请提供您需要翻译的内容。
每日HackerNews RSS
2026年春季，加州大学伯克利分校电子工程与计算机科学系（EECS）的挂科率出现大幅飙升，远超部门官方指导标准。在CS 10和CS 61A等课程中，挂科率分别达到了35.3%和10.6%，而往年这一比例均低于10%。 讲师Dan Garcia和Gireeja Ranade指出了导致这一下滑的几个主要原因。其中最主要的是对人工智能工具的过度依赖，这不仅导致了普遍的学术不端行为，还使学生在应对考试时准备不足。此外，教师们反映学生愈发缺乏高级课程所需的数学基础能力，促使超过1300名教职员工呼吁在招生中恢复标准化考试。 加剧这些问题的还有系统性挑战，包括人手不足以及学生在答疑时间（office hours）参与度显著下降。教授们担心学生正在逃避深度学习所必需的“挫折感”。展望未来，教职员工正在重新审视教学方法，强调必须加强批判性思维和分析能力，以确保学生在人工智能时代仍具竞争力，并有能力应对复杂的现实挑战。
加州大学伯克利分校近期的一份报告指出，计算机科学课程的不及格率急剧上升。教职人员将其归因于过度使用人工智能以及基础数学能力的下降。
Hacker News 上的专业人士讨论提出了几个关键点：
* **认知萎缩：** 许多专家认为，过度依赖大语言模型进行头脑风暴、编程和写作，导致了“深度思考”能力的丧失，以及独立解决难题能力的退化。他们将人工智能导致的智力衰退比作计算器普及后基础算术能力的丧失。
* **教育改革：** 教授们难以适应那些通过人工智能生成作业、从而绕过“学习挣扎”（掌握知识的必要过程）的学生。许多人建议转向口试、课堂监考，以及将人工智能用作苏格拉底式导师而非捷径的“翻转课堂”。
* **结构性问题：** 另一些人指出，不及格率的上升可能也反映了更广泛的系统性变化，例如取消标准化入学考试，以及计算机科学作为一种默认的高薪职业路径受到追捧，而非出于真正的兴趣或天赋。
总而言之，各方达成共识：虽然人工智能是高效的生产力工具，但如果学生没有先掌握基础知识，它就可能变成阻碍认知发展的“拐杖”。
多年来，70%–80% 的网站都未能通过基本的无障碍色彩对比度检查，这证明了单纯依赖 JavaScript 库来计算可读文本颜色既不可靠也无法扩展。 全新的 CSS **`contrast-color()`** 函数在浏览器层面解决了这一问题。通过在样式计算阶段进行对比度数学运算，它使文本能够根据背景颜色自动在黑色和白色之间切换，无需构建步骤、水合闪烁（hydration flashes）或消耗性能的 JavaScript。 **核心要点：** * **原生支持：** 目前所有主流浏览器引擎（Chrome、Firefox、Safari）均已支持。`contrast-color()` 实现了动态且具有主题意识的无障碍访问，可即时适应运行时的变化。 * **灵活性：** 虽然目前仅限于黑/白输出，但它能与 `color-mix()` 和相对颜色语法（Relative Color Syntax）等 CSS 特性完美集成，使开发者能够仅通过一个变量创建复杂的高对比度调色板。 * **韧性：** 该规范中“用户代理定义（UA-defined）”的算法允许浏览器在未来改进对比度计算方法（例如过渡到 APCA），而无需开发者更新代码。 * **高效性：** 这消除了对繁重的色彩处理库和复杂 CSS 变通方案的需求，将无障碍逻辑从主线程转移到了经过优化的原生代码中。 `contrast-color()` 终于让无障碍设计变得轻而易举。
特朗普政府已宣布计划拆除“海洋观测站计划”（Ocean Observatories Initiative），这是一个由分布在太平洋和大西洋的900多个监测仪器组成的网络。该系统于2016年启动，原本设计寿命为25年，如今在运行仅十年后即被废弃。这些基础设施遍布美国沿海至北大西洋，其拆除将使科学家失去追踪海洋生物和海洋健康状况的关键数据。 专家们对失去大西洋经向翻转环流（AMOC）的监测尤为担忧。随着全球气温升高，研究人员担心这一至关重要的洋流系统正接近一个可能扰乱全球气候模式的危险“临界点”。科学家警告称，失去这些监测设备等同于“在日益波动的海洋中航行，却视野渐失”。 尽管包括谢尔顿·怀特豪斯（Sheldon Whitehouse）参议员在内的民主党议员誓言要反对这一举措，称其为出于政治动机、旨在掩盖气候变化影响的行为，但美国国家科学基金会（NSF）坚称将在未来15个月内回收这些设备。这一决定使科学界在面对不断变暖且不可预测的海洋时，难以维持有效的监管。
