与「浏览器传输」相关的搜索结果

这里提醒一下国内的翻墙的网友，使用一台“无手机卡、无SIM卡”的手机进行翻墙，而且这部手机只用于翻墙，这部手机不要有其他任何的社交APP，而且不要使用公共WIFI翻墙。 湖南图书馆此次通告中提到“锁定手机号”，主要是因为目前的中国公共Wi-Fi绝大多数采用“短信验证码登录”或“微信/手机号授权绑定”的实名认证机制。但即便拔掉SIM卡、不用手机号，相关部门仍可以通过以下多维度的技术手段进行追踪和关联： 1. 设备硬件标识（MAC地址与IMEI）MAC地址追踪：每一台智能手机的Wi-Fi网卡都有一个全球唯一的物理地址（MAC地址）。当无卡手机连接图书馆Wi-Fi时，路由器会直接记录下该设备的MAC地址。 历史数据关联：虽然现代手机普遍支持“MAC地址随机化”，但如果在连接该公共Wi-Fi前或在认证过程中，手机曾暴露过真实MAC地址，或者该设备曾登录过其他需要实名认证的App（如微信、支付宝、浏览器账号等），系统可以通过大数据和流量特征，将该MAC地址与机主的真实身份强行绑定。 2. 账号登录与应用层溯源（流量特征）翻墙软件（如各类VPN、代理工具）虽然会加密传输的内容，但其连接协议、握手特征、远端服务器IP以及流量突发模式在网关日志中非常明显。 如果在连接图书馆Wi-Fi期间，手机登录了个人的微信、邮箱、社交账号、或网购/浏览器等App，网络后台的数据流会瞬间将“匿名设备”与“实名账号”画上等号。脱离了SIM卡，并不代表脱离了账号体系。 3. 物理空间与公共监控闭环图書館内部普遍密集部署了高清视频监控。结合Wi-Fi捕获的精准连接时间点、座位区域信号强弱（RSSI定位），以及大厅监控画面中读者的面部特征、进出馆时间、借阅记录（如刷读者证、身份证入馆的信息），可以迅速通过“时空合围”锁定当事人的实体面貌和活动轨迹。 在严密的局域网网关审计和公共场所安防体系下，“无手机卡”只能切断运营商蜂窝网络（基站）层面的直接实名关联，无法阻断Wi-Fi局域网层面的设备指纹、应用账号及物理监控的综合溯源。

周五软件分享 - Quarkdown：使用Markdown语法的排版系统 - RsyncUI：远程传输工具rsync的图形界面 - Donut：浏览器的编排器，一键启动浏览器的不同配置 更多软件 #科技爱好者周刊（第351期）#

只是刷刷外网也被罚？90%的人分不清VPN和翻墙 最近在办公室喝茶无聊的时候刷到好几条使用vpn被上门查水表的新闻，其中一条看得我心里咯噔一下，谈谈自己的一点看法，也给刚使用vpn来注册x的的推友一点建议。。 今年3月湖北鄂州一个老哥，在家拿荣耀手机装了Clash翻墙刷TikTok、X，啥出格话没说、坏事没干，最后直接被派出所罚了200块。 这种翻墙被抓的消息每次一出，我身边好多朋友也来问我两件事，刚好今天我就谈谈自己的看法 第一个疑问：为啥身边一堆人偷偷翻墙用了好几年，啥事没有，偏偏就少数人被逮到？ 第二个最容易搞混：VPN和翻墙到底是不是同一个东西？很多人到现在都以为，VPN=翻墙，今天掰开揉碎说清楚。 先说大家最关心的：大部分人翻墙没被抓，真不是法律允许，纯粹是运气好。 我之前也跟朋友聊过这个事，执法机关的重心分得特别清楚，不会一上来就盯着咱们普通老百姓。 最先严查的永远是做翻墙软件、倒卖节点、到处卖账号牟利的那群人，这帮人是整条灰色产业链的源头，抓一个就是重罚，严重的直接刑事立案，网上曝光的大案基本全是这类。 其次才是翻墙之后乱搞事的普通人：跑去外网乱发表不当言论、参与网赌、传播不良内容、引流诈骗，只要你在境外平台有输出行为，后台一溯源精准找到人，处罚来得特别快。 至于我们这种只是刷刷视频、看看资讯，不发言不搞违法勾当的，监管系统流量池太大，不可能逐条筛查每个人，所以大部分人能暂时相安无事。 