## 互联网与语言的演变：摘要 格雷琴·麦卡洛的《因为互联网》和亚当·亚历西克的《算法语言》都探讨了互联网如何塑造语言，但采用了不同的方法。麦卡洛从历史和语言学的角度出发，追溯了在线交流的演变，从早期的BBS系统到表情符号，认为互联网复兴了曾被正式规范边缘化的非正式书写。她将表情符号视为手势，是现代书面语言不可或缺的一部分。 然而，亚历西克则侧重于社交媒体*算法*的控制性影响。《算法语言》详细描述了平台如何优先考虑广告收入，迫使用户开发编码语言（例如，用“unalive”代替自杀），以逃避内容审核。他强调了Vine甚至在线“incel”社群等平台，作为新俚语出人意料的生产源。 虽然两人都承认互联网的影响，但亚历西克的作品更具批判性，揭示了算法如何对用户进行分类和营销，可能扼杀真正的个性。他甚至注意到人们在语音表达上承受着模仿MrBeast等成功内容创作者的压力。最终，《算法语言》激起了评论员的愤怒，促使人们希望出现像Mastodon和Bluesky这样的去中心化社交媒体平台，在那里语言可以自由地、摆脱算法控制地有机演变。
每日HackerNews RSS
因为算法用语
Because Algospeak
23 天前
这是威廉·吉布森广受好评的“蔓延三部曲”——《神经漫游者》、《零计数》和《蒙娜丽莎超载》——的数字版本，由Voyager出版社于1991年作为其“扩展图书项目”的一部分发布。该项目旨在优化在电脑屏幕上的阅读体验，侧重于排版和数字出版细节。 这个特定版本包含吉布森之前未发表的一篇后记。它最初以1.4MB软盘的形式分发给Macintosh电脑（68k架构，System 6.0.7或更高版本，需要HyperCard 2.1）。 安装过程包括挂载磁盘镜像、提取文件并将字体复制到System文件夹。书本身通过一个名为“The Library”的应用程序访问，但它们按字母顺序显示，而非按时间顺序。现代用户可以通过Basilisk II等模拟软件访问它。
Widevine 的 CLS 是 Google 提供的免费服务，供 Widevine 许可方生成 DRM 许可证。此服务端点允许内容分发商使用 Google 的基础设施，而不是完全运营自己的 Widevine 许可服务器或与第三方 DRM 供应商合作。对于一些人来说，这是一个便捷的入口——但它也有一些权衡：作为免费服务，无法获得支持和有价值的功能。或者，Google 还向许可方提供“Widevine 许可服务器 SDK”，以便在他们自己的基础设施上执行 100% 的端到端 DRM 许可证生成/交付——无需与 Widevine CLS 通信。许多第三方云多 DRM 提供商已经在使用此 SDK——这也使他们能够提供改进的服务级别和优势。例如，以下是使用 Widevine CLS 与使用具有 Widevine 许可服务器 SDK 的托管 DRM 提供商（如 DRMtoday）之间的差异：
## AI生成代码的信任挑战 随着像Claude这样的人工智能代理越来越多地自主编写代码，一个关键问题出现了：我们如何*知道*代码是正确的？传统的代码审查难以跟上变化的数量，而依赖人工智能来测试其自身的工作会形成自我验证的循环，从而忽略了根本的误解。 解决方案不是增加审查员，而是回归测试驱动开发（TDD）的核心原则：**在编写代码*之前*定义什么是“正确”的。** 工程师不应提示解决方案，而应首先编写清晰、具体的**验收标准**——对所需功能的纯英文描述（例如，“用户在凭据错误时看到‘无效的电子邮件或密码’”）。 然后，人工智能可以根据这些标准构建，并使用自动化验证（例如，对于前端使用Playwright，对于后端使用`curl`）可以严格地针对这些标准进行测试。这会将审查重点从复杂的差异转移到简单的通过/失败报告，仅突出实际的失败。 虽然这不能消除所有错误（不正确的规范仍然会产生有缺陷的结果），但它通过捕获集成问题并确保代码按*预期*运行，从而显著提高可靠性，从而提供了一种比仅仅依赖人工智能驱动的代码审查更可靠的方法。像`opslane/verify`这样的工具使用Claude和Playwright简化了这个过程。
## AI 生成代码与测试挑战
一则 Hacker News 讨论围绕使用 AI（特别是 Claude）编写代码*和*测试的陷阱。核心问题在于，AI 生成的测试往往只是确认 AI 自身的工作（“测试剧场”），缺乏真正的验证。
