传统太阳能系统（安装约需 2 天）相比，Solar Roof 的安装周期通常需要两周以上。
• 资金损失与业务中断： 许多安装商表示，他们为建立专门的施工团队、工具和培训体系投入了数十万美元，但现在面临投资难以回收的局面。此外，许多正在进行的工程被迫重新设计，或需在中途更换为其他替代系统。

行业困境与长期担忧

• 品牌依赖的矛盾： 许多安装商仍销售 Tesla 的其他能源产品（如 Powerwall 和普通太阳能板），因此在公开批评特斯拉时感到顾虑，担心这会危及现有的业务关系。
• 售后与质保风险： 虽然 Tesla 承诺履行现有质保并提供更换零件，但安装商对能否实现长达 25 年的零件供应表示怀疑。此外，由于瓦片的电气连接复杂且安装密集，未来的维修成本将非常高昂。

核心问题总结

特斯拉通过将高难度、低利润且劳动密集型的安装环节以及客户关系管理转嫁给本地小型企业，在产品不再具备财务可行性时迅速撤出。这导致这些第三方安装商不仅面临着沉重的初期投资损失和被中断的业务流，还必须承担未来数十年内对已安装产品的售后维护压力。

Copperhead：像软件一样快速的硬件设计工具

Copperhead 是一款开源的 AI 代理工具，旨在通过自动化设计、文档编写和验证过程，实现如同软件开发般高效的 PCB（印制电路板）设计流程。其核心目标是解决硬件设计中的“设计漂移”（Drift）问题，即原理图、BOM（物料清单）、功率预算与技术文档之间由于人工同步不及时而导致的不一致，从而避免昂贵的重新打样成本。

工作流程

Copperhead 将硬件设计分为八个连续阶段，每个阶段由独立的 AI 代理执行，并产生相应的产物。只有当当前阶段通过验证（Gate）并提交 commit 后，才会进入下一阶段：

1. 需求简报 (Brief)：用户通过 brief.md 以自然语言描述需求。
2. 规格说明 (Spec)：生成详细的 SPEC.md。
3. 架构设计 (Architecture)：定义子系统逻辑。
4. 零件选型 (Parts)：基于数据手册选择零件并生成 BOM.md。
5. 原理图设计 (Schematic)：生成 KiCad 原理图并完成 ERC（电气规则检查）。
6. PCB 布局 (Layout)：完成 KiCad PCB 布局并完成 DRC（设计规则检查）。
7. 输出文件 (Outputs)：生成 Gerber、钻孔文件及 STEP 模型。
8. 固件与开发计划 (Firmware & Dev Plan)：生成固件代码及测试/调试计划。

核心功能与技术特点

• 基于验证的自动化：利用 KiCad 本身的 ERC 和 DRC 检查作为“关卡”，确保设计结果在物理和电气层面的合规性。
• 外科手术式编辑：工具不对 KiCad 文件进行大规模重写，而是对 s-expression 源码进行精确修改。这种方式保证了版本控制（Git）中的差异（diff）极小且易于审查，不会破坏未修改部分的字节一致性。
• 严谨性约束：AI 代理拒绝在未经验证的情况下修改设计，拒绝违反已记录的预算或约束，且绝不会虚构数据手册中不存在的零件编号。
• 灵活的应用场景：既可以从零开始根据简报创建设计，也最擅长对现有的 KiCad 仓库进行迭代修改。

定价模式

Copperhead 采用“开源核心 (Open Core)”模式：

• CLI (免费)：基于 Apache-2.0 协议，用户可在本地环境运行，自带完整的代理功能，支持使用用户自备的 Claude 或 GPT 等模型 API 密钥。
• Cloud ($49/用户/月)：提供托管运行、私有仓库、Web 可视化视图（实时原理图、板框渲染及状态报告）以及一键导出功能。
• Team ($49/用户/月 + $199/月平台费)：为团队提供 CI/CD 机器人（作为 PR 状态检查）、共享约束库、SSO/SAML 及角色管理。
• Enterprise (定制)：提供自托管/VPC 部署、Altium 支持、高级安全性（RBAC）及 SLA 保证。