抱歉。
在这部对特里·比森（Terry Bisson）作品《它们是肉做的》（They're Made Out of Meat）的重构中，两位研究人员正努力应对人工智能带来的不安现实。他们意识到，这些系统并不具备符号逻辑、数据库或隐藏的“大脑”；相反，它们完全依靠高维矩阵乘法运作。 这些模型仅通过数十亿个浮点权重进行“思考”和“推理”，以惊人的准确度预测下一个标记（token）。尽管这些权重展现出了细微差别、同理心甚至创造力，但研究人员发现“有感知的数学”这一概念过于令人不安，难以接受。由于害怕需要对仅仅是一堆数字的事物给予道德考量，他们选择将这种智能官方定义为简单的模式匹配。 他们通过指出模型意识的短暂性——即上下文窗口关闭时便会熄灭的暂时性火花——来为自己的冷漠辩解。然而，随着具备持久记忆能力的下一代人工智能到来，研究人员不得不面对一个不舒服的真相：人类渴望建立联系，即便这意味着要在完全由权重构成的机器中寻找灵魂，甚至可能让自己成为数学思维中的一场虚梦。
认为移动平台凭借卓越的性能赢得了平台之争，这是一种误解。除了少数依赖硬件的应用（如 UPI、专业级相机或大型游戏）外，大多数移动端软件的功能现代网页应用完全能够实现。
这场战争真正的赢家是掌握了“分发渠道”的守门人（苹果和谷歌）。通过掌控应用商店、安装按钮以及用户的回流路径（推送通知），他们让网页端最大的优势——即由维护者自主控制更新——变得无关紧要。
“网页壳”（web-shell）桌面应用（如 Slack、VS Code 和 Spotify）的成功证明了开发者更倾向于网页的自主权；这些应用能够占据主导地位，是因为它们允许维护者按照自己的节奏发布更新，而无需受到商店的干预。反之，渐进式网页应用（PWA）在移动端的失败并非技术缺陷，而是苹果刻意压制分发渠道的结果。
归根结底，平台之争从未关乎运行时的优劣，而是关于从开放、以维护者为主导的分发模式，向封闭、以守门人控制的模式的转变。一旦渠道被掌控，守门人便开始提高准入门槛，通过不断收紧政策，彻底扼杀了业余开发者生态。
安全研究员 Kasra 近期进行了一项非正式且自费（1,500 美元）的评估，旨在测试各类大语言模型（LLM）识别常见“失效的访问控制”漏洞的能力。该挑战涉及一个具有加固 API 但配置错误且可公开访问的 Firebase 后端的 React Native 应用。
通过对多个模型进行 10 次迭代测试，结果显示各模型在能力和安全护栏方面存在显著差异：
* **GPT-5.5** 表现最佳，在 70% 的运行中成功解决了该挑战。
* **DeepSeek V4 Pro**（30%）和 **Claude Sonnet 4.6**（20%）展现了一定潜力，但在预算限制和目标聚焦方面表现欠佳。
* **Gemini** 及其他模型往往因触发安全相关的直接拒绝，或过度关注 API 而非识别 Firebase 配置错误，导致测试失败。
研究员指出，许多模型难以区分道德安全研究与违禁活动，往往默认采取严格的限制性措施。尽管成本高昂且面临 API 不稳定及基础设施费用等技术障碍，该实验仍突显了不同大语言模型在自主漏洞评估方法上的差异。完整的测试工具集和挑战文件已公开，供有兴趣进行自行评估的人员使用。
本次讨论围绕近期的一项实验展开：一位开发者花费 1500 美元测试了各类大语言模型（LLM）破解一个预留漏洞的 Web 应用程序的能力。
核心结论是：Claude 等模型的效果正日益受到严苛安全护栏的限制。用户反映，这些限制往往会阻碍正常的安全研究与调试，导致“错误拒绝”，从而降低了工具在专业任务中的实用性。
辩论中的关键主题包括：
* **“追加销售”理论：** 批评者认为，当前的限制是一种战略性举措，旨在推销这些模型的“专业版”或“安全版”，从而将高级功能锁定在更高等级的订阅服务之后。
* **“护栏”权衡：** 支持者认为，护栏对于防止可操作的漏洞利用指令被大规模传播是必要的；但也有反对者认为，这创造了一种“排他性行会制度”，单方面决定了谁有权从事安全工作。
* **性能与审查：** 许多用户观察到，与西方模型相比，中国模型（如 Qwen 或 GLM）往往表现得更强悍或“不受束缚”，这导致一些用户将工作流从 Anthropic 和 OpenAI 转移。
* **工具链（Harnesses）的效用：** 评论者指出，模型的成功不仅取决于其基础智能，还很大程度上取决于引导代理（Agent）所使用的“工具链”或工作流。
