华盛顿州立大学的核果遗传学家卡梅隆·皮斯（Cameron Peace）最近在缅因州的一处房产中发现了一个罕见的、有300年历史的苹果品种。皮斯与一个由“苹果侦探”组成的团队——包括历史学家托德·利特尔-西博尔德（Todd Little-Siebold）和果园经营者约翰·邦克（John Bunker）——利用DNA指纹技术发现，这棵饱经风霜的古树实际上是“布列塔尼金布”（Drap d’Or de Bretagne），这是一种曾被认为在北美已经失传的珍贵法国品种。
这一发现不仅是历史上的重大成就，也是现代农业的关键一步。由于美国商业苹果产业日益依赖狭窄的基因库，农作物变得更容易受到气候变化和火疫病等病害的影响。通过识别并保护这些“失传”的祖先品种，研究人员可以找回遗失的遗传特性（如天然的抗逆性和耐寒性），并将其重新培育到现代苹果中。
缅因州的团队此后又在该地区发现了更多“布列塔尼金布”苹果树，证实了早期定居者非常重视这一特定品种。科学家与业余爱好者之间的这种合作，凸显了发掘农业遗产对于保护全球最受欢迎水果的未来所具有的重要意义。
每日HackerNews RSS
这篇 Hacker News 的讨论围绕着《科学美国人》近期一篇关于苹果种植历史的文章展开。一些用户批评标题过于“神奇”且戏剧化，而另一些用户则认为这种叙事手法引人入胜。
除了文章本身，该讨论串还涉及了关于苹果生物学的专业探讨。参与者澄清了一些常见的误区：
* **授粉：** 评论者指出，大多数苹果树并非自花授粉，而是需要异花授粉。但这主要取决于花期是否重合，而非单纯的遗传不兼容。
* **种植：** 虽然某些苹果品种是通过嫁接保存下来的“变异枝”（自然突变），但绝大多数现代商业苹果都是通过有目的的杂交育种计划选育而成，旨在获取优良性状。
* **历史：** 讨论强调了“机遇实生苗”的悠久传统——即在野外发现口感良好的苹果，并通过嫁接将其保存下来——这是苹果品种培育的基石。
这场对话既有对植物学的科学探究，也包含了关于科学新闻如何在学术实质与煽情叙事之间寻求平衡的元讨论。
古希腊语中约有 1000 个词汇无法追溯至原始印欧语。其中包括“迷宫”、“橄榄”、“雅典”以及许多神祇的名字等基础词汇。语言学家将其归因于“前希腊语”底层——即印欧语系使用者到达之前，居住在爱琴海地区的新石器时代农耕社会所使用的语言。
这些外来词的鉴定依赖于“趋同证据”：
* **词源缺失：** 无法重构至原始印欧语的词汇。
* **语音异常：** 包含原始印欧语中不存在或罕见的音位序列（如 /ps/ 或 /dn/）或辅音（如 /b/）的词汇。
* **随机变体：** 不一致的拼写和发音，暗示使用者在适配外来词时存在困难（例如：奥德修斯 *Odysseus* 与尤利西斯 *Ulysses*）。
* **语义类别：** 借词集中在动植物和当地地形领域，这些对于游牧的印欧语系祖先来说是陌生的。
* **地名后缀：** 许多地名（如“科林斯” *Corinth*、“诺索斯” *Knossos*）具有反复出现的后缀（如 *-nth* 或 *-ss*），表明它们源自共同的非印欧语系起源。
最终，这些“语言化石”揭示了希腊人从他们所遇见的土著居民那里吸收了大量的当地词汇和宗教体系。
文章《前希腊语：隐藏在古希腊语中的失落语言》在 Hacker News 上引发了激烈讨论，许多专家批评了该文章的前提。批评者认为，该文依赖于过时且存在缺陷的研究——特别是罗伯特·比克斯（Robert Beekes）推广的“前希腊语”理论。该理论在语言学界现多被视为一种误解，甚至是一个内部笑话。
评论者指出了几个争议点：
* **方法论缺陷：** 专家指出，某些希腊语词汇词源不明，并不自动意味着它们是从非印欧语系底层语言中借入的；语言往往会内部演化出词汇。
* **替代解释：** 讨论表明，许多此前被归类为“前希腊语”的词汇，实际上可能源于原始印欧语（PIE）。
* **过度简化：** 参与者指出，该地区当时很可能存在复杂的语言拼图（例如最近有研究认为色雷斯语可能并非印欧语系），而非一种单一、统一的“前希腊语”。
尽管一些用户欣赏该文章引人入胜的叙述风格，但具备语言学背景的读者普遍认为，它未能准确反映印欧语研究的当前前沿水平。
代码扫描 Code Scans
3 天前