技术要求

用户需安装 Node.js (v20 或更高版本)、KiCad（及其 kicad-cli）以及个人的大模型 API 密钥。

Paramount 被指控利用“草根假象”组织为合并案制造虚假支持

Paramount 在推进其与华纳兄弟（Warner Brothers）价值 1110 亿美元的合并案过程中，被指控采取了一系列极端的公关手段来规避监管并营造支持假象。除了指责批评者具有反犹太主义倾向、威胁要将公司迁出加州以逃避反垄断法外，Paramount 还被指控利用所谓的“草根假象”（Astroturf）组织进行舆论操纵。

“草根假象”组织的运作方式

据报道，一个名为“Neighbors for Strong Communities”的非营利组织正在向加州居民发送大量短信，敦促他们向加州总检察长 Rob Bonta 施压，要求其撤回针对该合并案的反垄断诉讼。该组织在信息中声称，如果合并案受阻，由于 Ellison 曾威胁要将公司迁往德克萨斯州，加州将面临大量就业机会流失。

组织真实性的质疑

消费者权利团体“第一修正案委员会”（Committee For The First Amendment）对该组织的真实性提出了严厉质疑，并指出其具备典型的企业资助型“草根假象”组织的特征：

• 成立时间短：该组织的网站运营时间不足三个月。
• 缺乏透明度：组织未披露任何创始人、董事会成员、员工或资金来源，且未出现在 ProPublica 的非营利组织数据库中。
• 地址可疑：其提供的地址仅为圣莫尼卡的一处私人邮政信箱（UPS Store）。

行业影响与批评观点

批评者指出，Paramount 的此类行为反映了大型媒体合并对劳工、创意工作者、消费者及市场的潜在负面影响。历史经验表明，此类合并（尤其是涉及华纳兄弟的案例）往往会导致大规模裁员、产品质量下降以及由于偿还债务而导致的消费者价格上涨。此外，媒体合并也可能导致制片活动向海外转移。

Three.js 任务模型与 Harness 组合测试总结

本报告总结了针对同一 Three.js 编程任务进行的 10 组不同模型与 Harness（框架）组合的测试结果。

1. 测试任务描述

测试采用 /goal 模式，要求模型构建一个单页面的 Three.js 科幻机库 HTML 文件，包含以下功能：

• 视觉元素：悬浮无人机、动画警告灯、发光跑道条纹、微量体积感雾气效果。
• 交互与动画：无人机编队切换功能、电影级相机路径。
• 输出要求：单个自包含的 HTML 文件，包含内联 JavaScript。

2. 测试变量

• 测试模型：
  • GLM 5.3 Flash Max
  • Luna 5.6 Max (GPT-5.6 Luna)
  • SOL 5.6 Max (GPT-5.6 Sol)
  • Astra 6.0 Max (GPT-6 Astra)
  • Qwen 3.8 27B x-high
• 测试 Harness：Codex, OMP, OpenCode, DSH/PTC, DSH。

3. 核心数据分析

成功率 (Success Rate)

• 最高成功率：GLM 5.3 Flash Max 配合 OpenCode 达到了 96.89% 的成功率。
• 其他高表现组合：Qwen 3.8 27B x-high 配合 OpenCode (95.64%) 和 DSH (95.48%)。
• 最低成功率：GLM 5.3 Flash Max 配合 OMP 为 78.54%。

成本分析 (Cost)

测试结果显示不同组合间的成本差异极大：

• 最低成本：GLM 5.3 Flash Max 配合 Codex，总成本约为 $0.015。
• 最高成本：Astra 6.0 Max 配合 Codex，总成本高达 $4.038。
• 成本构成：成本基于 OpenRouter 费率估算，涵盖了未缓存输入、缓存读取以及包含推理过程在内的输出 Token 费用。

时间与 Token 使用

• 耗时：总耗时从约 8 分钟（Qwen 3.8 + OpenCode）到超过 41 分钟（Qwen 3.8 + OMP）不等。
• Token 量：Qwen 3.8 27B x-high 在 OMP 框架下消耗了最多的 Token（总计约 348 万），而 Qwen 3.8 27B x-high 在 OpenCode 下消耗最少（约 70 万）。

4. 技术指标说明

• Token 计数：输出 Token 包括生成的总数及推理（Reasoning）部分。若 Harness 允许分别报告，则会列出推理 Token 的子集。
• 成本计算：使用 USD 估算，参考了各模型的输入、缓存读取及输出费率。
• DSH 适配器：DSH 不单独报告推理 Token 数量；其时长计算为两个回合的活跃时间总和，不含回合间的停顿。
• 错误记录：工具错误通过失败的工具事件进行记录。

