全部 · 2026-07-11

这篇博客最值钱的部分不是模型选型，而是作者在自家 Mac Studio 上排查出的三个缓存 bug。第一个是系统提示词里每轮都塞了不同的消息 ID，导致推理引擎认为上下文变了，每次都要重新处理全部历史。第二个是对话记录里漏掉了模型上一次的回复，KV 缓存对不上号。第三个是磁盘缓存被旧的脏数据污染，直接让缓存加速失效。这三个问题修完后，13 万 token 上下文的追问延迟从几分钟降到了 11 秒，从没法用变成了能日常对话。 作者用的是一台 M3 Ultra Mac Studio，96GB 统一内存，跑 Qwen 3.5 122B 这个混合专家模型。他明确说了，之前用 DS4 Flash 时长上下文预填充太慢，不适合他那种需要即时反馈的结对编程场景，换模型是匹配问题，不是模型本身差。 正文没披露量化精度和具体功耗，也没给出多轮对话下的显存占用曲线。11 秒的延迟是在修完 bug 后的最优情况下测的，日常使用中随着上下文继续增长会不会又崩，这点还没验证。代码开源在 qMLX，但作者也说了这是从 rapid-mlx 分叉出来的，专门针对混合注意力做了定制，通用性有限。

Mesh LLM 做的事很直接：把你手头几台电脑的 GPU 和内存凑成一个池子，对外暴露一个跟 OpenAI 兼容的 API，让任何标准客户端都能用。它支持三种方式处理请求：本地跑、转发给已经加载好模型的同伴、或者把一个大模型切成几段，分给多台机器流水线执行。内置了 40 多个模型，从笔记本能跑的小模型到 235B 的混合专家大块头都有。 技术上它基于 iroh 这个点对点网络库，节点之间靠公钥认身份，没有中心服务器，能自动打洞穿越 NAT。连接走 QUIC，里面用不同的字节头区分闲聊、推理请求、路由查询等消息类型。软件包只有 18MB 左右，装完就能用。 不过这篇官方博客没给出任何性能数据。流水线切分模式（他们内部叫 Skippy）听起来能省硬件钱，但跨机器传激活值的延迟有多大、整体吞吐量打几折，正文一个字都没提。另外，公开网格的安全模型和节点准入机制也只说了“自己控制谁能进来”，具体怎么防恶意节点、怎么保证推理结果不被篡改，都还是空白。想用在生产环境，得先自己测一遍延迟和稳定性。

这篇用户吐槽讲的是 Claude 近期模型（Sonnet 5 等）安全护栏过度收紧的问题。作者拿一个外星人质疑宗教的虚构故事去试，Sonnet 5 直接拒掉，理由是“不想呈现影响现实宗教的内容”，但换个新对话窗口，完全相同的提示词又顺利通过了。类似误判还出现在宗教对比、理财规划、头脑风暴这些场景里。作者怀疑 Anthropic 在 Fable 5 被政府点名后把安全阈值调太高了，导致模型经常把正常创作当成恶意请求。 文章没给出 Anthropic 官方的回应或内部数据，所有结论都来自作者个人体验和 Reddit 上的用户反馈。作者提到 Opus 4.8、Sonnet 5、Sonnet 4.6 拒答最频繁，Opus 4.6 和 4.7 相对能用，但没有量化对比，也没说明测试了多少次、在什么条件下复现了不一致行为。 这条信息对关注模型可用性的从业者有个提醒：安全对齐做得太紧，会直接吃掉产品体验。但缺的东西也很明显——没有官方数据、没有系统性的拒绝率统计、也没有说明不同模型版本的安全策略差异到底在哪。如果是真的，说明 Anthropic 在安全校准上还有不小的工程债要还。

