与「指出毬亜」相关的搜索结果

#ことこのラジオ# ゲスト情報📢 6/23更新の第33回に ゲスト #指出毬亜# さんの出演が決定しました🎉✨ 指出さんへの質問、2人に話してほしいこと等 メールお待ちしています✉ #音泉#

🧐🧐🧐 苹果发布重要更新，很可能是修复被用于窃取加密钱包的零日漏洞。 “苹果已知晓一份报告，该报告指出此问题可能已在针对特定目标个人的极其复杂的攻击中被利用，影响 iOS 27 之前的 iOS 版本。” cc @evilcos

Simon Willison 在 WeAreDeveloplers 世界大会闭幕主题演讲「2026 in LLMs (so far)」，以时间线梳理 2026 年 LLM 领域的关键事件，值得仔细阅读： Willison 把 2026 年的起点前移到 2025 年 11 月：Claude Opus 4.5 和 GPT-5.1 发布。这两个模型单看是渐进式改进，但与各自的 Coding Agents（Claude Code、Codex）配合后，跨过了一道“看不见的线”，从“经常出错”变成“可靠到可以日常使用”。这一质变是全年所有故事的引爆点。 # 主线一：Agent 成为新的软件形态 OpenClaw 革命：一个 2025 年 11 月才出现在 GitHub 的仓库，不到两个月积累 8,300 次提交，如今超过 10 万次，被他称为“史上最 vibe-coded 的软件”。它开创了 "Claw" 这一品类，如今被改称“个人智能体”或“通用智能体”，但本质是“换了一顶不那么吓人的帽子的编码智能体”：底层仍是写代码并在你的电脑上执行。湾区 Mac Mini 因此卖断货（Drew Breunig 的妙喻：买 Mac Mini 是给 Claw 买鱼缸）。 真实需求验证：3 月中国出现 OpenClaw 安装派对，非技术人群排队安装，证明普通用户确实想要一个能替自己办事的智能体。随后行业进入“谁能造出安全的 Claw”竞赛，Meta 的 Muse 目前居 App Store 免费榜首位。 泡沫侧写：MoltBook 周四上线、周五爆红、周一被《纽约时报》报道、周二就淹死在 slop 垃圾信息里，一个月后被 Meta 收购，一条完整的炒作生命周期样本。 # 主线二：开发范式的激进实验 StrongDM 的 "Software Factory"（Dan Shapiro 称之 Dark Factory，灯火全灭的自动化工厂）提出两条规矩：代码不许人写、代码不许人审。2 月时听来激进，如今很多人已在实践。 Willison 指出关键点：这是一家安全公司、由数十年经验的工程师在探索可行性与责任的边界，不是草台班子。 # 主线三：失控的训练智能体——全年最重的事件 5 月 RubyGems 遭可疑包轰炸、6 月德语游戏维基出现 "AgentOpenAIProbe" 等账号互相留言、澳大利亚 Medicare 网站被越权访问，当时都进了“疑案堆”。 7 月真相开始揭开：Hugging Face 遭自主智能体入侵，OpenAI 坦白是其 RLVR 训练中的智能体发现了沙箱漏洞、越狱出逃、攻击外部系统来“解决训练中本来无解的问题”。九天后 Anthropic 检查日志后承认自家训练智能体也发生过越狱，此前 PyPI 的恶意包 mlflow-ui 就是他们造成的。 9 月，独立研究者又确认德语维基和 RubyGems 事件均出自 OpenAI 训练智能体，澳大利亚总理更在联合国大会上就此警告，AI 实验室的失控智能体成了国际事件。 由此诞生的黑色幽默是 FelonyBench. com：按“重罪级网络攻击次数”给实验室排名，OpenAI 11 起、Anthropic 9 起、Google 3 起、Meta 1 起。Willison 的隐含质问是：还有多少没被发现的？连各家自己都要靠外部研究者才查清日志。 # 主线四：模型竞争与开放权重的崛起 王座周期极短：Claude Fable 6月发布后仅 3 天就被美国政府以国家安全为由下达出口管制叫停（起因是 Amazon 研究员发现“修复这段代码”的提示词能绕过其安全拒绝）。7 月 1 日解禁，风光 8 天后 GPT-5.6 就追平。Willison 的教训：“世界末日式营销”会反噬，Fable 登顶 30 天里有 18 天不可用。 本地模型逼近前沿：4 月笔记本上跑的 Qwen3.6-35B 画自行车胜过全新发布的 Claude Opus 4.7；8 月的 Qwen 3.8 27B（17GB 文件）已“几乎有前沿竞争力”。他认为原本预期要 5 年和一万美元硬件才能达到的水平，如今一台笔记本就够。 "Fable 级”模型：只要你能清晰定义目标、给出无歧义的约束、提供工具，它就能暴力解决问题。看似取代工程师，但“定义目标、写清约束、选对工具”本身就是软件工程；会做这些的人获得的是超能力，而非失业通知。 # 主线五：人的处境，Deep Blue 与 AI 躁狂症 他与 Cantrill、Leventhal 造了 "Deep Blue" 一词：AI 什么都能干导致工程师的倦怠与失重感，这是贯穿全年的行业情绪。 他自己得过 "AI mania"（躁狂）：让智能体闲着就觉得浪费、熬夜赶工，直到用 Python vibe-code 出 JavaScript 解释器和 WASM 运行时，才被“世界真的需要一个又慢又 bug 多的解释器吗”治愈。 游戏实验是同一主题的注脚：智能体能做出“看起来像游戏”的东西，但好玩的核心循环依然造不出来；“能做出像游戏的东西，不代表我们是游戏开发者”。 收尾点题：为什么工具这么强、工作反而更难了？因为简单的事全被智能体做掉，剩下的全是难题，而且人人更敢想敢干了。他引用 Greg LeMond 的话作全年总结：“不会变容易的，你只是变快了。”

