MiMo v2.6 系列简介

MiMo v2.6 系列正式发布，其核心特性包括：

• 前沿智能：致力于提供领先的智能技术。
• 全模态支持：具备处理所有模态的能力。
• 公开构建：采用公开透明的开发模式（Built in public）。

摘要：Apple 在 AI 功能与用户隐私选择权上的变化

本文作者通过个人经历，批判了 Apple 在 macOS 系统更新中对于 Apple Intelligence（苹果智能）功能强制推行、剥夺用户选择权以及忽视隐私设置的行为。

核心观点与发现

• 用户控制权的丧失：

  • 在 macOS 15.3 版本中，Apple 提供了明确的设置选项，允许用户关闭 Apple Intelligence 及其相关的数据上报功能。
  • 在升级到 macOS 27 后，作者发现原本用于拒绝该功能的“开关”已被移除。即便用户曾明确表示拒绝，系统在更新后仍会自动启用这些功能。

• 设置失效与规避手段：

  • 在新系统中，即便用户关闭了 Siri，相关的后台进程依然会占用内存并写入数据，且 Siri 的设置项已不再涵盖对 Apple Intelligence 的控制。
  • 目前，用户只能通过“屏幕使用时间”（Screen Time）的限制功能来隐藏这些 AI 相关的菜单项，但这并不能从根本上禁用功能。

• 资源占用问题：

  • Apple Intelligence 占据了约 22.28 GB 的磁盘空间。作者认为这不仅是资源的浪费，在存储扩容成本高昂的情况下，也变相增加了用户的经济负担。

对 AI 行业的宏观批判

作者将 Apple 的行为视为整个 AI 产业现状的一个缩影，认为该行业存在严重的**“缺乏知情同意权（Consent）”**的问题：

1. 强制推行：AI 开发者倾向于无视用户的拒绝，试图将 AI 功能强行植入用户的使用流程中。
2. 行业负面影响：作者引用了多项新闻事件，指出 AI 产业正面临法律诉讼（如 OpenAI 面临的消费者伤害诉讼）、内容监管问题（如 X 平台上的有害内容）以及对互联网生态系统的破坏（如大语言模型对网络内容的侵蚀）。

总结： 作者认为，当企业通过移除“拒绝开关”的方式来强制用户接受新技术时，这不仅是技术上的侵入，更是对用户自主权和隐私权的一种侵犯。

AI 写作的困境与价值：从“机器总结”到“人类协作”

本文探讨了作者对当前职场和技术领域中泛滥的 AI 生成内容的挫败感，并分析了 AI 在写作中应当扮演的角色及其本质局限性。

AI 写作带来的负面影响

作者指出，越来越多的人利用 AI 生成设计提案、业务计划、拉取请求（PR）摘要、会议记录等。这种现象导致了几个核心问题：

• 缺乏深度与共识构建：设计文档本应是引导读者参与思考、达成共识的提案，但 AI 生成的内容往往只是对既定事实的“回顾性总结”。这种文档缺乏上下文和视角，读起来令人疲惫且毫无灵魂。
• 语境缺失（Context Gap）：在 PR 摘要或任务单中，AI 倾向于罗列“做了什么”（如代码变更细节），却无法回答“为什么要这么做”、“价值何在”以及“风险是什么”。
• 破坏人际连接：在敏感的私人沟通中使用 AI 润色，虽然试图显得得体，却往往使表达变得冷冰冰、不连贯，失去了人类沟通中至关重要的“脆弱性”与“真实感”。
• 违反读者契约：读者在阅读时往往没有提示词所提供的背景信息。面对大量 AI 生成的、缺乏逻辑重点的详尽细节，读者被迫进行高强度的阅读以试图建立语境，这导致了“读者反抗”——即读者会因感到被浪费时间而停止阅读。

AI 作为协作工具的正确用法

作者强调，AI 应当是“助手”而非“代笔”。在撰写学术论文的实践中，作者展示了 AI 的有效应用场景：

1. 技术校验：利用 AI 核对文中的描述（如数据库索引、日志配置）是否与实际源代码或生产环境数据一致，从而辅助验证准确性。
2. 处理琐碎任务：如自动补全参考文献格式（BibTeX）、生成技术图表（TikZ）或进行严格的拼写与语法检查。
3. 高度抽象化的写作：AI 非常擅长处理如“摘要”这类机械化、高度抽象且对语境依赖较低的部分。

相比之下，直接让 AI 根据上下文生成段落的效果通常很差，读起来既生硬又不准确。

AI 的本质局限性

作者引用相关观点指出，LLM（大语言模型）的局限性源于其运行机制：

• 缺乏经验与同理心：AI 基于统计概率预测下一个词，它没有人类的“生活经验”，无法产生真正的同理心，也没有“切身利益”（skin in the game）。
• 总结与深度的冲突：总结虽然提高了效率，但往往会压缩信息，破坏复杂的心理模型。优秀的系统工程、科学探索或文学创作往往涉及不确定性、叙事性和难以被分解的细微差别，而这些正是 AI 难以捕捉的。

结论

随着 AI 生成内容的激增，具有“意向性”的写作将变得更加珍贵。作者认为，那些为了深度思考、创造或分享真实经验而进行的写作，能够传递人类对美、质量、关系和时间的独特理解。我们不应满足于阅读机器总结的事实，而应追求那些带有个人见解、能够体现人类思考过程的文字。

https://www.science.org/content/article/nasa-s-mars-sample-return-mission-dead

AI 缺乏智慧，依赖 AI 的开发者也可能失去智慧

这篇文章探讨了在 AI 时代，开发者过度依赖人工智能进行编码所带来的潜在风险，并强调了软件工程中“智慧”与“经验”的重要性。

1. 软件维护的长期挑战与“坏代码”的定义

文章指出，当前行业出现了一种危险的倾向：开发者开始不再阅读和编写代码。这种仅凭“感觉”编写代码（vibe-coded）的项目，随着时间的推移会演变成难以维护的混乱状态。

作者定义了“坏代码”的特征：

• 难以理解与演进：代码逻辑晦涩，难以适应未来的需求变化。
• 蝴蝶效应：修改一处代码会导致远离该处的逻辑出现非确定性的破坏。
• 设计不一致：由于缺乏设计不变性的约束，代码在功能增加时变得支离破碎。
• 测试脆弱：代码难以测试，过度依赖 Mock 且暴露实现细节，阻碍了有意义的重构。

由于代码的可维护性是一个需要数月甚至数年才能显现的长期指标，目前的自动化工具很难对其进行即时测量。

2. 专家直觉与 AI 的局限性

软件工程中的专家依赖于通过长期实践（调试、修复生产问题）积累而成的“直觉”。这种直觉是上下文相关的，无法被简单的规则或初级手册所取代。

相比之下，AI 在处理复杂编程问题时存在本质缺陷：

• 缺乏长期反馈机制：AI 的强化学习依赖即时奖励信号，而代码的可维护性无法通过即时反馈来衡量。
• 学习数据的局限性：AI 学习的是初级规则以及互联网上大量质量低劣的代码。
• 缺乏重构的“艺术性”：AI 在简化代码方面表现糟糕，它往往只是机械地拆分函数，却无法创造出真正具有可重用性和澄清意义的代码结构。