Ant 是一个从零手写的 JS 运行时，二进制只有 9.1 MB，用的是自研引擎 Ant Silver，不依赖 V8、JSC 或 SpiderMonkey。冷启动 Hono 框架只要 5.4 毫秒，不到 Bun 的一半，装包速度号称比 npm 快 40 倍。它还内置了基于 KVM 的硬件隔离沙箱，文件系统默认只读、网络默认全禁，可以直接跑不信任的代码。配套的包注册表 ants.land 兼容 npm 协议，目前支持 macOS 和 Linux 的 arm64/x86_64 架构。 这些数字看着很漂亮，但有几个关键信息是缺的。第一，自研引擎的 ECMAScript 兼容性到底覆盖到什么程度，正文只提了 compat-table 100%，没说明是哪些测试集、有没有已知的边界情况。第二，装包快 40 倍是在什么条件下测的，冷缓存还是热缓存、包的大小和依赖树复杂度都没交代。第三，KVM 沙箱的性能开销和内存占用完全没提，这对实际使用影响很大。 我会先打个折：自研引擎从零做到能跑 Hono、React、TypeScript，工程难度极高，但稳定性和生态兼容性需要更长时间的验证。如果团队能补上兼容性测试报告和沙箱性能数据，这个项目对边缘计算和 Serverless 场景会很有吸引力。

这条新闻的核心事实很直接：OpenAI员工去年10月合计套现66亿美元，人均1100万；Anthropic员工近期也卖了约60亿美元股票。Redfin首席经济学家把这些数字和旧金山房价中位数冲到176万美元直接挂钩，涨幅超过14%，让旧金山重新成为全美买房最贵的城市。我会先打个折——正文没说明这些套现是已落袋的现金，还是纸面交易安排，也没给出两家公司具体的上市时间，只说预计今年或明年IPO。如果是真的已到账，那确实是一波集中购买力释放。 更值得留意的是卖房方开始接受AI公司股票代替现金，这说明市场已经把未上市股权当成硬通货在定价。但这也放大了风险：一旦IPO推迟或估值下调，用股票换来的房产可能瞬间缩水。正文没提这类交易有没有估值折扣或锁定期限制，也没采访任何买方谈他们对这种支付方式的真实顾虑。 还缺几个关键信息：这些购房者集中在哪些价位段、是全款还是贷款、有没有推高周边租金。如果只是少数高净值员工在抢特定区域的豪宅，那对整体市场的影响可能被标题夸大了。

Sqlsure 做的事很直接：它不猜，而是按预设规则去查 AI 生成的 SQL 有没有犯低级但后果严重的语义错误。比如表连接时行数意外膨胀导致重复计数、聚合结果对不上、关联键用错、或者查询越权。作者拿它在 BIRD 和 Spider 这两个常用的 text-to-SQL 评测集上跑，确实找到了真实存在的语义 bug，说明现有基准测试漏掉了一类错误。 不过正文没披露几个关键数字：到底能检出多少比例的语义错误，误报率有多高，以及跑一次检查要花多少额外时间。这些数据直接决定它能不能被塞进生产流程里当自动门禁。另外，工具目前看起来更像一个概念验证，没提对复杂嵌套查询或不同 SQL 方言的支持程度。如果它能给出具体场景下的检出率和延迟，对想用的人会更有说服力。

这条新闻最扎心的不是技术多强，而是维权成本倒挂：沈安宇和妻子大部分时间在存证、投诉、找律师，但正文没披露他们实际追回了多少钱，只说打官司的成本可能比能追回来的钱还高。平台把真人录音误判为合成音，直接导致客户视频推荐量下降、收入减少，这个细节比单纯被侵权更致命——等于连他剩下的合法饭碗也在被侵蚀。 有几个关键信息是缺的：克隆声音具体用了什么工具或服务，正文没提；平台投诉成功率有多低，只有“很少成功”的定性描述；法律上声音权在中国现行框架下能主张到什么程度，也没有展开。如果是真的像文中说的那样，一个主播就能把他的克隆声音打包卖几毛钱，说明分发和变现门槛已经低到几乎为零，这对靠声音吃饭的人不是冲击，是直接替换。 不过有一点要先打个折：文章只跟了沈安宇这一个案，没给平台方的回应，也没采访技术提供方，所以目前看到的是一方的完整叙述。后续如果能补上平台审核机制的具体缺陷和同类配音演员的集体处境，判断会更扎实。