Devin 推出了名为“代码扫描”（Code Scans）的新功能。该功能旨在将提升 SEO、减少技术债务或优化性能等高层工程目标，转化为可执行的代码改进方案。 Code Scans 基于“代理 MapReduce”（Agentic MapReduce）架构，能够自动化处理繁琐的代码库调查工作。用户只需设定目标，Devin 便会协作确定范围、并行调查代码，并将发现的问题整合为一份优先级报告。除了识别问题，Devin 还能直接根据这些结果生成可供开发者审核的合并请求（PR）。 该工具在测试中表现卓越，PR 合并率高达 96%，并节省了超过 700 小时的工程时间。无论是识别未使用的代码、查找 N+1 数据库查询，还是检查合规性，Code Scans 都能帮助团队处理那些通常被搁置的复杂仓库级维护任务。 用户只需在 Devin 网络应用中输入 `/scan`，即可定义目标并开始优化代码库。
抱歉。
2026年7月，来自 Hacktron 的安全研究人员通过将一个关键的 `libheif` 漏洞与单点登录（SSO）配置错误相结合，成功入侵了 OpenAI 员工的账户。
研究团队在 OpenAI 社区论坛（基于 Discourse 构建）所使用的 `libheif` 库中发现了一个未修补的堆缓冲区溢出漏洞，并以此实现了远程代码执行。在人工智能体（Claude Opus 5）的协助下，该漏洞利用过程被加速，使他们能够绕过 OpenAI 的身份验证基础设施。进入系统后，研究人员获得了与 GitHub 等内部服务相关联的 ChatGPT 和 Codex 账户访问权限。为了在不窃取数据的情况下验证其访问权限，团队利用其中一个员工账户在内部代码仓库中发起了一个合并请求（pull request）。
研究人员强调，虽然漏洞是由他们发现的，但漏洞利用的速度和可靠性主要得益于人工智能，它处理了以往需要人类专家数月时间才能完成的复杂内存损坏任务。他们警告称，人工智能正在迅速降低漏洞利用的成本，实际上消除了过去保护许多公司的“复杂性安全”屏障。
该团队已与 OpenAI 和 Discourse 协调修补了这些问题，并获得了 6,500 美元的漏洞奖励。他们敦促各组织优先更新 `libheif` 并对图像处理流水线进行隔离。
研究人员近日展示了一项针对 OpenAI 的高影响力攻击。他们通过串联 Discourse 论坛软件中的堆溢出漏洞与单点登录（SSO）配置错误，利用自主运行的 AI 代理（Claude Opus）成功在 OpenAI 的基础设施上实现了远程代码执行（RCE）。
此次访问使他们得以进入 OpenAI 的内部单一代码库（monorepo），可能导致敏感的专有代码泄露。研究人员指出，从发现漏洞到最终获取代码库访问权限，整个过程耗时不到 72 小时。尽管这项研究是在漏洞赏金计划下合规进行的，但它在 Hacker News 上引发了关于几个关键问题的激烈讨论：
* **安全复杂性：** 批评人士认为，继续使用诸如 HEIF 之类不安全的 C 语言图像解析器，仍然是一种危险的“攻击面”，经常导致漏洞产生。
* **AI 驱动的攻击：** AI 代理如今能轻易地将漏洞转化为攻击手段，这本质上降低了复杂网络攻击的门槛，已成为行业的一大担忧。
* **企业安全：** 许多评论者感到震惊，因为像 OpenAI 这样规模的公司竟然允许从面向互联网的服务直接访问其核心代码库。
* **赏金争议：** 鉴于所涉及数据可能产生的价值，6,500 美元的奖金被广泛批评为“具有侮辱性”。
有些事，反而更容易对陌生人说。 ✦ 提个问题 抽签 · 免费提问 · 匿名 · 真人回复 ☸ 回答别人的问题 ✦ 等待回应的问题 有些问题困扰了我们多年。 我们带着它们穿梭在琐碎的日常里，直到某个宁静的时刻，它们又浮现心头。 有时我们不再追问，是因为觉得无人能懂。 但另一个人，或许也曾经历过同样的深夜。 他们无法替你解决人生难题，但或许愿意倾听，陪你分担片刻。 这就是陌生人在这里为你做的事。 致那些不断回音的陌生人： 你们未留姓名，我们互不相识。但每一句真诚的回复，写给那个永远无法谋面的人，正是这一切真实的所在。 谢谢。
在 Flex 容器中将图标与多行文本对齐是一个常见的 UI 难题。使用 `align-items: center` 时，如果文本换行，图标看起来往往会偏离中心；而使用 `align-items: start` 会将图标对齐到容器顶部，从而忽略了文本的垂直居中。
为了在不同字体大小、图标尺寸或容器宽度下实现完美对齐，解决方案是使用 **`lh` (行高) 单位**。通过计算相对于行高的偏移量，可以精确地定位图标：
```css
.icon {
--offset: calc((1lh - var(--icon-size)) / 2);
transform: translateY(var(--offset));
}
```