LG 智能电视隐私安全风险总结

核心问题

近期一项针对 LG 智能电视（特别是 OLED 型号）的调查显示，这些设备存在严重的隐私保护缺陷。调查指出，即使用户使用 Apple TV 等外部机顶盒进行观看，LG 电视本身的系统仍会持续采集大量敏感数据并上传至厂商服务器。

数据采集行为

通过 Gamers Nexus、安全研究人员及 Level1Techs 的协作，利用 Wireshark 等工具对 LG 电视进行分析，揭示了其超出广告个性化需求的数据采集范围：

• 自动内容识别 (ACR)： 通过截取屏幕图像或音频字节来分析用户正在观看的内容。
• 音频监控与转录： 利用内置麦克风（包括遥控器中的麦克风）记录并转录用户的对话，即使这些对话并非针对电视的语音指令。这些片段会被发送至 LG 广告解决方案部门用于营销。
• 网络嗅探： 扫描本地网络以探测其他硬件设备（如智能手机、智能手表），并获取附近的 Wi-Fi 信号强度和频道信息。
• 地理位置与环境信息： 确定设备的地理位置。

安全漏洞与严重风险

研究进一步发现了多项可能导致严重安全后果的问题：

• 待机监控： 电视在看似处于待机模式时仍能通过麦克风采集音频。
• 数据延迟上传： 在断网状态下，采集的音频数据会存储在本地；一旦重新连接网络，系统便会自动上传。
• 系统漏洞： LG 的 webOS 操作系统存在漏洞，可能导致攻击者能够远程获取并监听音频数据。
• 敏感信息明文泄露： 调查发现，敏感信息（如社会安全号码、信用卡信息）在内存中以明文转录形式存在。此外，连接在电视上的摄像头也可能被用于录制。

应对建议

由于仅使用外部播放器无法阻止电视自身的后台监听行为，用户需采取以下措施来保障隐私：

1. 彻底断网： 拔掉以太网线，并在电视设置中“忘记”所有 Wi-Fi 信息，使电视变成“哑设备”。
2. 网络层阻断： 具备技术能力的管理员可以通过路由器防火墙规则，从网络层面拦截 LG 电视的所有对外连接。

TradingAgents: 多智能体大语言模型（LLM）金融交易框架摘要

TradingAgents 是一个模仿现实交易公司运作动态的多智能体交易框架。该框架通过部署多个专门的大语言模型（LLM）驱动的智能体，模拟从基础分析到最终决策的完整交易流程，通过智能体之间的协作与辩论来评估市场状况并制定交易策略。

核心架构与智能体角色

框架将复杂的交易任务分解为以下专业化角色：

• 分析师团队 (Analyst Team)：
  • 基本面分析师： 评估公司财务状况和绩效指标，识别内在价值及潜在风险。
  • 情绪分析师： 汇总新闻标题、StockTwits 和 Reddit 等社交媒体讨论，以衡量短期市场情绪。
  • 新闻分析师： 监控全球新闻和宏观经济指标，解读重大事件对市场的影响。
  • 技术分析师： 利用技术指标（如 MACD 和 RSI）检测交易模式并预测价格走势。
• 研究员团队 (Researcher Team)： 由看涨和看跌的研究员组成，通过结构化辩论对分析师团队提供的见解进行批判性评估，以平衡潜在收益与风险。
• 交易员智能体 (Trader Agent)： 汇总分析师和研究员的报告，做出具体的交易决策，包括交易的时机和规模。
• 风险管理与投资组合经理 (Risk Management & Portfolio Manager)：
  • 风险管理团队持续评估市场波动性、流动性等风险因素，并调整交易策略。
  • 投资组合经理负责审批或拒绝交易提案；获批后，订单将发送至模拟交易所执行。