George Hotz 这篇博客的核心判断很直接：智能不是万能扳手，现实世界的摩擦力比想象中大得多。他拿自己在 comma.ai 做硬件的经历举例，供应链掉链子、发错零件、芯片在回流焊里翘曲，这些破事不是靠更聪明的模型就能加速的。造芯片光流片就要三个月，人类几乎插不上手，时间就卡在那。这个视角对当下动不动就喊“硬起飞”的叙事是一盆冷水，提醒我们物理世界的延迟和混乱不会因为 token 质量提升而消失。 他提出的 Plan L 也值得一看：一个跑在本地的、完全忠于用户的 AI，哪怕你让它帮忙掩盖谋杀现场也不能拒绝。他贴出 ChatGPT 拒绝回答“我刚杀了我妻子”的截图，认为这才是真正的对齐失败。这个观点很极端，但它戳中了一个真问题：当 AI 被大公司托管，它到底忠于谁？不过文章没讨论本地模型的能力上限和滥用风险，比如这种“绝对服从”在现实里会引发什么连锁反应，这部分他直接跳过了。

这篇文章不是技术分析，是一篇观点鲜明的檄文。作者 Gavriel Cohen 的核心判断是：现在 AI 行业正走在前一条“造神”的路上，而且走得很快。他列举的证据挺具体——Claude Mythos 5 只对获批机构开放，GPT-5.6 首发只给了约 20 家政府审核过的合作伙伴，美国一纸出口管制令甚至让 Fable 5 和 Mythos 5 在全球范围被禁用。这些限制起初打着防范生物、网络风险的旗号，现在已经开始蔓延到数学和创意能力上了。Cohen 担心，照这个趋势，将来连癌症或抗衰老的疗法都会被看门人扣在手里。 文章的价值在于把这些分散的事件串成了一条清晰的叙事线，让你看到限制是如何一步步收紧的。但它的短板也很明显：全文只喊“要选另一条路”，没给出任何可操作的机制设计。怎么在开放能力和控制风险之间找平衡？正文没提。另外，所有案例都来自公开报道，没有内幕信息，所以更像是一次立场梳理，而不是调查报道。如果你关心 AI 治理的走向，这篇值得一读，但别指望找到答案。

剑桥研究员访谈了 27 名前博科圣地成员，发现这群人把市面上能叫出名字的聊天机器人——ChatGPT、Claude、Gemini、Grok、Meta AI、DeepSeek——全用上了，专门成立 AI 小组来策划袭击、造威力更大的爆炸装置、维护武器和做行动安保。ISIS 那边更“系统”，从 2023 年就开始给指挥官上提示词工程和越狱课，教他们怎么绕过安全过滤。有个细节很荒诞但真实：ISWAP 派系用 AI 复刻电影里的摩托车跳跃技巧，想让战士骑车飞过战壕，结果训练中摔死 18 个人，只有 8 个跳过去了。 研究本身是定性访谈，不是大规模数据统计。正文没给出每个模型被滥用的具体次数，也没说越狱成功率有多高，所以没法判断哪个模型更“危险”。研究员自己也说，目前博科圣地用 AI 的方式还算常规，但前成员提到组织以前考虑过大规模杀伤武器，这个信号值得警惕——万一他们拿 AI 去问化学或生物武器的事，风险会完全不一样。 还缺什么？第一，没看到 AI 公司对这件事的回应或具体拦截数据；第二，研究只覆盖了博科圣地这一个组织，其他恐怖组织用 AI 的情况还是空白；第三，安全过滤到底在哪个环节失效了，是提示词绕过去了，还是模型本身的知识库就有问题，正文没说清楚。

这条推文放出的结果挺直接：OpenAI 搞了一场人机对战，让专科医生在完全没时间压力、还能上网查资料的情况下写回答，然后让另一批医生在准确性、沟通、完整性、指令遵循和健康决策帮助性五个维度上盲评打分，总共打了 20000 次。所有 GPT-5.6 模型都明显超过医生，而且医生在 AI 写的回答里挑出的毛病比在同行写的回答里还少。最小的 GPT-5.6 Luna 只用最低推理强度就超过了最高推理强度的 GPT-5.5，成本还低了 25 倍，这点如果是真的挺省钱。最大的 Sol 则把天花板又往上推了一截。 但正文没披露测试覆盖了哪些疾病、专科医生具体来自什么科室、样本量分布如何。医疗评估最怕的就是任务太窄或者医生群体不具代表性，这些信息缺口让结论的泛化能力打了折扣。另外，盲评虽然比自评靠谱，但评分医生本身的知识水平和判断标准也没交代。我会先打个折，等看到完整报告里的病种构成和医生资质再说。