对于通过**伪元素 (`::before`)** 实现的图标，处理过程类似，但需要额外的约束以保持图标的完整性。必须设置 `flex-shrink: 0` 防止其被压缩，应用 `aspect-ratio: 1` 确保其保持正方形，并使用 `height: auto` 以便布局正确计算尺寸。应用相同的基于 `lh` 的 `transform`，即可确保伪元素始终与文本的第一行完美居中，无论设计如何动态变化。
Telstra 网络故障：当网络认定现在还是 2006 年的那一晚 Telstra outage: The night a network decided the year was 2006
3 天前
2026年7月，澳大利亚电信（Telstra）网络发生了一次灾难性中断，影响了移动通信、紧急服务及交通系统。事故的罪魁祸首是一个单一的GPS接收器，它在维护后将日期重置为2006年。由于Telstra的时间分配架构经过多年修改，已将本地“对等互联（peering）”的优先级置于严格的层级架构之上，导致这个错误的日期成为了全网的权威参考时间。 此次事件凸显出现代电信（特别是5G）完全依赖精确同步的时间。故障并非网络时间协议（NTP）本身的问题，而是由于长期以来缺乏协调的架构变更，导致针对错误数据的安全防御机制被移除。 **核心结论包括：** * **将授时视为关键基础设施：** 在预算和运营层面，给予时间同步与物理硬件同等的优先权。 * **避免“涌现式”拓扑结构：** 依靠有文档记录的点对点连接，而非会导致循环依赖的自协商式“对等互联”。 * **严格的治理：** 落实“金标准”配置模板、自动化版本控制及全天候监控。 * **冗余的重要性：** 真正的冗余需要相互独立的源，确保它们不会因单一错误而趋同。 这次中断证明，系统往往看似运行完美，直到其背后未被记录的预设条件失效，从而将可靠的基础设施变成了单一故障点。
一位工程师通过修改 iRig HD X 吉他接口的内部固件，将其成功改造为一款独立的音箱模拟器。通过将原厂软件替换为精简的“NAM A2-Lite”引擎，该设备现在可以完全在其内置的 500 MHz Cortex-M7 微控制器上处理吉他音频，无需连接外部计算机。
为了让模型适配芯片有限的 128 KiB FlexRAM，开发者对内存分配和音频块大小进行了精细优化。该系统实现了 48 kHz 的实时处理，并具备极低延迟的 16 帧（0.333 毫秒）缓冲区。尽管迁移到了嵌入式硬件，其性能依然保持高保真度；通过与桌面级 NeuralAmpModelerCore 进行零值测试（Null-test）对比，其准确度达到 -115.6 dB，证实了硬件渲染的音频与桌面级处理几乎完全一致。
原始接口硬件（包括编解码器、耳机音量旋钮和输入输出路由）均保持功能完好。该项目证明了高性能的神经网络音箱模拟可以高效地移植到现有的商业硬件上，从而将标准的 USB 接口设备有效地转变为功能强大的独立数字效果器。
抱歉。
请提供您想要翻译的内容。
本次讨论聚焦于在种类繁多、令人眼花缭乱的 AI 模型中进行选择的难题。用户们对缺乏一种能够根据具体用例、成本和性能需求来筛选模型的标准化工具表示不满。
讨论的主要要点包括：
* **“满意”优于“最优”：** 许多参与者认为，频繁更换模型没有必要。一旦某个模型（如 GLM-5.3 Flash 或 Google/Gemma-4-31b）满足了你的需求，切换模型所耗费的时间和精力往往超过了追求更新的“前沿”模型所带来的边际收益。
* **成本指标的误区：** 贡献者们指出，基于 Token 的定价并非可靠的衡量标准。任务总成本——即综合考虑模型速度、推理能力和上下文使用量——才是衡量效率更准确的方式。
* **“代理”问题：** 一些用户反映，较新的、高度优化的模型正变得“过度主动”，有时会强加不必要的模式，或表现出奇怪且令人分心的推理行为。
* **可用性：** 尽管大型供应商占据主导地位，但人们对能够在本地或通过 API 运行的小型高效模型表现出浓厚兴趣，尽管同时也担忧对大型科技公司的长期依赖。
源码是从 npm 的 source maps 中提取的——随 Claude Code 发布的 .js.map 文件中包含了包含完整原始 TypeScript 代码的 sourcesContent 字段。这构成了近两千个文件的完整架构。36 个 AI 智能体分四个阶段分析并撰写了整本书：探索阶段，6 个并行智能体阅读了源码树中的每一个文件；分析阶段，12 个智能体编写了 494KB 的原始技术文档；写作阶段，15 个智能体将所有内容重写为叙事章节；审查与修订阶段，3 名审阅者提供了 900 行反馈，由 3 个智能体完成了所有修订。从源码提取到最终定稿的整个过程大约耗时 6 小时。最后的审计环节确保了没有保留逐字照搬的源码——每个代码块都以使用了不同变量名的伪代码形式进行了重写。