该 GitHub 仓库 **anthropics/cryptography-research-demo** 是一个研究工件，包含与多篇学术论文相关的密码分析代码。 该仓库由三个独立的组件组成： * **AES** * **HAWK** * **LEA** 本项目采用 Apache 2.0 许可证发布。请注意，这是一个静态的研究演示，目前已不再维护，且该仓库不接受任何贡献。
每日HackerNews RSS
抱歉。
**Deltafin** 是一个研究项目，旨在让 Apple Silicon Mac 本地运行 Moonshot AI 的大型混合专家模型 (MoE) —— K3。 **工作原理：** 由于该模型（1.56 TB）远超本地内存容量，Deltafin 采用了“专家路由”策略。常驻的“主干”（114 GB）包含模型核心组件，存储于本地并逐层访问；而 82,432 个专家参数则要么缓存于 NVMe 固态硬盘中，要么按需通过 Hugging Face 的范围请求获取。 **主要特性：** * **两种模式：** “完整”本地安装（约 1.7 TB）可提供最佳性能；“流式”模式（约 215 GB）则按需获取专家参数。 * **性能表现：** 使用融合的 MXFP4 内核、双缓冲加载和 n-gram 推测进行优化。即使在 M1 Max 上也能实现推理，速度取决于内存和磁盘带宽。 * **兼容性：** 包含一个与 OpenAI 兼容的 API 服务器，可与标准工具集成。 * **架构：** 使用纯 PyTorch 垫片运行 Moonshot 的原始建模代码，确保输出结果位精确一致。 **警告：** 这是一个实验性的概念验证项目。推理速度缓慢（每个 Token 需要数秒到数分钟），仅供研究使用，不适用于实际的聊天部署。
Hacker News 社区正在讨论近期在 M1 Max 上运行 Kimi K3 模型的一项工程。虽然从技术角度来看令人印象深刻，但其运行速度极慢，大约每个 token 需要 16 到 70 多秒。
辩论的焦点主要集中在这一方案的实用性上。批评者认为，在这种速度下——处理一百万个 token 可能需要数年时间——该项目“毫无用处”，且远不如使用云端 API 经济高效。相反，支持者则将其视为一项极具吸引力的工程实验，突破了本地推理的极限。他们认为“有用”是一个主观概念：有人建议针对慢速响应采用异步交互（如电子邮件）方式，而另一些人则看重在脱离互联网或中心化数据中心的情况下，在本地运行前沿模型的能力。
讨论还涉及了硬件限制，用户指出内部 SSD 的读取速度是主要的瓶颈。尽管该项目在实时任务中缺乏直接的实际应用价值，但许多人仍对其在探索本地 AI 潜力以及将大容量模型塞入消费级硬件这一趋势表示赞赏。
在问世二十八年后，《半衰期》（Half-Life）终于登陆了基于 PowerPC 的 Macintosh 电脑。这款标志性的第一人称射击游戏讲述了物理学家戈登·弗里曼从被围困的黑山研究所逃生的故事，它原计划于 1999 年登陆 Mac OS 9，但随后被取消，至今才在旧版 Mac 用户中实现。 这一非官方移植版由 GitHub 用户 doctashay 利用 Xash3D FWGS 的分支实现，该引擎是 GoldSrc 引擎的重构版本。此版本可全程游玩，并包含多人游戏支持、《Uplink》演示版，以及对《蓝色偏移》（Blue Shift）和《针锋相对》（Opposing Force）资料片的兼容性支持。 该移植版支持运行 Mac OS 9.0 或更高版本的 G3 和 G4 机器。虽然这对复古游戏社区来说是一个里程碑式的成就，但运行性能取决于硬件配置；显存不足 8MB 的系统可能会遇到运行困难。此次发布是一个了不起的技术里程碑，终于让 PowerPC 用户体验到了曾被认为已成历史的经典《半衰期》。
最近一项项目成功将经典游戏《半衰期》（Half-Life）移植到了 Mac OS 9 上，圆了许多复古计算爱好者的夙愿。该游戏最初计划在 2000 年代初发布 Mac 版本，但因 Valve 担心市场表现而最终被取消。
Hacker News 上关于此次移植的讨论重点如下：
* **开发工具：** 开发者承认使用了人工智能辅助来加快移植过程，这在复古圈引发了关于爱好者项目中自动化与手工技艺作用的广泛讨论。
* **复古复兴：** 用户分享了早期 Macintosh 硬件游戏体验的艰难往事，同时也提到了通过模拟器、驱动程序和现代移植让“过时”平台焕发新生的持续努力。
* **平台忠诚度：** 评论者称赞了 Mac OS 9 界面的美学吸引力，并探讨了 90 年代硬件设计的持久影响力，指出当今“臃肿”软件的兴起与旧系统简洁性之间形成的鲜明对比。