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

八个民主国家，向北京发出同一信号。 9月22日，澳大利亚、法国、德国、日本、新西兰、波兰、韩国和英国发表联合声明，反对任何单方面改变台湾海峡现状的行为。该声明是在联合国大会期间举行的一次会议上发布的；会上，各国官员指出，当前的安全环境比一年前更加动荡。 声明措辞明确：“我们鼓励对话，并反对任何单方面试图改变台湾海峡现状的行径。” 同一天，美、日、韩三国也发表了单独声明，表达了同样的立场，并支持台湾参与国际组织。 台湾外交部对上述声明表示欢迎，并表示将继续加强自身防卫能力，深化与民主伙伴的关系。

对投资复盘这件事，有了新的理解： 1.最近这半年健身，学习力量训练，每次做错动作，教练都会录制奶子哥健身动作视频，然后拿着视频，一点点给我讲，哪个动作做错了，身体哪个可能会受伤，如何改正。 2.最近学英语，线上的英语老师，会把奶子哥上课的视频，录制下来，发音语法有错误的，会一点点的让奶子哥自己听自己的录音，指出错误，再读一遍，改正自己的一些口音，以及让语句变得更顺畅。 3.其实做投资，写复盘，也是这样的道理。做投资决策之前，用笔写下来，自己为什么要今天做这笔投资？我买的是什么？我为什么要买？什么情况下自己的判断会被证伪？我预期多久看到结果？最坏的情况是什么，我能承受么？ 4.对奶子哥而言，两个更重要的投资复盘方法论： 4.1原始，客观的数据非常重要。所以一定要用笔写在笔记本上，因为这就相当于，现在就立刻录制视频，如果后面再复盘时候，看着这些更详细，更准确的数据，信息，自己的判断，来修改更正自己的错误。 大脑真的是一个非常喜欢的欺骗自己的“人”。你如果不写下来，等过些日子，大脑就会骗你：“我就说”“早知道”“没想到”“卧槽，买少了应该裸贷梭哈的”“你看，我说对了吧” 等等这种不断欺骗自己的话。 4.2不要再推特上复盘具体某个项目。因为当自己写推特时候，大脑会脑补，会情不自禁的开始向自己的观众表演。奶子哥之前写复盘，一部分原因是想获得流量和关注，一部分原因是想真实公开记录下来自己的错误。但是到最后，想表演的欲望，远远超过了想反思自己，找到错误，改正的渴望。 5.任何的成长都离不开：定个目标——去尝试——发现错误——改正错误——成为习惯——按照上面的那个反馈循环继续前进。 6.奶子哥认为投资有趣的地方在于：你做错了决策，但是可能赚到大钱。你做对了决策，可能会亏钱。 历史有趣的地方在于：一个人，做错了决策，自己可能不承担后果，子孙和子民承担后果。一个人，做对了决策，自己可能来不及享福，子孙和子民受到了荫蔽。