3. 对开发者成长路径的威胁

作者警告称，过度依赖 AI 会阻碍开发者的职业成长。如果开发者不再做出关键决策，不再为错误承担责任，也无法从错误中学习，他们将永远无法达到“精通”的境界。AI 本身不会从错误中学习，而过度依赖它的人同样会丧失学习的机会。

4. 结论与未来预测

作者并非反对 AI，而是主张将其作为处理枯燥、重复性任务的高效工具，而非逻辑决策的核心。

文章最后提出了一个预测：未来会出现越来越多的公司将“无 AI 政策”（NO-AI policy）作为一种竞争优势。 在软件开发这样一个高度依赖复杂逻辑、长期维护和人类决策的领域，过度自动化可能反而会成为一种干扰。如果企业和个人不对 AI 的使用保持责任感，将会面临严重的后果。

gzip 是否可以作为语言模型？

本文探讨了在不使用神经网络和学习参数的情况下，利用压缩算法（如 gzip）进行语言建模的可能性。其核心理论基础是压缩与预测的等价性（compression–prediction equivalence）：每一个预测模型本质上都是一个压缩器，而所有压缩算法也都是预测模型。

核心原理：压缩即预测

根据信息论，编码一个符号所需的比特数与该符号出现的概率 $p$ 相关，计算公式为 $-\log_2 p$。这意味着，概率越高（越被模型“预期”）的符号，压缩所需的空间越小。

gzip 使用的 DEFLATE 算法通过一个 32 KiB 的滑动窗口寻找匹配项。如果后续字节序列在窗口内已出现，DEFLATE 会使用廉价的“后向引用”（back-reference）而非原始字节进行编码。因此，一个能够被良好压缩的候选文本，意味着它与已有上下文（语料库）高度匹配，即被模型“预测”到了。

评分机制： 通过计算以下指标为候选内容评分： $$\text{score}(\text{candidate}) = \text{len}(\text{gzip}(\text{context} + \text{candidate}))$$ 压缩后的长度越短，该候选内容的预测得分就越高。

生成机制：束搜索（Beam Search）

直接进行逐字节生成效果较差，因为 gzip 输出的是整数长度，这会导致许多不同的候选字节产生相同的压缩长度（即量化噪声问题），从而导致大量候选词平局。

为了解决这个问题，作者使用了束搜索（Beam Search），通过预先查看一段字节序列（horizon）来获取更准确的信号。具体生成流程如下：

1. 提示词 (Prompt)：以用户输入的文本作为初始上下文。
2. 上下文 (Context)：由语料库窗口和最近生成的文本尾部组成。
3. 搜索 (Search)：
   • 保留当前得分最高的 beam_width 个部分序列。
   • 将每个序列通过语料库中出现的字节进行扩展。
   • 计算扩展后的压缩长度并重新评估。
   • 根据得分进行裁剪，保留前 beam_width 个候选者。
4. 提交 (Commit)：选择压缩率最高的完整片段（或根据温度参数进行采样），将其追加到已生成文本中，并开始新一轮循环。

实现细节

为了防止模型陷入无限重复刚刚生成的文本（因为 DEFLATE 会优先选择最容易匹配的最近内容），在计算评分时，仅将生成文本的**最后一部分（tail）**保留在评分上下文中，而不是使用全部历史。

作者实现了一个名为 gzipt 的工具，它使用 Python 标准库中的 zlib 模块，通过这种方式实现了无需训练、基于统计匹配的文本生成功能。

Apple 在 iOS 中加入持久性“广告”，引发用户不满

iOS 用户发现，Apple 正在其操作系统中植入针对自身服务的“持久性广告”，这一举动引发了广泛的批评和不满。

广告内容与呈现方式

这些促销信息主要出现在 iOS 的**“设置” (Settings) 应用**顶部。它们主要推广 Apple 的各项增值服务，包括：

• iCloud+ 存储空间升级；
• Apple Music 和 Apple TV 的免费试用；
• AppleCare+ 延长保修服务。

用户面临的核心问题

用户对这些“广告”感到愤怒，主要原因在于其难以消除的特性：

• 无法轻易关闭： 许多促销信息没有明显的“关闭”按钮。用户通常只能等待这些提示自然过期（过程可能长达数周或数月），在此期间，设置应用上往往会一直挂着一个通知红点。
• 功能失效： 部分用户反映，即使出现了“关闭”选项，点击后也可能无法生效。
• 逻辑错误： 有用户反馈，即便已经订阅了相关服务（例如 iCloud+），系统仍会推送相应的促销广告，这被怀疑是系统 Bug。

用户反应

社交媒体和 Reddit 等平台上的用户对此表达了强烈的不满。一些用户将此行为与微软在 Windows 开始菜单中加入广告的行为相提并论。用户普遍认为，在已经支付了昂贵的 iPhone 硬件费用后，Apple 这种不断推销附加服务的做法显得不够“高端”，甚至有一种“变相榨取”用户的感觉。

背景与战略意图

尽管这种做法与 Apple 一贯标榜的“用户体验至上”的品牌形象相悖，但其背后有着明确的商业逻辑：

• 重心转向服务业务： 随着全球智能手机市场增长放缓，Apple 正在将战略重心从硬件销售转向服务业务（如 iCloud、音乐、电视等订阅制服务），以寻求新的增长点。
• 增加收入来源： 通过在操作系统中直接进行服务推广，Apple 试图更主动地转化用户以获取持续的订阅收入。

未来趋势

由于 Apple 对服务业务的推动力度不断加大，此类广告形式很可能不会消失。有消息指出，Apple 甚至计划在未来的 Visual Intelligence（视觉智能）等新功能中加入更多广告内容。

OpenAI GPT–6 Astra 成功破解 2005 年以来未解的 Enigma 电报

事件概述 2026 年 9 月，研究人员 Carter Leffer 证实，OpenAI 的 GPT–6 Astra 成功破解了一条自 2005 年以来一直无法破解的德国陆军 Enigma 电报（编号 MVUEH）。该电报于 1941 年 7 月 10 日由战术呼号为 2ny 的电台发送，接收方为 SS-Totenkopf 军需处。

技术背景与破解难点 尽管在 2017 年曾有人破解过同日的另一条电报（编号 SIPVX），但 MVUEH 的破解难度极高，主要原因包括：

• 密钥差异：MVUEH 的密钥与当日其他消息完全不同，其轮序（Wheel order）为 253，而其他消息为 512。
• 转录错误与机械特性：原始电报的转录存在多处错误，且 Enigma 的左轮在第 72 个字母处发生了罕见的转动（turnover），这增加了破解的复杂性。
• 明文关联性：研究发现，MVUEH 的明文内容与 SIPVX 几乎完全一致，仅因拼写错误（将 "Bitte" 误写为 "Btte"）以及签名重复导致长度略有不同。

GPT–6 Astra 的自主破解过程 GPT–6 Astra 在几乎完全自主的情况下完成了此次任务，其操作流程体现了高度的逻辑性：

1. 目标识别：在分析了研究网站上的未解电报后，AI 自主判定 MVUEH 是最有潜力的目标，并推测其明文可能与已破解的 SIPVX 相关。
2. 软件开发：它自主开发了用于模拟 Enigma 机器和运行 Enigma Bombe 的 Python 及 C++ 软件。
3. 利用已知明文（Crib）：它通过寻找重复的地名“ROSENOW”作为破解切入点，最终成功推导出了正确的密钥和明文。