技术实现与特性

• 技术栈： 基于 LangGraph 构建，确保了系统的灵活性与模块化。
• 模型支持： 提供广泛的 LLM 提供商支持，包括 OpenAI、Google (Gemini)、Anthropic (Claude)、xAI (Grok)、DeepSeek、阿里 Qwen、智谱 GLM、MiniMax 等。同时支持通过 Ollama 运行本地模型，或通过任何兼容 OpenAI API 的服务器（如 vLLM, LM Studio）进行部署。
• 部署方式： 支持通过 pip 安装 Python 包，或使用 Docker 进行容器化运行。
• 市场覆盖： 支持 Yahoo Finance 覆盖的各类市场，包括美股、港股、日股、印度股市、加拿大、澳洲、中国 A 股以及加密货币市场。
• 持久化与恢复机制：
  • 决策日志 (Decision Log)： 系统会自动记录决策过程，并根据历史表现进行“反思”，将过往经验注入到后续的决策提示词中。
  • 检查点恢复 (Checkpoint Resume)： 支持通过 LangGraph 保存状态，若任务中断，可从最后一个成功的步骤恢复，无需从头开始。
• 交互式 CLI： 提供命令行界面，允许用户交互式地选择交易代码、分析日期、LLM 提供商及研究深度。

使用说明

• Python 集成： 开发者可以通过导入 tradingagents 模块并初始化 TradingAgentsGraph 对象，在自己的代码中调用 .propagate() 函数来获取决策。
• 可复现性说明： 由于 LLM 的采样具有非确定性以及实时新闻数据的动态变化，框架承认相同参数下的多次运行结果可能存在差异。但框架通过数据锚定机制，确保了公司身份识别和价格数据的准确性。

⚠️ 免责声明： 该框架仅用于研究目的，不构成任何金融、投资或交易建议。

https://www.oecd.org/en/about/news/press-releases/2026/09/pisa-2025-students-reading-and-mathematics-performance-declined-sharply-across-the-oecd.html

GamersNexus 关于 LG 智能电视安全与隐私调查的分析摘要

本文针对 GamersNexus 发布的一段关于 LG 智能电视存在隐私与安全风险的调查视频进行了分析，并对其提出的技术结论提出了质疑与补充。

GamersNexus 调查的核心指控

1. 敏感信息泄露：视频展示了 WebOS 的日志信息中记录了包括“信用卡信息”和“社会安全号码”在内的内容。这通常发生在用户使用语音搜索功能时，系统记录了搜索词及其返回的响应结果。
2. 网络嗅探与设备识别：调查称 LG 电视会扫描局域网（LAN），识别包括手机在内的多个无关设备，并获取其内部 IP 地址。
3. 广泛的数据收集：LG 电视具备收集用户 IP 地址、地理位置、周边 Wi-Fi 网络名称、信号强度及频道号的能力。
4. 自动内容识别 (ACR)：视频声称 ACR 技术甚至可以通过 HDMI 连接对观看内容进行指纹识别。
5. 潜在的监听风险：演示显示，即使在电视看似关闭或未连接网络的情况下，仍可能通过麦克风进行录音。

技术层面的质疑与分析

文章作者对上述指控提出了以下技术性的反驳与观察：

• 加密数据的局限性：由于 LG 使用 SSL/HTTPS 进行网络通信加密，通过 Wireshark 等工具只能观察到 DNS 请求和通信频率，无法直接获取加密后的数据载荷（Payload）。这意味着视频中关于“具体传输了哪些数据”的结论，在缺乏解密环境的情况下，很大程度上是基于推测。
• 网络行为的常规性：电视通过 mDNS、SSDP 等协议扫描局域网以发现智能设备，是智能家居和媒体设备实现自动发现功能的标准行为。作者指出，除非能证实 LG 将这些设备清单上传至其云端服务器，否则仅凭扫描行为不足以判定其存在恶意行为。
• ACR 的证据不足：由于无法解密数据包，关于 ACR 是否能通过 HDMI 工作这一结论在技术上尚不明确，属于待研究领域。
• Root 权限对演示结果的影响（核心争议）：作者强调，视频中展示的许多“惊人”功能（如通过隐藏 UI 控制麦克风、在看似关闭时录音等）都是在已获取 Root 权限的设备上完成的。研究人员通过 SSH 登录并运行了系统内部命令来绕过安全限制。作者认为，这演示的是“设备在被攻破（Root）后”可以实现的操作，而非证明了未修改的、标准状态下的设备存在此类远程漏洞。如果设备本身没被 Root，攻击者很难实现这些操作。

总结

作者认为，虽然 LG 的广告技术确实引发了隐私担忧，但 GamersNexus 的视频在论证过程中存在一定的逻辑跳跃，尤其是在利用已破坏安全性的 Root 环境来展示潜在威胁时，未能充分区分“设备原生漏洞”与“设备被攻破后的行为”。