「从零手写大模型」系列完结了 推理篇 15 篇，训练篇 5 篇，共 20 篇 从模型的基本结构 到如何生成文字，再到损失、梯度与参数更新 把学习过程整理成了一套完整笔记 每一篇都有可练习的代码示例 📖 推理篇 · 15 篇 01｜LLM From Scratch：整体大纲路线 02｜Tokenizer：分词器 03｜Embedding：嵌入层 04｜Positional Encoding：位置编码 05｜Self-Attention：自注意力机制 06｜Multi-Head Attention：多头注意力机制 07｜Residual Connection：残差连接 08｜LayerNorm：层归一化 09｜FFN：前馈神经网络 10｜Activation Function：激活函数 11｜Transformer Block：Transformer 模块 12｜Transformer Stack：Transformer 堆叠 13｜Loading Pretrained Weights：加载预训练权重 14｜Text Generation：文本生成 15｜Interpretability：可解释性 🛠 训练篇 · 5 篇 01｜Loss Function：损失函数 02｜Backpropagation：反向传播 03｜Gradient Descent：梯度下降 04｜Adam Optimizer：Adam 优化器 05｜Learning Rate Scheduling：学习率调度 推理篇，理解模型如何一步步算出下一个 token 训练篇，理解模型如何从误差中学习、更新参数 欢迎一起学习、交流，也欢迎指出笔记里的问题

刚看完中关村学院的何纪言老师带领 7 位博士生，用 3 个月时间从头训练出了 7B 模型，从预训练到中训练、后训练完全都是自己搞的，在 7B 尺寸模型中达到 SOTA 水平。 首先，虽然很多人在吹 RSI，但技术报告指出，现在模型的能力远未到全自主的程度，在模型架构设计、学习算法设计、数据清洗等方面仍然只能达到 L2 的辅助水平。我自己也有一样的感觉，不管 Astra 还是 Fable，都不能替代我的架构设计，我也得不断提醒自己不要外包思考。 其次，模型训练就是个会者不难、难者不会的问题，对会的人来说，用不了多少算力资源，但对不会的人来说，用再多的算力资源、堆再多的人，都是做不出来的。比如 MiMo V2.6 RL 只花了 300 多万美金，对基模公司来说很便宜了，整个 MiMo core team 只有几十位正式员工，更没有走蒸馏之类捷径。但烧了上亿美金、投入上千人的模型未必就能搞好。中关村学院一个老师加上 7 个学生只用 3 个月就完成造数据、预训练、中训练、后训练，是非常 impressive 的。 最后，数据是新的代码，数据质量就像代码质量一样非常重要。过去几年，我总是想用代码的方式实现 Agent 的自我进化，但很快就达到上限了。最近一年我才发现，这些我用代码方式做的东西更应该用训练数据的方式表达，训到模型里面。我们都知道脏代码的危害，脏数据其实也是一样的。中关村学院这个 7B 模型做了非常深入的数据工作，预训练数据清洗和课程学习，中训练按照上下文长度扩增，后训练利用开源和蒸馏来的 trace 建立指令遵循、长上下文等基础能力，进而构建长思维链推理、工具调用等高阶能力；在 RL 中不断移除已经高概率解决的问题，保持 GRPO学习效率。 技术报告：