迈克尔·史密斯，一位来自北卡罗来纳州的男子，对一项数百万美元的音乐流媒体欺诈案认罪。从2017年到2024年，史密斯策划了一个计划，利用人工智能生成的音乐和数千个机器人账户，在Spotify、Apple Music和Amazon Music等平台上虚假夸大流媒体播放量。 他与同伙合作，上传了大量计算机生成的歌曲，并使用自动化软件生成数十亿的虚假播放量，从而收取了超过800万美元的版税。他使用了VPN和批量购买的虚假电子邮件地址等手段来逃避检测。 检察官强调，这笔被盗的资金本应归属于真正的艺术家。史密斯面临最高五年监禁。此案凸显了一个日益严重的问题，随着人工智能音乐生成的增加，Deezer和Apple等平台正在加强人工智能检测和行业内的透明度措施。
每日HackerNews RSS
## 人工智能音乐欺诈案被告认罪
一名男子最近因涉及通过人工智能生成音乐在流媒体平台上虚报收入800万美元的欺诈案认罪。然而，犯罪的核心并非人工智能音乐本身，而是利用数万个机器人账户人为夸大播放量和广告收入。这本质上是“点击欺诈”的现代版本。
讨论的中心在于这是否构成真正的欺诈，或者仅仅是违反服务条款（ToS）。一些人认为，这是一家大型公司利用刑事法律来保护一个破败的商业模式，而另一些人则指出，故意欺骗和财务收益是欺诈的明确证据。这场辩论凸显了人们对公司将服务条款违规行为转化为联邦犯罪的担忧。
许多评论员也指出，这会对艺术家产生更广泛的影响，并建议采用更公平的收入分配模式——资金直接分配给被收听的艺术家——可以减轻此类欺诈行为。此案还引发了关于人工智能生成内容的伦理以及在其他领域可能出现类似剥削的讨论。
你好，我是Alex，对板球、国际象棋和科技都很感兴趣。我打板球两年了，8岁就开始下国际象棋。我仍然在两者上挣扎，但我觉得它们之间有关联。所以我创建了这个应用程序，让每个人都能以有趣有效的方式学习战术。
## 帕德尔棋：一款战术帕德尔模拟器
AlexGerasim 发布了“帕德尔棋”（padelchess.me），一款针对快速发展的帕德尔运动的战术模拟器，引发了 Hacker News 的讨论。用户称赞该游戏的可访问性和战术深度，并指出它在易于上手和难以精通之间取得了平衡——这是其日益流行的关键因素。
反馈集中在使用性方面，一位用户建议更清晰的按钮样式。开发者迅速回应，确认了在移动设备上的可点击性，并承诺进行进一步的 Android 测试。
对话还探讨了帕德尔运动蓬勃发展的原因。 提到的原因包括其社交性、宽容的学习曲线以及运动能力和策略的结合。 一些用户指出瑞典等某些市场可能存在“泡沫”，而另一些用户则强调了葡萄牙和西班牙等地区的持续增长。 将其与匹克球进行了比较，一些人认为帕德尔运动更复杂且更具运动性。
开发者正在积极采纳反馈，增加免费每日谜题的数量，并考虑除简单付费墙以外的其他盈利策略。
您的请求已被阻止，原因是网络策略。请登录或在此处创建帐户以恢复浏览。如果您正在运行脚本或应用程序，请在此处注册或使用您的开发者凭据登录。此外，请确保您的User-Agent不为空，并且是独特且具有描述性的，然后重试。如果您正在提供替代的User-Agent字符串，请尝试改回默认设置，因为这有时会导致阻止。您可以在此处阅读Reddit的服务条款。如果您认为我们错误地阻止了您，或者想讨论更轻松地获取所需数据的方式，请在此处提交工单。联系我们时，请提供您的Reddit帐户以及以下代码：019d0f38-07bf-743c-b65f-a319ffb85e21。
## LLM 随机性问题与偏见
最近Hacker News上的讨论强调了大型语言模型（LLM），如ChatGPT、Claude和Gemini，在生成随机数时存在一致的偏见。用户普遍报告称，当被要求生成1-10000之间的数字时，这些模型总是选择7200-7500之间的数字。
这不仅仅是一个怪癖，它指出了LLM“创造力”中更深层次的问题。这些模型并非真正随机，而是根据训练数据中的模式生成输出。这种偏见超出了数字范围，影响到写作和图像生成等创意任务，导致内容同质化且缺乏灵感。
