23 篇热帖
Android 17 QPR1 是自 Android Honeycomb (3.x) 版本以来，首次在未向 Android 开源项目 (AOSP) 发布的情况下，为应用开发者提供新增 API 的版本。
核心要点：
目前，AI 生成的海报（尤其是地方活动传单）存在严重的“同质化”问题。这些海报往往呈现出一种千篇一律的“AI 感”——虽然质量尚可，但由于风格高度重复（如常见的乡村集市风、柔和的粉彩插画等），会让用户产生审美疲劳和厌烦感。
作者通过实验证明，AI（如 ChatGPT）完全具备生成多样化风格的能力，关键在于用户能否跳出默认的描述方式，转而使用专业的艺术与设计流派术语进行引导。
作者进一步通过更复杂的指令，让 AI 模拟特定的艺术运动或时代氛围，效果显著：
要避免生成令人厌倦的“AI 塑料感”海报，核心策略在于：不要仅仅描述“海报里有什么”，而要明确要求“海报是什么风格”。
通过使用具体的艺术流派、设计运动或特定时代的视觉特征作为提示词（Prompt），用户可以引导 AI 生成具有独特性、专业感且能脱颖而出的视觉作品。此外，随着技术发展，利用 Claude 或 Gemini 生成可编辑的 HTML/PDF 格式，也能进一步提升设计的可控性。
Release notes for Claude Code, including new features, improvements, and bug fixes by version.
斯坦福大学领导的一项最新研究颠覆了长期以来关于大脑发育的传统认知。过去几十年，科学界普遍认为大脑是由单一祖细胞发育而来的统一器官，但这项发表在《自然·神经科学》（Nature Neuroscience）上的研究表明，人类大脑实际上是由两个在数亿年间独立进化的神经系统组合而成的。
研究指出，成年大脑的三个主要区域——前脑、中脑和后脑，源自完全不同的发育路径：
研究人员通过观察小鼠胚胎发现，这两类祖细胞在发育早期就是相互排斥、互不重叠的。此外，这两类细胞的**染色质（DNA包装方式）**结构也存在根本差异，这种差异从发育初期就将它们锁定在各自的演化轨道上，无法互相转化。
这项发现解释了为何科学家数十年来一直难以在实验室中培育出人类后脑神经元。过去的研究往往试图诱导前脑或中脑的祖细胞转化为后脑细胞，但由于发育路径的本质不同，这种尝试注定失败。
凭借这一新知识，研究团队首次成功利用人类多能干细胞在实验室中培育出了具有功能性的后脑运动神经元。这些人工培育的神经元展现出了真实的电活动（动作电位），并能产生识别后脑特定区域（控制面部和吞咽肌肉）的蛋白质。
今年春天，一份关于中国船只在海外运送核武器组件的虚假情报报告，险些引发美国与中国之间的武装冲突。据知情人士透露，在收到该报告后，美国军方已进入行动准备状态，计划拦截该船只并派遣武装人员登船，相关军机也已升空。直到行动前夕，官员才通过深入调查发现，该报告是由一名特种作战司令部分析师利用人工智能（AI）生成的，其中的聊天机器人错误地识别了船上的货物。
该虚假报告的产生涉及两个阶段的AI应用：
目前，美国军方正致力于将AI整合到几乎所有业务领域，包括大规模情报分析、目标选择、物流管理及预算编制等。其核心动因是担心在与中国等潜在对手的竞争中，若不快速集成AI技术，可能会在战场决策速度上落后。
为此，美国国防部长皮特·海格塞斯（Pete Hegseth）发布了“人工智能加速战略”，旨在消除官僚障碍，并将领先的AI模型提供给美军三百万名文职和现役人员使用，以实现“AI实验与转型的民主化”。
该事件凸显了美军在快速部署AI过程中面临的深层风险：
正如知情人士所言：“AI让错误的决策能够以更快的速度产生。”
Laya 是一个开源（Apache 2.0 协议）的“System 1”决策模型系列。其核心目标是取代在处理简单、结构化任务（如分类、路由、垃圾邮件检测、安全护栏等）时，使用昂贵、缓慢且易产生幻觉的自回归大语言模型（System 2）。
传统的生成式 LLM 在处理结构化决策时存在瓶颈：响应延迟高（需等待 Token 流式输出）、成本高、且容易产生“幻觉”或错误的 JSON 格式。Laya 模仿人类大脑的 System 1（直觉反应），通过双向编码器实现极速、精准且经过数学校准的概率预测。