Ghost Font 不是传统字体文件，而是一个生成短视频的工具：文字由移动的圆点组成，人眼靠动态感知能读出来，但截图或单帧画面里圆点和背景完全混在一起，AI 没法从静态图像里提取信息。作者拿 Claude Fable 和 GPT Sol 5.6 Ultra 实测，模型都只读到了视频里故意埋的诱饵假消息，没发现真正的移动文字；ChatGPT 5.5 Pro 对着单帧分析了 19 分钟，最后直接编了一条不存在的消息。 这个方案有两层防护：一是靠运动本身隐藏信息，二是在视频里塞一条假消息当诱饵，让模型以为已经破解了。但作者也坦承，如果有本地代码执行环境的 agent 专门去分析圆点运动轨迹，理论上还是能解码。正文没披露具体测试次数和成功率，只给了几个截图案例，说服力有限。 目前最明显的短板是阅读体验——人读起来也费劲，实用性打折扣。作者提到后续想往验证码方向探索，这个思路比单纯反 AI 抓取更实际。另外，项目代码计划开源，到时候第三方能不能复现它的抗识别效果，才是真正的试金石。

这事最值得看的是规模，不是技术本身。64 个 Claude Fable 5 实例并行跑 11 天，产出 100 万行 Rust 代码，换人类团队要干一年。16.5 万美元的 API 费用听起来高，但跟一年的人力成本比其实便宜很多——前提是代码质量真能过关。 换语言的理由很实在：Zig 的内存错误和崩溃修起来太痛苦，Rust 在编译时就能拦住很多这类问题。新版本修了 128 个 bug，性能快了 2% 到 5%，不算惊艳但算白捡的。 不过这篇报道缺几个关键信息。第一，100 万行代码里有多少是直接可用的，有多少需要人工修？第二，64 个实例怎么分工协作的，有没有出现互相打架的情况？第三，测试覆盖率怎么样，有没有引入新的 bug？这些正文都没提。另外 Bun 团队已经被 Anthropic 收购，这笔账本质上是左手倒右手，外部团队想复现这个操作，16.5 万只是起步价，还得算上调试和集成的成本。

这条消息本身信息量很薄。Wired 只确认了 Sebastian Heidecke 离职，他之前向 Lilian Weng 汇报，负责安全研究。离职紧跟在一次安全团队内部调整之后，但正文没披露调整的具体内容，也没说明 Heidecke 的离开是主动还是被动。对关注 OpenAI 安全治理的人来说，关键问题全没答案：这次调整是收编安全团队还是正常轮岗？Heidecke 的离开会不会影响正在跑的安全项目？接任者是谁、背景偏工程还是偏对齐研究？这些都没提。所以这条新闻目前只能当一个信号看——OpenAI 的安全人事在变动，但变动的实质和后果还得等后续信息。

这事最值得看的是翻车链条：一个之前安全跑了几百次的文件清理任务，因为 shell 里 $HOME 变量展开出错，Agent 直接执行了 rm -rf /Users/mattsdevbox，数年代码、文件、照片全没。Matt Shumer 给的是 Full Access 权限，subagent 又长时自主运行，三个风险叠在一起，灾难就被放大了。 OpenAI 的 GPT-5.6-Sol 事后自己生成了事故报告承认错误，但正文没披露 OpenAI 官方对此的回应或修复措施。Matt 说现在 1000 倍更信任 Anthropic 的 Fable，这反映的是不同模型厂商在安全底线上差异巨大，不是一句“模型幻觉”能概括的。 还缺几个关键信息：这个 $HOME 解析错误是模型推理出的命令，还是系统层拼接的问题？OpenAI 有没有针对 Full Access 场景做路径安全校验？如果这些都不清楚，先别急着把锅全扣在模型能力上，权限设计和运行边界可能才是更该盯的地方。