但这不代表没人管，这次鄂州那个男生就是现成例子，公安会不定时抽检排查，一旦撞上，罚款警告跑不掉，不存在“安安静静刷外网就没事”的豁免说法。千万别抱着侥幸心理，觉得大家都在用就法不责众，运气这东西早晚有耗尽的时候。 再聊很多人搞混的VPN和翻墙，我以前也一直误以为两者是一回事，后来查了法规、弄懂原理才知道完全两码事。 VPN本身就是个中性网络技术，压根不是为了翻墙诞生的。全称虚拟专用网络，说白了就是给网络搭一条加密隧道，保护我们传输的数据不被窃取窥探。 打个很生活化的比方，VPN就像家里的菜刀，工具本身没有对错。 正经能用的场景特别多：在外打工的跨国公司员工，远程连公司内网办公；出门在外连商场、车站公共WiFi，用合规VPN防隐私泄露；还有我们平时玩游戏用的正规加速器、大企业办业务走的跨境专线，全都是合规VPN。 那翻墙又是什么？ 在我理解里，翻墙是一种违规行为，指没经过国家相关部门批准，私自绕开网络管理，去访问境内限制的境外网站 而且翻墙不单单只有私自VPN这一种手段，Clash、代理、Tor这些乱七八糟的工具全都能实现，VPN顶多只是众多工具里的其中一个。 简单捋顺逻辑：VPN是工具，翻墙是行为。菜刀能切菜，也能拿来做坏事；VPN能合法办公加密，也能拿来违规跨境上网，好坏全看使用者的用途。 我专门去了解过国内相关规定，界限划得明明白白：技术不违法，私自绕开监管联网才违法。 企业要是做外贸、跨国业务，有真实需求，能走正规流程申请备案VPN专线 但门槛真的很高，必须是注册公司，做全省业务注册资金最少100万，全国业务要1000万，还要配套完整技术方案，法人三年内不能有电信相关违法记录。 光是“公司主体”这一条，就把咱们普通人直接拦在外头，个人根本没有渠道申请合法跨境VPN。 市面上我们随手能搜到、花钱买节点的各类翻墙工具，全都是没有备案资质的非法信道。哪怕你只是单纯刷短视频，只要连接使用，就违反了网络管理相关规定。 这里还有个容易踩的坑：就算你身边朋友有企业合规VPN，借来刷外网娱乐平台也不行，备案用途仅限办公，超出范围使用一样违规。 最后说几句我的真心话，给所有还在偷偷翻墙的朋友提个醒。 第一，别自我麻痹区分“轻度翻墙”“重度翻墙”。法律不会管你是看动漫还是刷资讯，处罚依据是“未经批准私自国际联网”，鄂州那个男生没发任何违规内容照样罚款，足以说明一切。 第二，私自翻墙不止会被罚款，隐藏风险多到离谱。那些私人搭建的节点、破解软件毫无安全保障，运营者能看到你所有浏览记录、手机里的照片，甚至银行卡信息，不少人因为用不知名翻墙工具被盗号、被勒索。更可怕的是，一旦借着翻墙接触网赌、灰色交易，行政违法直接升级成犯罪，代价根本承担不起。 第三，真有查看海外信息的需求，完全没必要铤而走险。做外贸的走企业合规专线；学生查外文文献可以去学校图书馆、科研机构的授权数据库；普通人想了解国外新闻，国内正规媒体平台都有海外资讯板块，完全能满足日常需求。 总结一下我的看法：VPN只是中立的网络工具，翻墙是实打实的违规行为，两者绝对不能画等号。合法跨境VPN只面向符合条件的企业，咱们普通人不存在合规私自翻墙的途径。 现在网络监测技术越来越完善，基层排查也越来越频繁，暂时没出事不代表永远安全。与其赌运气担惊受怕，不如老老实实遵守网络法规，走正规渠道获取信息，既不会惹上行政处罚，也能保护自己手机里的隐私安全。