Laya 不生成文本，而是通过单次前向传播输出结构化数据，其功能基于三种决策原语：
由于输出空间仅限于概率和数字，该模型从物理上杜绝了文本幻觉和架构违规问题。
Laya 提供三个专门优化的检查点（Checkpoints），并集成在 Hugging Face 的单一仓库中，支持按需下载：
研究发现，仅使用英文模型处理非拉丁语系（如高棉语、希伯来语）时，模型会出现“高置信度但零准确率”的情况。为此，Laya 内置了极速路由功能：
与闭源的 TypeSafe Jev 相比，Laya 在多项指标上表现更优：
choice 类型的选项超过 20 个时，性能会下降（受限于 head 长度预算）。韩国个人信息保护委员会（PIPC）近日实施了修订后的《个人信息保护法》，旨在通过大幅提高违法成本，促使企业将数据保护视为预防性投资，而非单纯的经营成本。
在新规下，若公司因故意或重大过失导致1,000万名或更多用户的个人数据泄露，最高可面临其**年度总营收10%**的罚款。此前，该处罚上限仅为销售额的3%。
该严厉处罚标准适用于以下情形：
具体的罚款金额将根据违规性质、严重程度、相关情节及损害规模进行综合计算。
修订案引入了“潜在数据泄露通知制度”。即使尚未确认发生实际泄露，只要公司认定个人数据面临高度暴露风险（例如系统遭到非法访问或发现数据疑似被非法交易），必须在获悉后72小时内通知受影响用户。此外，由于勒索软件攻击导致的数据伪造、篡改或损坏，现在也必须遵守相同的报告和通知要求。
为了鼓励企业主动防御，新规提供了两种最高可减免40%罚款的途径：
针对大型企业及机构，CPO的职责与问责机制得到加强。年营收超过1,800亿韩元，且满足以下条件之一的企业或机构：
此类机构（包括大型大学、三级综合医院及主要公共系统运营商）在任命、变更或解雇首席隐私官时，必须获得董事会批准，并向PIPC报备。
由于提供的正文内容为空，无法生成摘要。
Cloudflare 在其内部负载均衡服务 Pingora Backend Router (PBR) 中使用了 pingora-ketama 库来执行一致性哈希（Consistent Hashing）。由于需要针对不同的功能组合（如合规性要求、缓存特性等）维护多个独立的哈希环，导致内存占用极高（部分情况下达到 6GB）。通过两项针对性的优化，Cloudflare 全球范围内成功回收了超过 100TB 的 RAM。
最初，存储哈希点（Point）的结构体定义如下：
struct Point {
hash: u32, // 4 字节
index: u32, // 4 4 字节
}
由于 PBR 协调的服务器数量预计不会超过 $2^{16}$（约 6.5 万）台，将 index 从 u32 改为 u16 在逻辑上可以节省空间。然而，由于 Rust 的内存对齐规则，包含 u32 字段的结构体在内存中仍会被填充至 8 字节，因此直接修改类型无法减少实际内存占用。
解决方案：
工程师采用了一种更底层的方法：使用一个 6 字节的原始字节数组 [u8; 6] 来存储数据，并通过自定义的 getter/setter 方法进行访问。这种方式绕过了内存对齐带来的填充问题，使每个哈希点的大小从 8 字节降至 6 字节，从而将一致性哈希相关的内存占用降低了 25%。
为了使服务器间的负载分布更均匀，一致性哈希通常会为每个服务器分配多个哈希点（即虚拟节点）。Pingora 此前默认每个服务器分配 160 个哈希点。
数学分析与发现：
解决方案： 基于数学模型和模拟结果，团队确定可以在不产生明显误差的前提下，将每个服务器生成的哈希点数量减少 90%。
由于改变哈希环会改变请求的路由路径，若进行全局瞬间切换，会导致缓存内容大规模失效，引发源站（Origin）流量激增。
迁移实施步骤：
在完成所有迁移并移除旧版哈希环路径后，Cloudflare 成功实现了 PBR 内存使用的显著下降，在全球范围内节省了 100TB 的内存资源。