多位用户建议了一些缓解策略，包括采用“红-绿-重构”方法，并使用专门负责每个阶段的 AI 子代理，以及利用不同的 LLM（如 Gemini 和 Codex）进行代码生成和审查，以引入不同的视角。
一个突出的挑战是 AI 产生的代码量巨大，使得彻底的人工审查变得困难。 提出的解决方案包括自动化验证工具（如作者的 [verify skill](https://github.com/opslane/verify)）、用于针对外部服务进行测试的“数字孪生”，以及更严格的文件权限控制，以防止 AI 修改测试。
最终，对话指向了一种思维方式的转变——关注清晰的规范和*对照*这些规范进行验证，而不是仅仅依赖 AI 生成的测试。 越来越担心优先考虑速度而非正确性可能会导致软件越来越不可靠。
arXivLabs是一个框架，允许合作者直接在我们的网站上开发和分享新的arXiv功能。个人和与arXivLabs合作的组织都认同并接受我们开放、社群、卓越和用户数据隐私的价值观。arXiv致力于这些价值观，并且只与秉持这些价值观的合作伙伴合作。您是否有为arXiv社群增加价值的项目想法？了解更多关于arXivLabs的信息。
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录
同位素证据表明星际天体 3I/Atlas 起源于寒冷和遥远的地方 (arxiv.org)
22 分，来自 bikenaga 1 天前 | 隐藏 | 过去的 | 收藏 | 1 条评论 帮助
dvh 1 天前 [–]
> 碳同位素组成表明 3I/ATLAS 大约在 10-12 亿年前吸积。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
## Apache FOP & GhostScript 漏洞摘要
一名安全研究人员发现了一个漏洞，该漏洞存在于使用 Apache FOP 将用户提供的 XML 转换为 PostScript，然后使用 GhostScript 生成 PDF 的应用程序中。虽然 GhostScript 包含用于安全性的沙箱，但 FOP 处理用户输入的方式存在缺陷，导致潜在的代码执行。
问题源于生成的 PostScript 代码中字符的转义不足。具体来说，精心构造的 XML 输入可以绕过 FOP 的转义机制并注入任意 PostScript 指令。FOP 的换行功能加剧了这一问题，该功能引入了进一步破坏转义逻辑的换行符。
通过利用这一点，研究人员可以注入诸如 `showpage` 和文件访问指令之类的命令，最终直接从服务器的文件系统中读取敏感文件（例如 Docker 挑战中的 flag）。一个关键的解决方法是使用不间断空格来防止 FOP 分割命令。
虽然完全逃逸沙箱是可能的，但研究人员成功利用该漏洞读取了一个 flag 文件。Apache FOP 不会修复底层问题，而是选择改进有关预期安全属性的文档。研究人员还利用了另一个 Windows 漏洞 (CVE-2025-46646) 以获得更广泛的文件系统访问权限。
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
绕过 Apache Fop PostScript 转义以访问 GhostScript (almond.consulting)
7 点赞 by notmine1337 1 天前 | 隐藏 | 过去的 | 收藏 | 讨论 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
(Empty input provided. There is nothing to translate.)