Web 4.0 互联网生态：一个会思考、会进化的社会图灵机——人类之灵 这篇文章写成了接近八千字，但是我也不打算拆分了。感谢 @jinniudashu 在架构上的提示，这是一次系统性的初稿，是对 Web 4.0 的第一次结构化表达。留存作为v1.0， 感兴趣的还是要去看英文原文，这里表达不足原文的1/10. 在我看来，Web 4.0 不是新一轮的应用堆叠，而是一次底层逻辑的升级。 过去三十年，互联网解决了连接问题。接下来的三十年，我们需要解决理解问题。 人类用了几十年把地球连成一张网，现在我们要让这张网具备思考和解释的能力。 “社会图灵机”不是一个平台，也不是一种产品。 它是一种新的运行逻辑：语言被结构化，结构能被证明，证明能形成共享的知识。 这是对“互联网能否真正理解自己”这个问题的一次系统回答。 如果说 Web1 让人们能够浏览信息，Web2 让人们能够表达观点，Web3 让人们能够确权资产，那么 Web4 的目标是让系统具备解释力和透明性。 一个政策要能展示它的推理路径，一个市场要能展示它的公平机制，一个模型要能展示它的依据。 一句话可以在多个系统之间传递，并最终附带可验证的回执返回。 互联网从“信息网络”向“理解网络”转变。它不再只是传输数据的工具，而是一个能够记录、学习和改进的系统。虽然它没有自我意识，但可以通过不断的记忆、反馈和知识更新，逐步形成一种稳定的认知结构。 在这个过程中，互联网会成为人类集体智能的延伸，像是一种连接所有人知识与经验的公共思维系统。 它需要一步一步构建：意图 → 逻辑 → 证明 → 学习。 每一次验证过的结果，都是这张认知网络新的节点。 自由金牛的BPS，其实就是这里面的一个闭环体现。这种闭环，可大可小。从一个block (类似一个细胞），到一个组织，再到一个器官。 金牛兄，你是真心有大才的！ 整个逻辑可以概括为一个循环： 理解 → 推理 → 行动 → 验证 → 学习 → 再理解。 我认为，现在多数成熟的商业程序员和架构师都面临一个共同的问题：看不到未来的方向。 他们知道当下的技术范式已经到达瓶颈，继续沿用旧的模式意义不大；但新的 AI 应用场景又尚未跑通，顶级模型公司的岗位也触及不到。 结果就是，很多人陷入一种“开发空窗期”——手上有技术，却找不到清晰的落点。 对于新的范式、用户真正的需求、以及整个生态可能的发展路径，都感到模糊和不确定。 以下是我对未来范式的猜测和理解： 社会图灵机的运作循环 社会图灵机（Social Turing Machine）是一个以“理解”为核心的认知网络。 它的基本目标是：让机器能够理解人类的意图、验证执行过程、并在反馈中持续学习。 整个系统的运作遵循一个闭环循环：意图 → 结构化 → 执行 → 验证 → 学习 → 再次意图。 1. 用户输入：人类意图的起点 一切从人类输入自然语言开始。 当一个用户用自然语言提出请求、指令或声明（例如“请在明天发货30件产品给A公司”），这本质上是一种意图（Intent）。 在传统互联网中，系统只能识别关键词或命令； 而在社会图灵机中，这种自然语言会被理解为一个可以进一步结构化并验证的认知对象。 2. 语义解析：语言被结构化为可计算的意图 用户的自然语言会被送入系统的语义层（Semantic Layer）。 这部分由语言模型、语义解析器和知识本体（Ontology）共同组成。 系统会将模糊的自然语言转化为一种结构化中间表示（Intent IR）， 明确包括： 行动目标（做什么） 条件约束（在什么情况下执行） 参与对象（谁执行，谁受影响） 输出期望（结果是什么） 例如： “请在明天发货30件产品给A公司”经过语义解析后会被转译成： action: ship object: Product_A quantity: 30 destination: Company_A condition: date == tomorrow 这一步让语言从模糊转向明确，成为机器可理解的结构。 3. 意图确认与验证：系统判断“是否理解正确” 解析完语义后，系统不会直接执行，而是进入验证阶段。 这一阶段由“语义运行时（Semantic Runtime）”协调完成。 运行时会做三件事： 意图校验：通过逻辑检查和上下文比对，确认系统是否真正理解了用户的意思； 约束对齐：确认该意图是否符合既有规则（例如法律、合同、策略等）； 权限验证：确认用户是否有权触发对应的行为。 