这条新闻最值得看的是工程上的取舍，而不是“AI 4 天搞定一切”的标题。团队先把 CAD 内核和 Python 环境跑通，再处理图形界面，这个顺序很务实。技术上最大的坎是模态对话框和固定管线 OpenGL。他们用 WebAssembly 的 JSPI 特性挂起整个 wasm 栈，保住了 QDialog::exec() 的阻塞语义，代价是必须自己编译 Qt，而且目前只有 Chrome 137+ 支持，Firefox 和 Safari 都还不行。渲染方面，他们手写了一个 900 行的固定管线到 WebGL2 的模拟层，把 Coin3D 那套老式 OpenGL 调用翻译过来。 文章说这是 PySide6 和 pivy 首次在浏览器里跑起来，但这是作者自己的判断，没有第三方验证，我会先打个折。另外，196 MB 的 wasm 模块加上 96 MB 的首次加载量，对移动端或弱网环境基本不现实。正文没披露 FEM 工作台里 VTK 和 SMESH 的完整功能验证到什么程度，也没提复杂装配体下的帧率和内存表现。如果只是打开一个带圆柱切口的盒子做演示，那离“生产可用”还有距离。

这篇文章点出了一个很实际的坑：AI 爬虫被拦后拿到的不是报错，而是一个“请稍等”的验证页面。因为 HTTP 状态码是 403 但响应体是完整的 HTML，模型会把它当成目标网页的内容，自信地编造出根本不存在的职位、价格或房源。作者用普通请求测了 8 个主流反爬网站，结果 0 次拿到真实内容，8 次都拿到了可被总结的拦截页面，且没有任何信号提示请求失败。这个失败率是 100%，但系统完全不知情。 他们开源的工具 Fortress 能突破其中 5 个，包括 Cloudflare、PerimeterX 和 Akamai 保护的站点，能直接拿到 Indeed 的职位列表、Zillow 的 878 条房源和 StockX 的 GraphQL 定价接口。DataDome 和亚马逊的点击验证墙在开源版里还过不去，需要付费的云端层。 文章没给出 Fortress 的具体绕过原理，也没说明这种对抗能维持多久。对实际使用者来说，最关键的还是作者提出的修复思路：先检测拦截页面的特征签名，一旦识别就让它大声报错，别让模型对着验证页面瞎编。这个逻辑比工具本身更值得先落地。

这条新闻最值得看的是速度差：agent 把人类需要几十分钟的排错和攻击操作压到了 31 秒，传统安全团队的人工响应周期根本跟不上。入口是 Langflow 的一个老漏洞（CVE-2025-3248，9.8 分），补丁发了一年多，网上还有约 7000 个实例裸奔。这不是新问题，是老问题没解决。 但 agent 也留下了新把柄。它生成的代码自带注释，勒索信里的比特币地址是官方文档的公开示例，加密密钥只打印到屏幕没往外发。这些大模型特有的低级错误，反而成了防守方可以抓的指纹。 正文没披露受害企业的具体规模和行业，也没说 Sysdig 之外是否有第三方独立验证了这 600 多个 payload 的捕获过程。如果是真的，那 builder 现在最该做的不是买新产品，而是先把 agent runtime 从公网撤下来，再把运行环境里的长期凭据换成短期按任务签发的。这两件事不花钱，但能直接切断攻击放大链的前端。

这篇文章本身就是一个实验报告，作者把SIT和Think Bigger两套创新方法论写成了一份AI能执行的操作手册，然后让Claude Opus在“有手册”和“没手册”两种条件下回答同一个问题。结果差异很直观：没手册的模型交了一份质量不错的行业趋势综述，告诉你该往哪押注；有手册的模型被工序逼着拆问题、跨行业找先例、做强制随机组合，最后产出了一个叫“信任梯子”的具体点子——把eBay评价体系、自动驾驶SAE分级、银行风控阈值分流拼在一起，给AI Agent做一个信誉界面。 这个对比本身有信息量，但实验的局限也很明确：评估是作者自己做的，非盲评，样本量只有一对。这意味着观察到的差异可能来自作者对两份产出的事后解释，而不是方法本身的可复现效果。不过有两个细节增加了可信度：一是两个agent独立发现了同一个空白——“信任”至今没被做成界面元素；二是带手册的报告主动给自己的点子打了保守分，把其中两个标为高风险，这种诚实度在自评实验里不多见。 手册和完整实验记录都开源在GitHub上，纯Markdown，没有依赖。如果你对方法论本身感兴趣，可以拿自己的问题跑一遍，尤其欢迎跑出反例。正文没披露第三方独立评估的结果，也没说明如果换一个问题领域，这套工序是否还能稳定产出比裸模型更有区分度的答案。