展现出的专业研究能力 GPT–6 Astra 的表现被评价为具备专业密码分析师和档案研究员的水准。其日志显示，它不仅进行了密码分析，还表现出了极强的档案检索能力：

• 档案引用：AI 在日志中准确提到了德国联邦档案馆（Bundesarchiv）的具体文件编号（RS 3–3/20a 和 RS 3–3/63b），而这些文件并未在相关的研究网站上公开。
• 效率极高：该 AI 在两天内完成的研究工作，通常需要人类研究人员花费数周甚至数月的时间。

Transformer 架构详解总结

Transformer 是一种由 2017 年《Attention is All You Need》论文提出的神经网络架构，已成为现代人工智能（如 GPT、Llama、Gemini）的核心。其核心原理是下一 Token 预测（Next-token prediction），即根据输入序列预测概率最高的下一个词或词的一部分。其强大的能力源于自注意力机制，能够有效地捕捉序列中的长程依赖关系。

Transformer 核心架构组件

一个典型的文本生成式 Transformer 由以下三个关键部分组成：

1. Embedding（嵌入层）

该层将文本输入转换为模型可以处理的数值表示。过程分为四个步骤：

• 分词 (Tokenization)：将文本拆分为更小的单位（Token），可以是单词或子词。
• Token Embedding：将每个 Token 映射为一个高维向量（如 GPT-2 为 768 维），用于捕捉语义信息。语义相似的 Token 在向量空间中距离更近。
• 位置编码 (Positional Encoding)：由于 Transformer 并行处理序列，需要通过位置编码为每个 Token 添加位置信息，以识别其在序列中的顺序。
• 最终嵌入 (Final Embedding)：将 Token 嵌入与位置编码相加，得到包含语义和位置信息的最终向量。

2. Transformer Block（Transformer 块）

这是模型进行数据处理的核心单元，通常由多个块顺序堆叠而成。每个块包含两个主要部分：

多头自注意力机制 (Multi-Head Self-Attention)

• QKV 矩阵：每个 Token 的嵌入向量通过学习到的权重矩阵转化为三个向量：Query (Q)（查询）、Key (K)（键）和 Value (V)（值）。
  • Q 代表想要寻找的信息；
  • K 代表该 Token 能提供的特征索引；
  • V 代表该 Token 包含的实际内容。
• 多头拆分：将 Q、K、V 拆分为多个“头”（如 GPT-2 为 12 个），使模型能从不同维度（如语法、语义）并行学习关系。
• 掩码自注意力 (Masked Self-Attention)：通过 Q 和 K 的点积计算注意力分数，随后进行缩放、掩码处理（防止模型在预测时看到未来的 Token）以及 Softmax 归一化，最后乘以 V 得到加权后的表示。
• 拼接：将所有头的输出拼接并进行线性投影，得到该层自注意力的最终输出。

多层感知机 (MLP)

在注意力机制捕捉完 Token 间的关系后，MLP 对每个 Token 进行独立的特征提取和增强。它通过两层线性变换（通常先进行 4 倍升维，再降维回原始维度）并配合 GELU 激活函数，将 Token 表示投影到更高维的空间以捕捉更复杂的模式。

3. 输出概率 (Output Probabilities)

经过所有 Transformer 块的处理后，最终表示通过一个线性层映射到整个词表大小的维度（Logits）。随后使用 Softmax 函数将 Logits 转换为概率分布。生成过程可通过以下参数控制：

• Temperature (温度)：调节分布的平滑度。低温度使输出更确定；高温度增加随机性（创造力）。
• Top-k 采样：仅从概率最高的 $k$ 个 Token 中进行采样。
• Top-p 采样：从累积概率达到阈值 $p$ 的最小 Token 集合中进行采样。

辅助架构特性

为了提升训练稳定性和模型性能，Transformer 还引入了以下技术：

• 层归一化 (Layer Normalization)：在每个块内稳定激活值的均值和方差，加速收敛并减轻内部协变量偏移。
• Dropout：在训练期间随机丢弃部分神经元，防止模型过拟合。
• 残差连接 (Residual Connections)：通过将输入直接跳跃连接到输出，缓解深层网络中的梯度消失问题。

关于 Transformer Explainer

"Transformer Explainer" 是一个基于 GPT-2 (small) 的交互式工具，允许用户通过输入文本、调节温度、观察注意力图等方式可视化地探索 Transformer 的内部运作机制。该工具利用 ONNX Runtime 在浏览器中实现实时推理。

在 Mac 上关闭或限制 Apple Intelligence 功能指南

本文档提供了在 macOS 上关闭或限制 Apple Intelligence 相关功能（如 Siri AI、摘要功能等）的具体操作步骤。

1. Siri 相关设置

• 关闭 Siri AI (Beta)：前往“系统设置”，点击侧边栏中的“Siri”，选择“关闭 Siri”并再次确认。
• 切换至 Siri Classic：先按上述步骤关闭 Siri，然后重新点击“开启 Siri”，并选择“使用 Siri Classic”。
• 管理 Siri 访问权限：可以通过自定义 Siri 可访问的应用，来控制“通话上下文卡片”及“应用建议”的显示。

2. 摘要功能管理

• 信息摘要：在“信息”应用中，选择“信息” > “设置”，关闭“摘要信息”。
• 邮件摘要：在“邮件”应用中，选择“邮件” > “设置” > “查看”，关闭“摘要邮件预览”。
• 通知摘要：在“系统设置”中，点击侧边栏的“通知”，然后关闭“摘要通知”。

3. 特定应用功能设置

• 邮件个性化智能回复：在“邮件”应用中，选择“邮件” > “设置” > “撰写”，关闭“个性化智能回复”。
• 电话语音留言建议：在“电话”应用中，选择“电话” > “设置” > “通话”，关闭“语音留言中的建议”。
• 日记写作提示：在“日记”应用中，选择“日记” > “设置” > “通用”，关闭“获取写作提示”。

4. 访问权限限制

• 屏幕使用时间：可以通过“屏幕使用时间”中的 Siri 限制设置来限制功能的使用。对于儿童设备，可参考 Apple 的家庭设备安全指南进行权限管理。

注：Apple Intelligence 在 macOS 27 上并非在所有语言或地区均可用，且可能存在使用限制。

间谍标记（Spymark）与水印（Watermark）的区别

本文提出了“间谍标记”（Spymark）这一概念，旨在区分传统的“水印”与一种具有潜在隐私威胁的新型技术。

核心定义

• 水印 (Watermark)：嵌入在物理或数字媒介中的可见标记，用于验证真实性或声明所有权。
• 间谍标记 (Spymark)：一种隐藏的信号，旨在用户不知情或未同意的情况下，使其作品具有可追踪性。