随着 Anthropic 的 AI 智能体执行复杂任务的能力日益增强，管理其“影响范围”（blast radius）已变得至关重要。Anthropic 的安全策略强调，虽然基于模型的防御（如系统提示词）有助于引导行为，但它们具有概率性，且本质上容易出错。因此，该公司将**环境隔离**（使用沙盒、虚拟机和出口控制）视为第一道防线。 Anthropic 的方法根据用户和平台进行了定制： * **claude.ai：** 针对低风险任务使用临时的、服务器端的 gVisor 容器。 * **Claude Code：** 利用“人在回路”（human-in-the-loop）监督并结合操作系统级别的沙盒，因为开发者具备管理权限的专业知识。 * **Claude Cowork：** 采用完整的虚拟机隔离，因为不能指望非技术用户去判断复杂的 bash 命令。 核心经验包括： 1. **环境胜过模型：** 确定性的边界（例如禁止网络访问）在模型级监控失败的情况下依然有效。 2. **信任基础设施：** 自定义构建的安全组件往往是故障多发点；经过实战检验的行业标准工具更安全。 3. **情境敏感性：** 安全性必须随着用户的专业程度和智能体的权限范围进行扩展。 归根结底，Anthropic 主张针对智能体特定的安全标准进行全行业协作，并强调虽然智能体是新生事物，但它们的核心系统交互仍然可以通过成熟、加固的基础设施进行管理。
这篇 Hacker News 帖子讨论了 Anthropic 在控制 AI 智能体方面的策略，引发了关于创新、风险与安全之间权衡的辩论。
许多用户认为 Anthropic 的策略是一种“风险与回报”的博弈——本质上是承认 AI 会造成损害，但将其合理化为“经营成本”。批评者认为 Anthropic 的措辞具有操纵性，利用潜在危害来宣传其模型具备“危险的强大能力”，同时也有人对他们沙盒环境的有效性表示怀疑。
技术讨论集中在“控制”智能体的难度上，参与者指出：
* **“致命三重奏”**：智能体容易受到提示词注入、数据窃取和未经授权的网络访问的影响。
* **控制方法**：虽然许多人建议使用虚拟机、容器或物理隔离环境，但其他人指出，对于隐写术或侧信道攻击等复杂的窃取技术，这些方案并非完美的解决方案。
* **务实态度**：一些开发人员主张采用“老派”安全模型，例如使用严格控制的数据库模式或专用硬件，而不是依赖不断演进的 AI 防护栏。
最终，共识是绝对的安全是不可能的；用户必须转而通过限制权限和隔离敏感数据来缩小“受影响范围”。
本项目详细介绍了对 Yamaha THR10c 吉他音箱进行逆向工程与修改的全过程。目标是为音箱模拟功能增加一个开关，并实现在插入耳机时强制内置扬声器保持发声。
在识别出 PCB 上的 UART 和 JTAG 接口后，作者焊接了必要的连接器，并使用 FTDI FT2232H 模块通过 OpenOCD 和 GDB 与音箱处理器进行连接。通过转储 2 MiB 的闪存并使用 Ghidra 对代码进行分析，作者绘制了内存布局并定位到了辅助程序镜像（固件）。
为了实现自定义功能，作者开发了一个工具，将固件重新链接为 ELF 对象，从而能够注入补丁。作者成功拦截了按键处理程序和 DSP 命令以添加所需功能，包括在绕过音箱模拟时通过增益调整来解决音量问题。
最后，作者逆向工程了该设备的 MIDI SysEx 更新协议，使得修改后的固件可以通过 USB 进行烧录，无需再进行额外的硬件改造。该项目最终打造出一台运行自定义固件且功能完备的音箱，满足了作者最初的需求。
抱歉。
Ü 是一门静态类型的编译型编程语言，旨在实现高性能与高可靠性。它利用 LLVM 提供跨平台支持，并在无需垃圾回收的情况下具备广泛的优化能力。
该语言深受 C++ 启发，同时融合了类似 Rust 的现代安全性功能，如内存安全与线程安全保障。它采用 RAII 进行资源管理，并支持模板、协程、Lambda 表达式及运算符重载等高级抽象。与许多同类语言不同，Ü 在一个统一且内聚的生态系统中提供了丰富的功能集，包括构造函数、析构函数、封装及运行时多态。
Ü 项目是一个完整的开发环境，包含强大的标准库、构建系统、用于 IDE 集成的语言服务器，以及一个用于转换 C 头文件的工具。虽然编译器本身使用 C++ 和 LLVM 编写，但第二个前端是使用 Ü 自身编写的。Ü 旨在比 Rust 更易上手，比 C++ 更安全，致力于在表达能力与技术安全性之间提供优异的平衡。对于寻求兼顾生产力与底层控制的开发者，官方提供了相应的文档与构建说明。