ADFGVX 是一种在第一次世界大战期间由德国使用的无线电加密方法。该方法通过一个基于特定“密钥”（Keyword）构建的矩阵进行加密，每个字符由矩阵的行和列坐标（即两个字母）表示。由于该加密方式的复杂性，Scienceblogs.de 将其列为 50 个最著名的未解密码之一。尽管许多此类消息已被破解，但仍有十余条消息（包括一条日期为 1918 年 11 月 27 日的消息）一直未能解开。
GPT-6 Astra 模型成功破解了这条此前未被解出的密码。
解密结果：
EIN ENGLISCHER KREUZER EINLIEG X SEWASTOPOL X S4STEN X EIN GESCHWADER DER X ALLIIERTEN FOLGT 26STEN XAstra 使用了关键字 “TRUPPENVERSCHIEBUNG” 进行解密。其解密逻辑遵循了复杂的密码学步骤：
为了验证解密结果的准确性，Astra 核对了历史航海日志。记录显示：
历史数据的吻合有力地证明了 Astra 解码结果的真实性，展示了该模型在处理复杂历史密码学问题上的强大能力。
本文由 Grant Sanderson（3blue1brown 创作者）撰写，探讨了在人工智能（AI）能够生成数学证明的时代，数学界应如何重新定义并重视数学家的核心价值。
数学家的真正目标是增进人类的理解，而不仅仅是生成证明。目前，数学界过度依赖“证明”作为衡量进步的指标。随着 AI 在生成证明方面的能力提升，如果数学界继续将证明视为唯一的衡量标准，可能会导致外界误认为数学家已变得多余。因此，作者提议应将**“动机解释”（Motivated Explanation）**提升到与解决开放性问题同等的学术地位。
作者通过对比“证明”与“动机解释”，明确了两者的差异：
为了将“动机解释”制度化，作者提出了以下具体建议：
数学界正处于一个关键的转折点。通过主动定义并奖励“人类理解”这一维度，数学界不仅可以应对 AI 带来的冲击，还能让数学成为一种更具生命力、更具公共价值的学科，引导年轻一代投入到构建数学未来蓝图的进程中。
本文探讨了在生成式人工智能（LLM）时代，用户过度依赖模型而放弃批判性思考（即“大脑关机”）所带来的风险。作者指出，这种行为正在催生一种被称为“肉身代理”（Meat Proxy）的新型劳动模式，但这种模式对从业者而言是不可持续的。
“肉身代理”是指人类不再进行实质性的思考或决策，而仅仅充当大模型运行循环中的一个环节（例如：让模型写代码 $\rightarrow$ 运行报错 $\rightarrow$ 把报错喂回模型 $\rightarrow$ 重复直到成功）。虽然随着 LLM 的进步，这种模式在执行简单任务时表现有所提升，但其本质仍然是人类在为模型的错误进行低价值的“打补丁”工作。
作者强调，LLM 在处理“分布外”（Out-of-Distribution, OOD）问题时表现较差。当任务超出其训练数据的核心分布时，LLM 往往会表现出极大的不可靠性：
作者提出了一个深刻的职业警示：如果一个员工的工作仅仅是作为 LLM 的“肉身代理”，那么这个岗位最终会被公司自动化。
作者驳斥了“编程已解决”等乐观论调。通过观察发现，许多声称编程已被 AI 解决的人，其产出的实际软件质量非常低下。在 AI 时代，仅仅维持“模型输出 $\rightarrow$ 运行 $\rightarrow$ 报错 $\rightarrow$ 喂回”的机械循环并不能提升竞争力；相反，保持大脑清醒、提供高层级的监督和决策，才是应对技术变革的关键。
OpenAI 近期正式推出了其首款 AI 加速芯片 Jalapeño。该芯片具备强大的性能指标：提供高达 13.4 petaflops 的 4 位（4-bit）计算能力，配备 232 GB 先进内存，内存带宽达 15.4 TB/s。根据基准测试，与 OpenAI 目前依赖的 Nvidia GB300 相比，Jalapeño 的端到端延迟可降低高达 3.6 倍，且功耗更低。
Jalapeño 的研发过程展现了极高的效率。从最初的架构概念到首个硅片（first silicon）仅用了不到 20 个月；从编写寄存器传输级（RTL）代码到流片（tape-out）仅间隔了 9 个月。