## GPU转码变得简单：ffmpeg-over-ip ffmpeg-over-ip 提供GPU加速的ffmpeg转码，无需GPU直通、共享文件系统或驱动对齐的复杂性。它允许应用程序通过将`ffmpeg`命令替换为`ffmpeg-over-ip-client`，即可利用远程GPU进行媒体服务器转码等任务。 该系统通过在具有GPU访问权限的服务器上运行，并在包含文件的机器上运行客户端来工作。客户端通过单个TCP端口将命令和文件I/O转发到服务器，服务器执行一个补丁后的ffmpeg。重要的是，文件*从不*驻留在服务器上，从而无需NFS、SMB或复杂的挂载。 包含支持NVENC、QSV和其他硬件加速方法的预构建二进制文件，简化了设置。多个客户端可以同时连接到单个服务器，每个客户端都有自己的ffmpeg进程，并受到HMAC身份验证的保护。它是一种简化解决方案，可在Docker、VM和远程机器等各种环境中利用GPU性能。
## FFmpeg-over-IP：远程GPU加速
Steelbrain发布了“ffmpeg-over-ip”的更新，该项目可以连接到远程FFmpeg服务器。这允许利用配备GPU的机器（如游戏笔记本电脑）来加速没有GPU的机器的视频转换，非常适合Plex或Jellyfin等媒体服务器。
该系统包括一个运行修改版FFmpeg的服务器（配备GPU）和一个处理本地文件I/O请求的客户端，使FFmpeg不知道它没有访问本地文件系统。单个服务器可以为多个客户端提供服务。该项目捆绑了一个静态FFmpeg构建，并使用配置文件和密码保护简化设置。
讨论强调了对类似概念的实验（如rffmpeg和ffmpeg-commander），避免复杂文件系统共享的好处，以及与Plan 9分布式系统方法的比较。虽然有些人质疑在软件转码能力存在的情况下是否有必要，但作者强调了移动设置和利用现有硬件等用例。该项目旨在易于使用和控制，为直接修改FFmpeg以实现网络功能提供了一种方便的替代方案。
勒丘恩筹集10亿美元，用于构建理解物理世界的AI。
Yann LeCun raises $1B to build AI that understands the physical world
23 天前
## AMI 启动，获得 10 亿美元资金，致力于“世界模型”人工智能 Meta 前首席人工智能科学家 Yann LeCun 在巴黎联合创立了 Advanced Machine Intelligence (AMI)，获得了超过 10 亿美元的资金，用于开发人工智能“世界模型”。LeCun 认为，当前人工智能的发展，专注于像 ChatGPT 这样的大型语言模型 (LLM)，是实现真正人类水平智能的死胡同。他认为，人工智能需要理解*物理*世界，而不仅仅是语言，才能真正地推理和规划。 AMI 估值 35 亿美元，旨在创建具有持久记忆、可控性和安全性的 AI 系统，目标行业包括制造业、生物医学和机器人技术。该公司将在巴黎、蒙特利尔、新加坡和纽约等地全球运营。 这项举措代表着对 OpenAI 甚至 LeCun 前雇主 Meta 所倡导的 LLM 方法的重大反*对*。虽然承认 LLM 的实用性，但 LeCun 将其视为一种临时趋势，认为世界模型对于真正的人工智能发展至关重要，并且最好独立商业化。他获得了 Zuckerberg 的祝福，离开了 Meta 来追求这一愿景。
## AI辅助编程：熟练度等级 人工智能的编程*能力*正在迅速提升，但要充分发挥其*益处*，需要培养有效利用它的技能。这种进步并非追求最高的SWE-bench分数，而是弥合人工智能*能够*做的事情与我们如何*应用*它之间的差距。 作者概述了**八个**AI辅助编程熟练度等级。它从基本的**代码补全**（等级1）等功能开始，逐步发展到利用AI驱动的IDE进行多文件编辑（等级2）。**上下文工程**（等级3）——优化提示的清晰度——至关重要，并演变为**复合工程**（等级4），将经验教训编码为未来会话的规则。 等级5-7通过**定制工具和技能**（MCPs）解锁显著收益，赋予人工智能访问数据库、API和测试框架的权限，并最终**编排后台代理**以自主处理任务。当前的边界，**等级8**，涉及完全自主的代理团队直接协调，但管理复杂性仍然存在挑战。 关键要点是，每一层都建立在上一层之上，通过改进的模型来放大收益。在团队范围内投资熟练度——确保每个人不会被速度较慢的同事拖累——至关重要。未来指向更自然的界面，如语音控制，但核心原则仍然是：迭代开发，由越来越强大和自主的人工智能代理提供支持。
## 代理工程水平：摘要
这次Hacker News讨论围绕一篇博客文章，该文章概述了在软件开发中使用AI代理的“水平”。作者提出一个从基础提示（1级）到完全自主代理团队（8+级）的进阶过程，这些团队能够以最少的人工干预完成复杂的任务。
一个关键要点是捕捉决策的*原因*，而不仅仅是决策的*内容*的重要性。仅仅将规则编纂化是不够的；理解选择背后的权衡至关重要，并且最好将这些信息与代码本身一起保存在版本控制（如Git历史记录）中。
许多评论者强调验证成本是实现更高自动化水平的主要障碍。产生更多的代码需要更彻底的测试，并且保持质量成为一个重大挑战。关于当前模型是否真正准备好实现完全自主，存在争论，一些人认为最近的进展（如Claude Opus 4.6）正在迅速改变格局。
对话还涉及对更好的工具和代理编排及上下文管理标准化需求，超越特定供应商的解决方案。最终，讨论强调选择正确的方法取决于具体需求，并优先考虑稳定性而非单纯的速度。