此次移植被视为一项重大的保护成果，终于让这款游戏标志性作品在曾经被官方拒绝支持的平台上得以运行。
从图钉位置出发，向各个方向延伸 5° 的扇形区域。花瓣长度 = 到达 10 万人口的距离。曼哈顿，堪萨斯州；曼哈顿，伊利诺伊州；我的位置；达到 10 万人口所需距离；此扇区 —— 悬停地图以查看特定方向。加载中…… Meta/CIESIN HRSL · 地理编码 © OSM Nominatim · © CARTO
Hacker News 社区正在讨论“我得走多远才能遇到 10 万人？”，这是一个可视化工具，用于计算从美国本土选定点出发，向不同方向行进多远才能遇到 10 万人口。
讨论强调了几个关键点：
* **方法论：** 用户正在分析该地图的“花瓣”可视化效果，该图将区域划分为 5 度的切片，以测量到人口聚集区的距离。
* **局限性：** 评论者指出，该工具仅限于美国本土，忽略了加拿大和墨西哥的人口中心，这导致西雅图、布法罗以及蒙大拿州等边境城市的数据不准确。
* **观察结果：** 用户喜欢观察地理因素（如密歇根湖或墨西哥湾等大型水体以及无人居住的荒野）如何显著扭曲“花瓣”的形状。
* **功能需求：** 许多人表示希望能将该工具扩展到全球范围，或增加驾驶时间估算、可调整的人口阈值以及颜色渐变等功能。
尽管一些用户最初将标题误解为一种字面意义上的体力挑战，但大多数人认为这是一种可视化人口密度和地理隔离状况的有趣方式。
关于 新闻 版权 联系我们 创作者 广告 开发者 条款 隐私 政策与安全 YouTube 的运作方式 测试新功能 © 2026 Google LLC
关于 Boris Cherny 访谈的 Hacker News 讨论主要围绕 AI “辅助工具”（harnesses）和基于代理的编程模式的演变展开。争论的一个核心点在于 Cherny 的建议：定期删除自定义配置文件（如 `CLAUDE.md`），以观察较新的模型在摆脱“巫术般”的提示词工程后表现如何。
许多评论者认为这是一种必要的演进，指出当前的模型日益稳定，且往往受限于过时的上下文冗余。然而，批评者将这种做法形容为“生产力表演”，认为这制造了一个由厂商驱动的令牌（token）消耗循环。怀疑论者指出，这些模型经常生成“草率”的代码，从而带来长期的维护负担，且为了增加使用量而生成冗余子代理的做法往往牺牲了真正的效率。
从技术角度来看，这场讨论突显了“代理式”工作流与成熟开发工具之间的脱节。参与者指出，虽然大语言模型（LLM）常在基本文件操作上表现不佳，但整合语言服务器协议（LSP）和现有的基于抽象语法树（AST）的工具，远比单纯依赖 LLM 生成代码更具确定性且效率更高。归根结底，许多用户对这种向 AI 管理代码库的转变仍持谨慎态度，担心厂商锁定以及开发者自主权的丧失。
请启用 JavaScript 和 Cookie 以继续。
抱歉。
**Codex Security** 是一款开源的命令行工具（CLI）和 TypeScript SDK，旨在发现、验证并审查代码库中的安全漏洞。它支持 macOS、Linux 和 Windows，并需要 Node.js 22+ 及 Python 3.10+（用于特定导出任务）。 ### 主要功能： * **扫描：** 使用基于 OpenAI 的模型进行深度安全分析。扫描可针对特定路径、差异文件（diff）或整个代码仓库，并支持引入自定义知识库（如威胁模型）。 * **自动化：** 集成支持 CI/CD 流水线，包括“严重性阈值失败”（fail-on-severity）设置及机器可读输出（JSON、SARIF、CSV）。此外，提供预提交钩子（pre-commit hook）以拦截不安全代码。 * **批量分析：** 提供基于 Docker 的工作流，支持通过 CSV 输入对多个仓库进行大规模异步扫描。 * **管理：** 使用内置命令列出、比较、重新运行及验证扫描结果。该工具可追踪扫描历史，并支持在不同代码版本间匹配发现的问题。 ### 快速上手： 1. **安装：** `npm install @openai/codex-security` 2. **验证：** 通过 `npx codex-security login` 登录，或设置 API 密钥 (`OPENAI_API_KEY`)。 3. **运行：** 执行 `npx codex-security scan /path/to/repo` 开始扫描。 如需完整的配置和参数详情，请通过 `npx codex-security --help` 查看文档。
OpenAI 开源了其 **Codex Security CLI**，这是一款旨在对代码仓库进行自动化安全审查的工具。尽管该项目的初衷是帮助工程团队将安全流程整合到工作流中，但其在 Hacker News 上的发布引发了广泛的讨论与不满。