有几个因素导致了这种情况：LLM之间共享的训练数据、实现真正个性化的困难以及模型避免极端或模式的倾向。一些人建议的解决方案包括改进个性化技术，以及将人工智能的角色从*创建*内容转变为*辅助*人类创作者使用工具。最终，这场讨论强调了当前LLM的局限性以及它们可能在数字领域降低原创性的潜力。
Ubuntu 26.04 LTS，发布日期为2026年4月23日，将对`sudo`密码提示进行重大更改：按键输入现在将显示为星号。 这打破了长达46年的无提示传统，最初的设计是为了防止在共享终端环境中“肩窥”。 这一变化源于Ubuntu采用`sudo-rs`，这是经典`sudo`实用程序的基于Rust的重写。 虽然通过现代编码实践提供潜在的安全优势，但可见的反馈引发了争论。 批评者认为，这会泄露密码长度，从而损害安全性。 然而，开发人员认为风险很小，特别是许多用户将他们的登录密码与`sudo`密码共享——而后者在图形登录屏幕上是可见的。 希望恢复传统无提示提示的用户可以通过修改`sudoers`文件中的单行来轻松恢复。 此更新是Ubuntu 26.04更大规模现代化工作的一部分，包括GNOME 50 on Wayland和更广泛的Rust采用，优先考虑新用户的用户体验，同时仍然为经验丰富的用户提供定制选项。
谷歌为安卓侧载流程增加24小时等待期和强制重启。
Google adds 24-hour wait and mandatory reboot to Android sideloading flow
54 天前
## Android加强安全，引入开发者验证
谷歌正在加强Android安全，要求所有应用开发者在用户可以在认证设备上安装应用之前验证其身份。这项措施将于2026年9月在部分国家（巴西、印度尼西亚、新加坡和泰国）开始实施，并计划于2027年及以后在全球推广。
此举旨在应对日益增长的恶意软件和诈骗威胁，尤其是在Google Play商店以外进行 sideload 的应用中——这些应用的恶意软件数量是Play商店保护的应用的50倍。开发者验证旨在让恶意行为者承担责任，使其更难在被标记后重新分发有害应用。
该过程类似于“身份检查”，确认*开发者是谁*，而非审查应用内容。谷歌正在创建专门的开发者控制台，包括一个专为学生和爱好者设计的控制台，以简化验证流程。这项举措获得了政府和行业团体的积极反馈，他们认为这是一种在保持Android开放性的同时提高用户安全的平衡方法。开发者可以从2025年10月开始注册参与早期体验。
## Android开发者验证与用户控制问题
一篇最近的谷歌博客文章详细介绍了Android设备的新的安全措施，在Hacker News上引发了争论。核心问题是一个新系统，即使在用户拥有的设备上，对于未经验证的开发者安装应用程序也需要24小时的等待期。
许多评论者表达了沮丧，认为这限制了用户的所有权，并且感觉过于严格，将其与微软生态系统中受到批评的类似做法相提并论。担忧集中在需要“许可”才能使用用个人资金购买的设备这一想法上。
虽然承认需要保护不精通技术的用户免受诈骗，但许多人提倡提高数字素养，而不是采取一概而论的限制。一些人建议提供不同版本的设备——一个为经验丰富的用户提供更开放访问权限的版本（例如“商业”模式），另一个为普通消费者提供更严格的保护措施。
这场讨论凸显了安全与自由之间的紧张关系，一些人担心这是朝着进一步控制Android设备的步伐迈进。另一些人指出，谷歌在保护十亿用户方面面临的实际挑战，尤其是在容易受到欺诈的新兴国家。关于这是否是一项临时措施，或者预示着未来将增加更多限制，也存在争论。
## FilmKit：一款浏览器级的富士RAW文件和预设管理器
FilmKit 是一款免费、开源的网页应用程序，用于管理预设和转换富士X系列相机的RAW文件。目前处于BETA阶段，主要在X100VI上测试，旨在成为富士X RAW STUDIO的更快替代方案，通过WebUSB利用相机自身的图像处理器。