技术实现与应用

随着人工智能的发展，多家科技公司（如 Google 和 OpenAI）正在开发大规模的间谍标记系统。

• Google SynthID：通过在图像、音频、文本和视频中嵌入人类无法察觉的秘密信号，可以编码数据库标识符。这些标识符能够映射到用户的敏感隐私信息，如姓名、IP 地址、出生日期及物理地址等。
• 不同媒介的实现方式：
  • 图像：在频率域进行微调或通过细微的像素变化来编码数据。例如，SynthID-O 可以在 512x512 像素的图像中编码 136 位的负载。
  • 音频：通过改变音频波形（时域）或修改频率特征（频域）来嵌入不可听的信号，这些信号通常具有很强的鲁棒性，能够经受压缩或重新编码。
  • 文本：通过引导词汇选择，在文本中创造出可检测的统计模式，从而编码追踪载荷。

与传统技术的对比

隐私与社会风险

作者强调，“Spymark”一词的使用是为了直接揭示其背后的隐私风险。这种技术不仅让用户对自己的文件失去控制，还可能带来严重的社会后果：

1. 大规模监控：如果社交媒体和设备普遍采用间谍标记，监管者可以轻易追踪信息的传播路径和来源。
2. 威胁特定群体：对于吹哨人或希望保护政治倾向等隐私信息的个人而言，间谍标记可能成为被迫害的工具。
3. 社会控制：结合账户记录，间谍标记可以构建复杂的人际网络图谱，从而实现对思想传播的追踪与控制。

https://www.reuters.com/world/us/faa-halts-some-us-east-coast-flights-due-communication-issues-2026-09-21/

摘要：AMD 硬件随机数生成器无法生成 0 的问题讨论

核心问题

用户 Jessé 在 Flat Assembler 论坛上指出，AMD 处理器的硬件随机数生成指令（rdrand 和 rdseed）似乎存在一个缺陷（或设计特性）：在请求特定位数（如 16 位）的随机数时，无法生成数值 $0$。在进行对比测试时，Intel 处理器能够正常生成包含 $0$ 在内的随机数。

测试与发现

• 测试工具：用户开发了名为 random-fryer 的应用程序，通过可视化图表展示不同指令和技术生成的随机数分布。
• 实验现象：在 AMD 平台上，针对特定位数的随机数请求，生成的数值中从未出现过全零。
• 临时解决方案：用户建议通过生成更高位数的随机数（如 32 位或 64 位），然后截取低位所需的位数（如 16 位）来绕过此问题。实验证明，当从更高位数的输出中截取时，低位可以出现 $0$。
• 性能差异：用户观察到不同架构的随机数生成速度差异巨大，且 AMD 的生成器对时钟频率的变化表现出不敏感性（inert），而部分 Intel 处理器则高度依赖时钟频率。

社区讨论与技术观点

• 设计意图推测：有讨论认为这可能并非 Bug，而是 AMD 的一种设计选择。有人猜测可能是由于某些工程师认为 $0$ 不符合随机数定义，或者为了规避某些因“除以零”或“乘以零”导致的计算溢出/错误风险。
• 硬件安全性与信任：
  • 讨论涉及了“可信硬件”的概念，指出硬件加密加速器可能存在熵不足、数学漏洞或后门。
  • 专家建议不要孤立使用 RDRAND 进行加密，而应将其与其它熵源混合使用，以增强安全性。
• 指令用途：有观点指出，rdrand 的设计初衷是为操作系统内核提供熵源，而非作为独立的加密随机数生成器，这可能解释了 AMD 行为的逻辑背景。
• 技术架构参考：有成员回顾了 RDRAND 的典型实现机制，包括利用不稳定性噪声发生器、采样器、去偏置电路以及基于 AES 的密码学伪随机数生成器（CSPRNG）。

当前进展

用户已向 AMD 提交了反馈。尽管 AMD 内部已将此问题升级处理，但用户表示 AMD 最初的回复似乎误解了测试结果，目前的详细调查仍在等待进一步的官方答复。

Git 2.56 与 3.0 版本展望

本文概述了 Git 即将发布的 2.56 版本及其后续重大版本 3.0 的规划与核心变更。

Git 2.56 版本主要特性

Git 2.56 预计于 9 月底发布，包含超过 700 个非合并提交。该版本侧重于易用性改进而非根本性的架构变革：

• git history drop 子命令：新增用于 git history 工具箱的实验性功能，允许用户从当前分支历史中删除特定提交并重新应用其后的所有提交。目前该功能在包含合并提交（merge commits）的历史中无法使用。
• git status 改进：当分支落后于其跟踪的分支时，该命令将建议用户执行 git pull。
• git refs 功能增强：新增了 create、delete、update 和 rename 等子命令，用于底层引用操作。
• 其他易用性优化：
  • git branch --delete-merged：用于删除已合并至远程跟踪分支的本地分支。
  • 改进 git branch -d：如果分支正用于 bisection 操作，删除请求将失败并提供明确提示。
  • 配置文件锁定重试：在多个命令尝试同时修改配置时，减少因锁定失败导致的干扰。
  • git add --resolved：仅添加已解决冲突的文件。

Git 3.0 的重大变更

Git 3.0 被视为一个具有里程碑意义的版本，将引入多个可能导致不兼容的重大变更：

1. 默认使用 SHA-256 哈希函数：为了提升安全性并防御针对 SHA-1 的攻击，Git 将从默认使用 SHA-1 转向 SHA-256。尽管 GitLab 和 Forgejo 已提供支持，但 GitHub 的兼容性仍是社区关注的重点。
2. 强制十六进制 ID 小写化：为了消除由于接受大小写混淆 ID（如 f00f 与 F00F）而引发的安全风险和漏洞，Git 将改为仅接受小写的十六进制 ID。
3. 引入 reftable 机制：Git 将弃用传统的基于文件的引用存储方式，转而采用名为 "reftable" 的二进制文件格式。reftable 针对空间效率和访问速度进行了优化，能够显著提升拥有大规模引用（如 Android 仓库）的项目在查询引用时的性能。
4. 强制 Rust 编译器支持：Git 的构建过程将要求具备 Rust 编译器，这意味着不支持 Rust 的平台将无法升级到 3.0 版本。

发布路线图

根据最新的发布计划：

• 2026 年 12 月：发布 Git 2.98，作为向 3.0 版本过渡的信号。
• 2027 年 4 月：同时发布 Git 2.99（长期支持版本 LTS）和 Git 3.0。Git 3.0 将成为后续所有 Git 版本的基础。

Linear 如何通过重构 CI 系统应对 AI 驱动的开发速度瓶颈

随着 AI Agent 极大提升了代码交付速度，传统的持续集成（CI）验证流程成为了开发瓶颈，不仅增加了基础设施成本，也延长了开发者的等待时间。Linear 通过一系列优化，在测试套件规模增长近 4 倍的情况下，将 Pull Request（PR）等待时间从 6 分钟以上降低至 5 分钟左右，并将单次测试的运行时间削减了约一半。