这一快速迭代主要得益于 OpenAI 的大语言模型（LLM）对工程能力的增强。OpenAI 的硬件副总裁 Richard Ho 指出，模型为工程师提供了“超能力”，使其能够更快地探索更多设计路径。
在团队构成方面，OpenAI 维持了一个约 100 人的小型设计团队，负责端到端的系统设计，包括推理加速器、内存层级和网络。OpenAI 与 Broadcom（博通） 展开了紧密合作，由 Broadcom 负责从逻辑门（gates）开始的物理设计及后续生产。
OpenAI 通过将 LLM 集成到设计工作流中，主要在以下两个领域实现了加速：
OpenAI 的前端工作流围绕开源工具 XLS（Accelerated Hardware Synthesis） 构建。XLS 允许工程师使用类似于软件的编程语言（如 DSLX 和 C++）进行设计，然后将其转换为硬件描述语言 Verilog。
在芯片回片后，OpenAI 利用内部 AI 模型快速编写并优化运行基准测试的软件。例如，在 DeepSeek 的多头潜在注意力内核（multi-head latent attention kernel）测试中，团队仅用约 40 小时，就将性能从理论极限的 0.31% 提升到了 88.94%。
虽然大部分前端设计由 OpenAI 通过 AI 驱动完成，但后端设计（涉及布线、时钟和功耗验证等）主要由 Broadcom 处理。不过，OpenAI 的物理设计工程师仍通过 AI 引导的优化为后端提供了支持，例如在矩阵乘法单元的设计中，AI 引导的优化帮助在相同硅片面积内实现了 10% 的面积缩减。
未来方向： OpenAI 计划在下一代芯片设计中进一步扩大 AI 的应用范围，包括：
研究人员通过结合光子发射显微术（PEM）与激光故障注入（LFI）技术，成功绕过了 Raspberry Pi RP2350 微控制器的安全限制，实现了“安全调试”（Secure Debug），并从受保护的 OTP（一次性可编程）内存中提取了机密数据。
RP2350 采用了多重安全机制，包括安全启动、TrustZone 隔离以及永久禁用调试功能的 CRIT1.DEBUG_DISABLE 标志。然而，系统设计中存在一个关键的覆盖机制：DEBUGEN 寄存器允许安全软件重新启用调试接口。
该研究发现，尽管 RP2350 的 OTP 关键字段采用了冗余编码（如三选八投票机制）来增强安全性，但 DEBUGEN 寄存器本身并没有设计任何位冗余、奇偶校验或多数表决机制。这使得该寄存器成为了激光故障注入的理想目标。
攻击过程分为两个主要阶段：定位与注入。
光子发射引导的定位 (PEM)：
由于寻找单个寄存器位的物理位置极度困难，研究人员首先利用 PEM 技术。通过观察晶体管在切换状态时发出的微弱近红外光，并对多次执行不同位掩码操作的图像进行差分处理，研究人员成功将 DEBUGEN 寄存器的搜索范围缩小到了仅几微米的区域。
激光故障注入 (LFI)：
在 PEM 确定的目标区域内，使用 980 nm 脉冲激光进行扫描。通过精确控制激光脉冲，研究人员能够通过故障注入改变 DEBUGEN 的特定位（如 PROC1 和 PROC1_SECURE），从而在硬件层面强制开启安全调试权限。实验证明，这种注入甚至可以绕过软件层面的 DEBUGEN_LOCK 锁定。
为了应对固件在运行时对 OTP 页面施加的“运行时锁”（Runtime Lock），研究人员设计了一套巧妙的攻击序列：
DEBUGEN 寄存器，开启安全调试。该研究表明，单一的安全机制（如 OTP 冗余或软件访问控制）在面对结合了物理定位与精确故障注入的系统级攻击时是脆弱的。
ACCESSCTRL 或固件定期检查 DEBUGEN 状态的措施属于“尽力而为”的运行时防御。在救援重置场景下，攻击可以在防御机制生效前完成数据提取。总结：安全分析必须覆盖从持久性 OTP 配置到可变控制寄存器，再到重置行为的完整执行路径，因为系统安全性取决于整个路径的协同，而非单个组件的隔离。
阿里巴巴集团旗下的研究机构达摩院（Damo Academy）开源了一款名为 Damo Radar 的人工智能模型。该模型能够通过读取计算机断层扫描（CT）图像，识别包括癌症在内的近150种腹部疾病及异常情况。