主要功能包括：直接向相机读取、编辑和写入预设；本地预设库，方便存储和传输；RAW到JPEG转换，具有实时预览；自动从RAF文件检测预设；以及导入/导出功能。它还提供快速比较工具和兼容浏览器的移动设备支持。
FilmKit 通过使用标准的PTP协议与相机通信，与X RAW STUDIO相同。开发者正在积极寻求其他X系列相机（如X-T5、X-H2、X-T30等）用户的支持，以扩展兼容性，并请求提供USB流量的Wireshark捕获进行分析。
在GitHub Pages上可以找到它 – 无需安装！
## 富士X RAW STUDIO Webapp 克隆 - 摘要
一名开发者创建了一个富士X RAW STUDIO的webapp克隆版，旨在提供一个兼容Linux的替代方案和更友好的用户体验。该应用，[https://filmkit.eggrice.soy](https://filmkit.eggrice.soy)，利用WebUSB直接连接到富士X系列相机，使用相机的处理器进行RAW图像转换并应用富士的胶片模拟。
用户对这个项目感到兴奋，特别是那些寻求富士原生软件替代方案或希望在Linux上编辑相机配置文件的人。讨论围绕着与旧型号相机（如X-T20和X-E1）的兼容性、潜在的iOS支持以及复制富士图像处理算法的挑战。
对话还涉及RAW图像处理的更广泛话题，提到了Capture One、RawTherapee和Adobe Lightroom，以及关于技术语境中“RAW”的正确大小写形式的争论。最终，该项目因提供了一种方便的方式来试验富士的配方并直接在相机上处理RAW文件而受到赞扬。
曼巴-3
Mamba-3
54 天前
## Mamba-3：一种新的状态空间模型推理关注点 继Mamba-2专注于状态空间模型（SSM）的训练速度后，LLM领域的重点正在转向高效*推理*——使用训练好的模型的过程。虽然Mamba-2简化了SSM以加快训练速度，但这导致了受内存限制的推理，从而限制了性能。 Mamba-3通过设计一种专门用于高效推理的SSM来解决这个问题。它解决了线性模型（如Mamba-2）中固定大小状态的局限性——这些状态压缩了所有过去的信息——通过提高SSM机制的表达能力，利用复值系统扩展状态跟踪能力，并利用并行处理。 关键改进包括更通用的递归、多输入多输出（MIMO）SSM以及QKNorm等架构更新。这些变化在保持与Mamba-2相似的推理延迟的同时，显著提升了性能，甚至在某些情况下超越了Transformer。Mamba-3利用Triton、TileLang和CuTe DSL等工具来实现优化的内核性能，并已开源以供进一步开发。最终，Mamba-3旨在突破LLM的质量-效率边界，认识到快速有效的模型部署日益重要。
## Mamba-3 总结
Mamba-3，Together AI 的一种新型状态空间模型 (SSM)，优先考虑**推理效率**——使用模型的速度和成本——而非训练速度，这与其前身 Mamba-2 不同。主要改进包括更具表现力的递归公式、复值状态跟踪以及用于提高准确性的 MIMO 变体。
讨论的重点是比较 Mamba-3 与 Mercury-2 等其他模型，以及 SSM 架构与扩散模型之间的更广泛差异。一个关键的争论点在于，优先考虑推理计算是否有益，一些人认为这会限制批次大小和整体吞吐量，而另一些人则认为这对于低延迟应用很有价值。
对话还涉及将 Mamba 等线性模型与传统 Transformer 结合的混合架构的可能性，以利用两者的优势，以及将为 Transformer 设计的现有基础设施（GPU 和软件）适应这些新方法的挑战。最终，社区对 Mamba-3 的潜力持乐观态度，特别是作为未来扩展的基础。
Traces of Evil
54 天前
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录