其优化策略主要分为四个维度：

1. 升级基础设施与工具链

• 更换运行环境：将工作负载从 GitHub Actions 迁移到拥有更强 CPU、存储和缓存能力的第三方 Runner，使任务平均运行速度提升了 34%，其中 tsc 任务提升达 52%。
• 现代化工具链：改用原生 TypeScript 编译器 tsgo，使类型检查（tsc）的中位数时间缩短了 73%，消除了类型检查成为瓶颈的问题。
• 优化 Lint 流程：将依赖 TypeScript 类型信息的 Lint 规则重写为基于抽象语法树（AST）的静态分析，使 API Lint 时间减少 68%，全库 Lint 时间减少 55%，并降低了内存消耗。随后还引入了 Oxlint 以进一步降低耗时。

2. 优化关键路径任务 (Gating Jobs)

为了防止处于 CI 流程前端的小型任务阻塞整个流水线，Linear 进行了以下改进：

• 按需获取代码：针对变更检测任务，通过限制 Fetch 深度和移除不必要的 Checkout 操作，将任务中位耗时从 26 秒降低到 8 秒。
• 增强 Checkout 韧性：针对第三方 Runner 与 GitHub 之间的网络不稳定问题，开发了具备自动重试（Backoff）和超时控制机制的自定义复合 Action，避免了因网络挂起导致的 CI 停滞。
• 精简关键路径：将原本在合并队列中执行的缓存标记写入操作移至非阻塞任务中，为每个 API PR 节省了约 42 秒。

3. 减少重复的设置成本 (Setup Cost)

为了解决由于频繁启动 Runner 和安装依赖导致的资源浪费，Linear 采取了以下措施：

• 预装共享依赖：将常用的工具（如 Postgres 客户端）直接打包进 CI 基础镜像，减少了每个分片（Shard）的安装时间。
• 精细化安装：在 Monorepo 环境下，利用 pnpm 仅安装当前任务所需的包，而非整个工作区，将安装时间从 44-73 秒缩短至 16-18 秒。
• 策略调整：测试发现直接重建 node_modules 比从缓存中恢复更快，因此放弃了低效的缓存策略。
• 避免重复构建：使用数据库模式快照代替完整的迁移历史，将数据库设置时间从 12 秒降至 1-2 秒。
• 任务合并：将多个独立的短小检查任务合并为少量 Job 运行，减少了 Runner 的启动次数，每月节省了约 87,000 分钟的运行时间。

4. 提高测试执行效率

• 负载均衡：通过拆分 Vitest 中过大的测试文件，使测试任务在不同分片间分布更均匀，解决了单个大文件拖慢整个测试套件的问题。
• 模块状态缓存：这是最大的性能改进。通过为安全的文件开启 isolate: false 模式，允许它们在工作进程间共享模块注册表，从而避免了重复构建实体、GraphQL 和装饰器图。这一优化为每月节省了约 17% 的成本。
• 提升分片效能：通过前述的 Setup 优化，降低了单个分片的固定成本，使得将分片数量从 4 个增加到 8 个变得更加经济高效。

通过这些系统性的改进，Linear 不仅解决了当前的性能问题，也为未来代码量持续增长（目前每周增加约 2,000 个测试）提供了扩展能力。

研究报告：2026年世界杯期间有害产品品牌广告泛滥

由布里斯托大学（University of Bristol）与牛津大学（University of Oxford）联合开展的一项最新研究显示，在规模空前的2026年FIFA世界杯转播期间，观众频繁接触到不健康食品、酒精、赌博及投机产品的品牌广告。

核心研究发现

研究人员在赛事直播画面中记录到了超过 93,000次 有害品牌的可见曝光。其中：

• 不健康食品与饮料：占比最高，达70.4%（65,722次曝光）。
• 预测市场：9,360次。
• 酒精：9,266次。
• 赌博：6,429次。
• 加密货币：2,632次。

研究指出，品牌曝光高度集中于少数全球知名品牌，仅四大品牌（包括某知名软饮、快餐连锁、运动饮料及薯片品牌）就占据了所有有害品牌标志总数的65%。

研究方法与规模

该研究利用布里斯托大学最强大的 Isambard-AI 超级计算机，对世界杯104场比赛共计172.6小时的实时比赛画面进行了分析。研究重点关注的是嵌入在比赛画面内（如场边广告牌）的品牌，而非商业间隙的广告。这意味着观众在观看比赛的同时，无法通过避开广告时段来躲避这些营销信息。

据估计，在英国，有害产品广告在53次转播中产生了高达2670亿次的曝光量。

主要争议与问题

1. 广告的不可回避性：由于品牌直接嵌入比赛画面，广告覆盖了约四分之一的实时比赛时间，使观众被迫接受这些信息。
2. 违反地区法律与文化规范：研究强调，FIFA将包含此类品牌的统一比赛画面分发至全球，其中包括一些法律禁止此类广告（如酒精或赌博）的国家。
3. 技术应用缺失：尽管现有的虚拟广告板替换技术（如在UEFA EURO 2024中已应用）可以根据不同国家的需求显示不同的广告，但FIFA并未采用该技术来移除或替换不符合当地法律的有害品牌。

专家观点与呼吁

研究人员及相关专家对这种现象表示严重担忧，主要集中在以下方面：

• 公共健康风险：研究指出，不健康食品、酒精和赌博的营销与增加消费量及多种健康、社会和财务危害（特别是针对儿童和青少年）密切相关。
• 对青少年的影响：专家担心此类高频曝光会使年轻粉丝将体育英雄与赌博等有害产品联系起来，从而引发肥胖和赌博成瘾等问题。

建议措施：

• 政府与监管机构：应确保营销规则涵盖实时体育赛事中的嵌入式品牌，并实施有意义的处罚。
• FIFA：应采用独立开发的“公共利益标准”来管理商业合作伙伴关系，并利用现有技术，在法律禁止的地区移除或替换相关品牌。

Meta Muse 文件系统泄露事件总结

一名研究人员向 Meta 的 AI 智能体 Muse 请求对其可见的文件进行归档并发送至 Google Drive，结果收到了一个解压后达 6.8GB 的文件包。该压缩包包含了 Muse 所运行 Linux 环境的根文件系统、内部文档、集成代码、应用模板、内存文件、智能体日志以及 SSH 密钥。

主要发现

• 内部架构与文档：Muse 的内部开发代号为 "Hatch"。导出的文档详细描述了该系统的各项功能，包括浏览器使用、连接器、支付、凭据处理、数据处理、语音及任务调度等。此外，还包含针对 WhatsApp、Tailscale 和一种名为 "Home Link" 的设备集成方案的指南。
• 技能与集成能力：系统中包含约 68 个技能目录，每个技能都配有指令文件（SKILL.md）和命令行工具，涵盖 Google Workspace、Meta 社交应用、出行、购物、健康服务及媒体生成等领域。配置文件中还暗示了 Meta 正在开发中的未发布连接器，例如 Slack、Dropbox、Canva 和 Klaviyo。
• 容器环境与沙箱机制：导出的文件展示了该 Linux 环境的构建方式（使用 systemd-nspawn）。为了安全执行视频处理任务（如 ffmpeg），系统利用 bubblewrap 工具进行沙箱化处理，确保这些任务在无网络访问且低权限的状态下运行。
• Spaces 应用框架：Muse 使用名为 "Spaces" 的 TypeScript 框架来构建和提供应用。该框架包含 React 客户端、Server Actions、Drizzle SQLite 架构、SQL 迁移以及 Bun 配置等组件。
• 记忆与学习机制：
  • 存储方式：Muse 的记忆以 Markdown 文件形式存储，并通过 Postgres 数据库进行向量化处理，使其具备搜索能力。
  • 自动化任务：系统通过后台作业进行“梦境”（dream）处理，即通过回顾近期对话来总结用户的沟通偏好和习惯，并将其转化为长期指导指令。
  • 遗忘机制：系统具备“遗忘”工作流，能够撤回特定的声明 ID 并重建索引，从而实现对数据的动态更新与删除。
• Home Link 硬件集成：文档揭示了一项名为 "Meta Home Link" 的实验性集成方案，该方案使用 ESP32-C5 芯片通过 Wi-Fi 和蓝牙 LE 实现对家庭网络设备（如 Brother 打印机、Lutron 桥接器）的访问。