在近4万份真实世界的检查数据测试中，该模型在146项临床发现中的平均曲线下面积（AUC）达到了 0.913（AUC为1.0代表完美的诊断准确度）。
研究团队称 Damo Radar 为“全球首个专家级通用医学影像模型”。此外，该团队表示，这种训练方法未来有望扩展到其他类型的医学影像领域。
本文提出一个核心论点：现代科学（尤其是计算科学）本质上等同于开源软件。作者认为，软件不仅是科研的辅助工具，更是编码、分享和测试科学预测模型的媒介。
科学的定义在于通过可测试的假设和预测来构建知识。作者引用了 Kenneth James Williams Craik 的观点，即人类通过大脑中的“内在模型”（inner models）来模拟现实并进行预测。在数字时代，软件正是这些预测模型的具体实现方式。如果一项研究无法通过软件实现其预测逻辑，那么它就无法真正贡献于科学知识的系统化。
在科学语境下，可重复性不仅仅是“重复实验结果”，更重要的是：
现代科学高度依赖软件（从气候模型到实验室协议）。由于研究人员往往无法逐一验证所有依赖项的正确性，软件的错误直接导致科学结论的错误。历史上已有多次因软件漏洞导致学术论文撤稿的案例。因此，科学结论的可靠性直接取决于软件的可靠性。
为了满足科学的要求，软件必须具备两个特性：
开源软件通过允许全球社区进行审计、迭代和纠错，完美契合了科学方法论。开源不仅允许研究者根据需求改造代码，还能通过公开记录来修正缺陷，实现知识的持续进化。
作者描绘了一个由开源驱动的科研未来：
作者呼吁科研人员采取以下行动以推动科学的数字化转型：
该文档为 Xcode 27.1 Beta 的发行说明，主要内容旨在指导开发者进行以下操作：
Stagehand 是一个专为 AI Agent 设计的 SDK，旨在实现网页数据的提取与交互。与侧重于自动化测试的 Playwright 不同，Stagehand 专注于为智能体提供能够像人类一样操作浏览器的能力，支持 TypeScript、Python 和 Go 三种语言。
Stagehand 通过三个核心方法简化了复杂的网页自动化流程：
observe() (观察)：用于定位网页元素。它会返回真实的 CSS 选择器，确保敏感信息（如登录凭据）仅在本地处理，不会发送给大语言模型（LLM），从而兼顾安全与准确性。act() (执行)：用于执行网页操作（如点击、输入）。该功能具备“自愈”（Self-healing）能力，即使网站的 UI 或 HTML 结构发生变化，Agent 仍能通过自然语言指令完成任务。extract() (提取)：用于从网页中获取结构化数据。通过结合 Zod (TypeScript) 或 Pydantic (Python) 等模式验证工具，可以确保提取的数据符合预定义的 Schema。goto, click, locator），降低了学习成本。navigate、act、observe 和 extract 等能力直接引入 Claude 或 Cursor 等 MCP 客户端。Stagehand 支持多种包管理器进行安装：
pnpm add @browserbasehq/stagehand 'zod@~4.4.3'pip install stagehandgo get github.com/browserbase/stagehand/packages/sdk-go/v4@v4.0.0本地运行需要安装 Chrome 浏览器。
本文提出了一种名为 Cache-to-Cache (C2C) 的新范式，旨在实现大语言模型（LLM）之间的直接语义通信。目前的多模型系统主要通过文本进行交互，这种方式存在两个核心缺陷：一是将内部表示转换为输出 token 序列时会造成丰富的语义信息丢失；二是逐 token 生成的过程会引入显著的推理延迟。
C2C 改变了通信媒介，将 KV-Cache 作为模型间直接传输语义的载体。其核心技术包含以下两个方面：
研究表明，C2C 在准确率和效率方面均表现出显著优势：
C2C 证明了 KV-Cache 是一个有效的模型间通信媒介，能够通过利用深层语义信息，在提升多模型协作性能的同时，大幅度降低通信成本和延迟。