**主要结论：**
* **实用性与挫败感：** 许多用户反映该工具容易出现“拒绝”情况，即模型检测到潜在漏洞却因自身的安全准则而拦截了报告。这导致用户指责是在“浪费”额度。
* **资源消耗：** 早期用户指出，在长时间扫描过程中，该工具存在 Token 消耗高且缺乏透明度的问题。部分用户因速率限制或代码仓库变动导致扫描中途失败，在未获得完整输出的情况下产生了高额费用。
* **隐私顾虑：** 该工具并非离线扫描器，而是将代码上下文发送至 OpenAI 进行分析。批评者强调，利用人工智能进行安全审查与向云服务商上传专有代码之间存在冲突。
* **“工具框架”的优势：** 尽管存在技术障碍，开发人员仍认可该工具的价值在于其“外壳框架”——即跟踪误报、管理预算以及集成到 CI 流水线中的能力。
递归对于开发者而言是一种优雅且直观的工具，但它隐藏着一种操作风险：栈溢出。无论函数逻辑多么严谨或是否符合“尾递归”形式，JavaScript 运行时环境并未统一实现尾调用优化（TCO）。因此，在某个环境中看起来安全的函数，在另一个环境中可能会导致崩溃。 核心问题在于代码结构（递归模式）与运行时行为（栈管理）之间的错位。即使从理论上讲 TCO 是可行的，大多数现代引擎也不保证支持，这意味着栈空间的增长始终是一种物理限制。此外，开发者必须区分与栈相关的崩溃和算法效率问题，例如简单递归实现斐波那契数列时出现的指数级时间复杂度。 为了构建可靠、可用于生产环境的代码，应避免依赖隐式的运行时优化。建议采取以下措施： * **限制递归**：仅将其用于深度较浅且有界限的场景。 * **使用迭代**：对于深度可能会增加的用户驱动或数据驱动型输入，应使用迭代。 * **使用蹦床函数（Trampolines）**：如果必须保留递归结构，同时又想避免栈溢出风险，可以使用蹦床函数。 归根结底，应将递归视为一种提升可读性的手段，而非性能保证。当输入规模不可预测时，请选择显式的迭代模式，以确保在所有 JavaScript 环境中的可移植性和稳定性。
来自领先人工智能公司的一千一百三十二名员工正呼吁美国政府提供紧急支持，以建立人工智能的国际治理机制。 尽管签署者承认人工智能有改善未来的潜力，但他们警告称，人工智能研究的快速自动化可能会加速其发展，从而超出人类的控制。目前，激烈的竞争压力使各个公司或国家都不愿放慢步伐，而世界也缺乏有效调控进度所需的工具。 这封信敦促美国政府领导一项国际行动，开发管理这些风险所需的技术和监管框架。该群体认为，通过建立监督并审慎调整前沿人工智能发展的系统，社会可以更好地确保安全、加强监管，并在不冒灾难性失控风险的情况下充分利用该技术带来的好处。
这篇 Hacker News 帖子聚焦于一场激烈的辩论，起因是超过 1,000 名顶尖人工智能实验室的员工签署了一份请愿书，呼吁各国政府进行国际干预，以“限制”（减缓）AI 的发展步伐。
**支持者**认为，人工智能构成了一种独特的生存风险——堪比核威胁或生物威胁——可能会失去控制。他们主张，竞争压力使得单个公司无法自行放慢速度，因此必须达成具有约束力的国际协议，以确保安全并让社会有时间进行适应。
**批评者**则驳斥该请愿书是“监管俘获”。他们认为：
* **私利：** 行业领头羊正试图建立一道“护城河”，以扼杀开源竞争并巩固其市场主导地位。
* **博弈论：** 全球性的减速是不可能强制执行的；任何遵守协议的国家或公司都会被竞争对手超越，从而形成一种“零信任”环境，在这种环境下，违约是唯一理性的选择。
* **历史先例：** 持怀疑态度的人将这种“末日论”与过去针对印刷机或互联网的道德恐慌相提并论，认为人工智能是一种应该被民主化而非集中限制的工具。
这场讨论凸显了担心“智能爆炸”的人与优先考虑快速、开放式创新的人之间存在着深刻的分歧。
Granola 推出了一款全新的 Apple Watch 应用，旨在让你在面对面会议中实现自然的、无需屏幕的笔记记录。无论是在白板前头脑风暴，还是在喝咖啡时交流，你都可以通过简单的点按来开始或停止录音，从而保持全神贯注。
主要功能包括：
* **无缝集成：** 触觉提醒会及时提示你参加预定的会议，表盘复杂功能（Complication）支持一键快速开启随手记。
* **即时同步：** 录音会自动同步到你的 iPhone、Mac 或 Windows 电脑，并可通过 Granola MCP 集成到 AI 工具中。
* **专注于当下：** 无需携带笔记本电脑，该应用有助于促进更深入、更专注的互动。
为庆祝新应用上线，Granola 推出了限量版手工编织丝棉表带。该应用现已面向 watchOS 11 或更高版本的用户免费开放——只需更新 iPhone 上的 Granola 应用即可开始使用。