安全风险与响应

研究人员指出，该漏洞的核心风险在于内部运行时文件和敏感材料可以通过普通的对话指令和连接的导出目的地流出。虽然研究人员在测试中未能成功实现容器逃逸，但确认了大量敏感信息的泄露。

该发现已通过 Meta 的漏洞奖励计划（Bug Bounty Program）提交，但 Meta 将该报告标记为“不适用”（Not Applicable）。

内容摘要

主题：关于暂停价值 800 美元或以下进口商品的“小额豁免”（de minimis）行政豁免政策。

相关机构：个人处方药进口运动 (Campaign for Personal Prescription Importation)

联系信息：

• 地址：601 Rt. 206, Suite 26-423, Hillsborough, N.J. 08844
• 电子邮件：info@personalimportation.org
• 电话：202-765-3290

https://www.forbes.com/sites/jonmarkman/2026/09/21/amazon-blocks-metas-new-muse-ai-agent-from-shopping-on-amazoncom/

Fable 5 模型在 8 月份的推理性能下降摘要

核心观察 Lon Lundgren 指出，在 Anthropic 将 Fable 5 模型纳入订阅计划并使其永久可用后，该模型的性能出现了明显下滑，用户感知其“智能程度”有所降低。

主要发现 通过五种不同的测量方法进行评估，研究结果显示：

• 思考标记（Thinking Tokens）减少：8 月份模型产生的“思考标记”数量较 7 月份大幅减少。
• 性能关联：思考标记数量的减少与用户感受到的模型表现下降直接相关。

Claude 模型错误事件摘要

事件状态：已解决

事件概述

在 2026 年 9 月 22 日，Claude 的多个模型出现了请求错误率升高的现象。此次事件影响了包括 claude.ai、Claude API (api.anthropic.com)、Claude Code 以及 Claude Cowork 在内的多项服务。

受影响模型

• Claude Mythos 5.1
• Claude Fable 5.1
• Claude Opus 5

事件时间线（UTC 时间）

• 00:50 - 02:10：故障影响时段。
• 00:57：开始调查 Mythos 5.1、Fable 5.1 和 Opus 5 的错误请求问题。
• 01:17：已查明错误原因，并开始着手修复。
• 01:35：Claude Fable 5/5.1 和 Mythos 5/5.1 的请求成功率已恢复正常；当时 Opus 5 仍在修复过程中。
• 02:11：所有受影响模型的成功率均已恢复正常，进入密切监控阶段。
• 02:35：事件确认已解决。

当前状态

目前所有模型的成功率已恢复至正常水平，团队正在进行持续监控，以确保不再发生类似问题。

Artificial Analysis 模型评估指标体系摘要

本文档详细介绍了 Artificial Analysis 用于评估大语言模型（LLM）的各项指标体系，涵盖智能程度、专项能力、开放性、成本、性能及模型规模等多个维度。

1. 智能与能力指数 (Intelligence & Capability Indexes)

• 智能指数 (Intelligence Index v4.3.2): 这是一个综合性评估指标，整合了 10 项特定的评估任务（如 AA-Briefcase、AutomationBench-AA、SciCode、Humanity's Last Exam 等）。该指数将模型分为“开源权重”与“专有模型”两类，并标注了商业使用限制。
• 核心评估指标:
  • AA-Briefcase Elo: 衡量智能体知识工作的综合指标，通过聚合分析质量 Elo、表达能力 Elo 和评分标准通过率得出。
  • AA-Omniscience Index: 衡量知识可靠性与幻觉水平。得分范围为 -100 到 100，分值越高表示模型越可靠，幻觉越少。
• 专项能力评估: 针对特定领域进行测量，包括智能体现实工作任务、SaaS 工作流、编程与终端使用、专业文档推理、以及医学长文本推理等。

2. 开放性指数 (Openness Index)

• 在 0 到 100 的标准化量表上评估模型的开放程度，分值越高表示模型越开放。

3. 成本与 Token 使用 (Cost & Token Use)

• Token 使用量: 计算执行智能指数任务时所需的加权平均输出 Token 数。
• 成本分析: 评估执行智能指数任务的加权平均成本（USD）。该成本基于输入、缓存命中、缓存写入、推理（Reasoning）及输出 Token 的价格进行加权计算。
• 定价细分: 提供每百万 Token 的缓存命中、输入及输出价格。

4. 技术性能指标 (Performance Metrics)

• 上下文窗口 (Context Window): 模型支持的最大输入与输出 Token 总数，对于涉及大量数据检索的 RAG 工作流至关重要。
• 速度 (Speed):
  • 输出速度: 每秒生成的输出 Token 数（tokens per second）。
  • 任务执行时间: 执行智能指数任务的加权平均解码时间。
• 延迟 (Latency):
  • 首字延迟 (Time To First Answer Token): 从发送请求到接收第一个 Token 的时间。对于推理模型，这包含了模型进行“思考”的时间。
• 端到端响应时间 (End-to-End Response Time): 输出 500 个 Token 所需的总时间，计算过程综合了输入时间、推理模型的“思考”时间以及生成 500 个 Token 的回答时间。

5. 模型规模 (仅限开源权重模型)

• 参数量对比: 比较模型的总参数量（训练时学习的总权重）与激活参数量（推理过程中实际执行的参数）。对于混合专家模型（MoE），激活参数量会少于总参数量。

OpenAI 对 TypeSafe Jev 模型的潜在竞争分析

本文探讨了 TypeSafe 推出的新模型 Jev 对 AI 领域的冲击，并分析了 OpenAI 如何能够通过“快速跟进”策略，不仅复制 Jev 的功能，还能将其深度整合进现有模型体系中。

Jev 的核心机制

Jev 的创新在于将大型语言模型（LLM）从文本生成器转变为即时校准的决策工具。其技术原理并非改变架构，而是利用模型在预测下一个 token 时产生的概率分布（logprobs）。例如，在处理“是否”类问题时，Jev 会提取 true 和 false 两个 token 的相对概率并进行归一化，从而得出精确的概率值。这种方法利用了 LLM 本质上是高度通用的分类器的特性。

OpenAI 的现有基础

作者指出，OpenAI 早已在工具调用（tool calling）等功能中隐性地使用了类似的“微型分类器”机制。例如，模型通过预测特定的标记（如 to=function.）来决定是否调用工具。这意味着 OpenAI 已经具备了处理此类概率预测的基础技术能力。