邪恶的痕迹 (tracesofevil.com)
17 分，由 jacquesm 1 天前发布 | 隐藏 | 过去的 | 收藏 | 2 条评论 帮助
LoganDark 23 小时前 [–]
我无法阅读 Fraktur 字体标题，并尝试将其复制粘贴到其他地方以便阅读，这通常是我在类似情况下的做法，但显然该网站不允许文本选择？回复
treetalker 20 小时前 | 父评论 [–]
> 邪恶的痕迹：剩余纳粹遗址索引
顺便说一句，我可以在 iOS 上选择文本。
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系方式
搜索：
## 实体介质的回归与数字版权管理
对昂贵、零散且充斥广告的流媒体服务的日益不满，正在推动实体介质如DVD和蓝光光盘的复兴，这些光盘在唱片店可以廉价购买。然而，播放这些“过时”的光盘需要应对复杂的数字版权管理（DRM）系统。
早期的保护措施如CSS（用于DVD）相对容易破解，导致了DeCSS等工具的出现。蓝光光盘的保护更为复杂，通常需要逐个光盘的解密密钥或解码制造过程中故意添加的“故障掩码”。令人惊讶的是，下载这个故障过程的输出往往是最简单的解决方案，因为整个数据集相对较小。
尽管如此，由于蓝光光盘已经高效压缩，因此撕裂蓝光光盘并不总是实用的。许多评论员强调了实体介质的便利性——一种专注的观看体验，没有持续的流媒体问题——以及它提供的长期所有权，与数字租赁的短暂性形成对比。人们对介质本身和播放硬件的寿命表示担忧，但低成本和有形的所有权正对许多人具有吸引力。
## FFmpeg 概述
FFmpeg 是一套强大、开源的工具和库，用于处理多媒体。它包含诸如 `ffmpeg`（用于转换）、`ffplay`（一个简单的播放器）和 `ffprobe`（用于流分析）等命令行工具，以及用于集成到自定义项目中的库。
核心库包括 `libavformat`（I/O 和复用/解复用）、`libavcodec`（编码/解码）以及用于过滤、缩放和重采样的其他库。典型的流程包括将多媒体流解复用为音频和视频组件，然后使用诸如 `AVFormatContext`、`AVStream`、`AVPacket` 和 `AVFrame` 等结构将这些组件解码为原始数据。
该过程从使用 `avformat_open_input` 打开文件、使用 `avformat_find_stream_info` 查找流信息，然后迭代流以提取帧率和编解码器类型等详细信息开始。编解码器使用 `avcodec_find_decoder` 识别，并为解码创建一个 `AVCodecContext`。最后，使用 `av_read_frame` 读取数据包，使用 `avcodec_send_packet` 将数据包发送到解码器，并使用 `avcodec_receive_frame` 接收解码后的帧。
一个完整的示例，可在 `ffmpeg-101` 仓库中找到，演示了此过程，并可以使用 `meson` 和 `ninja` 构建。
最近的 Hacker News 讨论突出了一份新的 FFmpeg 101 资源 (igalia.com)，引发了人们对这个强大的多媒体框架的兴趣。虽然有些人觉得最初的文章命令很简单，但用户热情地推荐 Leandro Moreira 的深入教程 ([https://github.com/leandromoreira/ffmpeg-libav-tutorial](https://github.com/leandromoreira/ffmpeg-libav-tutorial)) 作为真正理解 FFmpeg 及其底层库 libav 的最佳方式。
对话中也反映了 FFmpeg 发展之迅速（“FFmpeg 8 感觉就像昨天！”）以及对其能力的赞赏——一位用户称其为组装视频的“超能力”。 另一个有用的指南也通过链接到之前的 YCombinator 讨论分享。 总而言之，该帖子表明了社区对掌握这个基本工具的强烈兴趣。