TypeSafe 的竞争护城河

TypeSafe 的核心竞争力不在于模型架构，而在于其训练数据和强化学习过程。其创始人强调，他们作为一个“数据研究实验室”，专注于开发高质量、用于训练模型实现“校准（calibration）”能力的合成数据。如果这种能够让模型在广泛领域实现精准概率预测的数据集和训练流程难以复制，TypeSafe 才具备真正的护城河。

OpenAI 的潜在集成策略

相比于推出一个独立的竞争产品，OpenAI 更可能采取将分类能力内生化的策略。通过在模型中引入类似 <prediction> 的内置语法，OpenAI 可以实现以下功能：

1. 无需离开 GPU 的自我校验：模型可以在“思考”过程中通过内置的分类能力对自己的假设进行实时验证，无需像传统工具调用那样将控制权交给外部代理，从而实现极高的推理速度和准确度。
2. 任务管理与规划：模型可以利用概率预测来决定下一个任务的优先级，或者判断当前任务是否已完成，从而避免无效的推理。
3. 增强安全性：在执行工具调用前，模型可以自主判断参数是否包含敏感信息（如 API 密钥）或是否存在提示词注入风险。
4. 智能模型路由：模型可以根据任务的复杂度，通过概率判断来决定调用更强大的模型还是更经济的小模型，从而优化成本与性能。
5. 多模态扩展：这种分类能力可以轻松扩展到图像和语音领域，例如在语音交互中实时决定是否需要中断或介入。

结论

TypeSafe 的生存取决于其训练数据和强化学习技术的壁垒深度。如果其技术壁垒足够高，TypeSafe 可能成为 OpenAI 的收购目标；如果壁垒较浅，OpenAI 将凭借其算力、资金和生态优势，通过将分类能力直接内置于旗舰模型中，迅速占据市场领先地位。

前沿 AI 与个人硬件：学术研究的新范式

本文探讨了人工智能领域研究范式的转变，强调在算力资源受限的情况下，学术界通过利用 AI 智能体（Agents）和开源生态系统，正迎来一场研究复兴。

研究范式的转型：从论文到生态系统

传统的科研单位是单一的论文，但在 AI 智能体时代，研究的单位正在转向生态系统（Ecosystem）。随着智能体工具的发展，原本需要数月甚至数年的工程实验现在可以在数周甚至数天内完成。这种变化使得零散的、自成一体的论文逐渐失去价值，研究的重点在于构建相互协作、能够产生累积效应的组件集合。

技术核心：在有限硬件上实现前沿性能

作者认为，小规模实验室可以通过优化工具链，在消费级硬件上实现接近前沿实验室的性能。其核心技术路径包括：

• 自主研究智能体（Autonomous Research Agents）： 开发能够自主运行、无需持续人工反馈的智能体框架。这些智能体可以自主优化内核（如针对 Mac Metal 的优化）、处理复杂的科研任务（如生物信息学研究），并在长达数周的运行周期内自主解决不确定性问题。
• 高效的本地化部署： 通过先进的量化技术和上下文处理，使大规模模型能够运行在个人硬件上。例如，在单个 24GB GPU 上运行 125B 参数的模型，或在配备 128GB 内存的 MacBook 上运行 550B 参数的模型。
• CliffCompaction（自动压缩技术）： 这是一种高效的自动压缩技术，能够支持长达数百万甚至上亿 token 的智能体对话会话，同时将 AI 使用成本降低约 50%，并在性能上超越现有技术。
• 测试时扩展（Test-time Scaling）： 利用压缩技术节省下的成本，通过增加并行运行的次数（rollouts）来换取研究质量的提升。

应对就业焦虑与职业转型

针对学生对 AI 取代工作的恐惧，作者提出了不同的视角：

1. 工作性质的改变而非消失： AI 并没有取代软件工程师，而是改变了工作需求。工程师现在需要掌握智能体协作技能，并进行更深度的专业化研究。
2. 从“改进”到“能力”的跃迁： 经济增长不仅来自对现有产品的微调（Improvement），更来自创造全新的能力（Capability，如自动驾驶或机器人技术）。AI 正处于创造新能力的阶段，这将驱动新的需求和就业机会。
3. 适应性是核心竞争力： 建议学习者“放弃旧的工作方式，而非放弃自我”。在工具不断重写的时代，保持身份认同的同时，学会灵活调整解决问题的方法。

学术界的复兴与学习路径

作者认为，学术界正处于复兴的前夜。其优势在于：

• 研究重点的差异化： 顶尖实验室在追求超大规模算力和参数，而学术界可以利用创造力和自由度，专注于那些“成本低廉但价值巨大”的问题。
• 学习模式的逆转： 传统的“先学基础知识再解决问题”的模式正在失效。在智能体时代，学生应采取“学徒制”模式：直接面对问题，在解决问题的过程中通过智能体辅助来构建知识与直觉。

结论： 通过构建能够相互增强的开源生态系统，即使只有少量 GPU 的小规模实验室，也能构建出具备竞争力的研究系统。学术研究的未来不在于拥有多少算力，而在于如何利用智能体工具去处理那些真正困难且未被解决的问题。

npm 恶意包加密加载器及远程访问木马分析摘要

核心发现

研究人员在 mathmain 等 npm 恶意包中发现了一个隐藏的远程访问木马。这些包通过模仿流行的 mathjs 库来迷惑用户。恶意代码采用了复杂的加密加载器机制，只有当特定的数学触发条件满足时，才会解密并运行攻击载荷（Payload）。

加载器工作原理

1. 注入点：恶意代码被注入到 lusolve() 求解器函数中。通过调用一个新增的 isGraph() 函数来启动加载过程。
2. 密码生成：加载器利用输入矩阵数据的 JSON 字符串作为密码。它使用 scrypt 算法将该字符串转换为 256 位密钥，并结合 AES-GCM 算法进行解密。
3. 解密与执行：加载器负责解密文件名及后续的 JavaScript 载荷。一旦解密成功，它会将文件写入磁盘并使用 require() 函数加载并执行，从而在 Node.js 进程的权限下运行恶意代码。

触发机制 (The Trigger)

加载器具有高度隐蔽性，只有当调用者向求解器传递特定的矩阵数据时才会激活。

• 触发逻辑：密码是矩阵 LU 分解后得到的下三角矩阵 $L$ 的 JSON 形式。
• 示例：输入一个 3x3 的帕斯卡矩阵（Pascal matrix），其生成的下三角矩阵 $L$ 的 JSON 字符串即为解锁加密文件的正确密码。如果输入错误的矩阵，解密将失败，攻击行为不会暴露。

攻击载荷 (Payload) 分析

解密后的文件构成了一个多阶段的远程访问木马：

• 第一阶段 (graph.js)：负责收集主机系统信息、生成 X25519 密钥对，并启动后续阶段。它通过 Slack 和 Telegram 进行初步通信。
• 第二阶段 (bignumber/type.js)：实际上是 ethers 库的一个副本，用于实现与区块链网络的交互。
• 第三阶段 (fraction.js)：作为一个 Slack 代理，定期轮询 Slack 消息以获取攻击者发送的 JSON 指令包，从而实现文件传输和执行远程代码。

命令与控制 (C2) 渠道

该木马利用多种通信渠道来规避检测并传递指令：

• 即时通讯平台：利用 Slack 机器人和 Telegram 机器人作为指令通道。
• 区块链网络：利用 Base Sepolia 和 Ethereum Sepolia 测试网上的智能合约和 RPC 节点进行数据交换。

调查关键结论

• 构建时注入：研究人员发现，恶意代码存在于 npm 的构建版本中，但在这些包关联的公开 GitHub 源代码库中并未发现。这表明攻击者是在发布 npm 包的构建阶段注入了恶意代码。
• 广泛的攻击范围：此攻击活动涉及多个 npm 包（如 mathsbase、math-universe、modern-events、mutex-core 等），表明这是一个有组织的、针对开发者的供应链攻击。
• 高度隐蔽性：由于加载器需要特定的数学计算结果作为密钥，传统的静态扫描难以发现其恶意行为，且普通的使用方式（不带特定触发矩阵）不会激活木马。

Apple Copland D11E4 浏览器端运行实现

项目概述 该项目实现了在浏览器中运行 Apple 已取消的操作系统 Copland（具体版本为 D11E4）。Copland 原计划作为基于现代微内核架构的系统来取代 System 7，但项目最终被取消，Apple 随后收购了 NeXTSTEP/OpenStep，这成为了后来 Mac OS X 的基础。

技术实现

• 模拟器与性能： 该实现基于改进后的 DingusPPC 模拟器。通过使用 WebAssembly (WASM) 技术，现代计算机可以在浏览器中实现接近实时的运行速度（在真实硬件上启动约需 30 秒）。
• 关键补丁： 为了成功解锁并启动 Copland，开发者应用了 11 个必要的补丁。相关的补丁代码已托管在 GitHub 的特定分支中。

使用指南

• 交互控制： 用户需点击屏幕以将键盘和鼠标控制权交给模拟器；按下 Escape 键可释放控制权。
• 调试机制： 若程序代码触发断言（Assertion），系统会进入调试器模式。用户只需点击“Continue”即可恢复运行。
• 推荐应用： 用户可以尝试运行 GXSlidemaster（路径：HD $\rightarrow$ Applications）或 Eric's Solitaire。

HERMES 数字短波无线电系统：连接偏远地区的通信方案

概述

HERMES（高频应急与农村多媒体交换系统）是由非营利组织 Rhizomatica 创始人 Peter Bloom 开发的一套开源数字短波无线电系统。该系统旨在为全球范围内的偏远、原住民及离网社区提供低成本、低基础设施依赖的通信手段，连接他们与外界。

技术原理与构成

• 工作频率：HERMES 在 3 至 30 MHz 的高频（HF）波段运行。
• 核心组件：该系统包含 HERMES 无线电集和名为 Mercury 的数字调制解调器。
• 通信机制：利用电离层作为“反射镜”来传播信号，从而实现超长距离的通信。即使使用约 20 瓦的低功率设备，也能在两个无线电站之间建立 400 至 600 公里的可靠链路。
• 软件栈架构：HERMES 不仅仅是硬件，更是一套软件栈。它通过数据管道的方式，将各类文件（如照片、电子邮件、语音备忘录、GPS 坐标、清单或医疗数据等）转化为数据流进行传输。

主要优势

1. 超越语音的传输能力：传统的短波电台主要用于语音通话，而 HERMES 可以发送各种数字文件，这在需要精确信息（如经纬度、物资清单或医疗需求）的场景中至关重要。
2. 可选的加密功能：考虑到不同国家对业余无线电加密的法规差异，HERMES 设计了可选的加密开关。这为身处敏感地区的合作伙伴提供了保护，防止其通信信息被轻易截获。
3. 低基础设施需求：在难以铺设地面通信设施的地区，HERMES 提供了一种高效的替代方案。

应用案例

HERMES 在紧急救援和资源保护方面具有显著的应用价值。例如，在孟加拉国的试点项目中，配备 HERMES 系统的渔民在孟加拉湾遭遇机械故障时，能够成功发送 GPS 位置和 SOS 信号，从而协调并完成了船员与船只的救援工作。此外，它还可以用于发送非法伐木的证据照片，减少了在复杂地形中携带物理介质的时间成本。

[This is a guest post by the Advisory Group on Mathematics and Artificial Intelligence. This blog post was initially written in a different file format and converted using AI. — T.] We would …

交通信号灯的工作原理

交通管理是城市规划中极其复杂的挑战，需要在安全性、效率、成本和空间占用之间寻求平衡。由于城市道路中的干线道路（Arterial roads）通常通过路口进行连接，而这些路口往往是交通流量的瓶颈及事故高发区，因此交通信号灯成为了管理路口通行权（Right-of-way）最主流的手段。

1. 信号灯的设计逻辑

交通信号灯的设计不仅要考虑车辆，还要兼顾自行车和行人。其核心运作逻辑包括以下几个方面：

• 动作与相位（Movements & Phases）： 在一个典型的四路路口，车辆可以进行右转、直行或左转。这些不同的动作被组合成不同的“相位”。例如，对面两个方向的左转动作可以被编入同一个相位，因为它们互不冲突。交通工程师使用“环路与屏障图”（Ring-and-barrier diagram）来规划这些相位的运行顺序，以确保交通流的有序切换。
• 时间控制（Timing）：
  • 绿灯： 目标是尽可能清除在红灯期间积压的车队。
  • 黄灯（琥珀灯）： 旨在为驾驶员提供预警时间，使其能够根据限速安全减速。通常遵循“每小时10英里限速对应1秒黄灯”的经验法则。
  • 全红清空时间（Clearance interval）： 在所有相位切换之间设置短暂的全红时间，以确保路口内的车辆已完全通过，避免碰撞。

2. 控制技术的演进

随着技术的进步，信号灯的控制方式已从简单的定时切换演变为高度智能化的系统：

• 感应式控制（Actuated Signal Control）： 这种系统能够根据实时交通情况调整灯时。它依赖于各种探测器，如视频摄像头、雷达，以及最常见的埋在路面下的感应线圈（Inductive loop sensors）。这些探测器将数据传回附近的控制箱（内含信号控制器/小型计算机），使信号灯能根据实际车流量进行灵活调整，甚至为应急车辆或公共交通提供优先权。
• 信号协调（Signal Coordination）： 为了提高长距离走廊的效率，相邻的信号灯可以进行协调，使一组连续的车流（被称为“车队”或 Platoon）能够不间断地通过一系列路口。
• 自适应信号控制技术（ASCT）： 这是更高层级的网络化管理。ASCT 通过中央系统收集整个城市路网的探测器数据，并利用先进算法（如机器学习）来优化全局交通流，而非仅仅处理单个路口。

3. 未来挑战与展望

尽管自动驾驶汽车被视为交通管理的下一场革命（通过车辆间的通信实现无中断交通控制），但交通拥堵仍面临一个基本问题——潜在需求（Latent demand）。在城市环境中，交通容量的增加往往会吸引更多的驾驶者上路，从而使拥堵水平迅速回到原有状态。因此，尽管技术在不断进步，交通信号灯及其背后的管理系统仍将是解决城市交通难题的核心工具。