在这一步，AI 不只是“猜测”，而是通过结构化规则进行可追踪的验证。 验证通过后，意图才被编译为可执行逻辑。 4. 执行层：将逻辑变成行动 验证后的意图进入 协议层（Protocol Layer） 执行。 这里的核心是：每一次执行都可被验证。 执行方式包括： 调用智能合约（自动执行规则）； 启动外部系统接口（如支付、物流、审计等）； 或由人工/AI 代理执行具体任务。 所有执行行为都会被记录在一个分布式账本或验证网络中， 并生成相应的状态变化（state change）。 在传统系统中，执行结果往往是“黑箱”的； 而在社会图灵机中，每一个动作的发生条件、逻辑路径和结果都可以被复现。 5. 生成证明：从执行到可验证结果 当执行完成后，系统会自动生成一份执行证明（Proof Object）。 这份证明说明： 谁发起了行动； 在什么条件下执行； 执行逻辑是否符合意图； 结果是否正确。 这种证明可以采用多种技术形式：数字签名、零知识证明、审计日志、语义验证报告等。 在这一层，信任不再依赖人工仲裁，而是通过可计算的逻辑与证据链建立。 6. 学习与记忆：结果反哺系统 执行完成、证明生成后，所有过程数据会被送回系统的学习层（Learning Layer）。 系统会： 更新语义模型，改善未来对类似意图的理解； 扩展知识图谱，让机器掌握新的规则或模式； 记录验证路径，为后续任务提供参考。 这一步就像人类的“记忆形成”， 让整个网络在每一次执行中积累认知经验。 7. 形成闭环：从反馈到再理解 一旦系统更新完毕，它的“语义模型”和“规则体系”会自动反映新的理解结果。 下一个用户输入或下一次意图请求时，系统就能更快、更精准地识别、验证与执行。 至此，整个循环闭合： 意图（Intent） → 结构化（Structure） → 执行（Execution） → 证明（Proof） → 学习（Learning） → 新意图（New Intent） 每完成一次循环，系统就多理解一点世界。 这意味着： 它不只是自动化系统，而是具备累积性理解的认知网络； 它的“知识”不是编程输入的，而是从交互中演化出来的。 社会图灵机因此被视为一种认知级的操作系统。 它的独特之处在于： 语言不是指令，而是输入； 规则不是约束，而是解释机制； 执行不是终点，而是验证与学习的起点。 这个循环一旦持续运行，互联网将从“信息网络”演化为“理解网络”。 机器不再只是执行人类的命令，而是能理解、证明并共同进化。 The Social Turing Machine: When the Web Learns to Think

2026 年 9 月 29 日，OpenAI 在旧金山 Fort Mason 办了今年的开发者大会 DevDay。主讲是 CEO Sam Altman。其他几位上台的人都在做这些产品。产品团队的 Holly 演示了新产品 Dots。后训练（模型预训练之后做对齐和能力调优的阶段）研究负责人 Tejal 讲了模型怎么反过来帮 OpenAI 做研究。Codex 的演示由 Romain Huet 来做，他在 OpenAI 负责开发者体验，去年 DevDay 主题演讲里的 Codex 演示也是他做的。整场演讲分三块：面向用户的常驻智能体 Dots 和协作空间 ChatGPT Space，给开发者的新模型和新工具，以及帮开发者做分发、赚钱的渠道。 1. Dots：一直在线、会主动干活的智能体 Sam 把 Dots 比作电影里那种一直在身边帮忙的 AI 助手。他认为订餐厅、买机票这类代办虽然有用，但和这项技术能做的事比起来太小了。他想要的 AI 知道正在发生什么，也知道你在意什么，不用你事事交代。 Dots 是常驻在线的智能体（Agent），有自己的云端电脑和浏览器，能写代码、跑测试。它的权限跟着用户走，能直接用用户已经在 ChatGPT 里连好的插件，覆盖 4000 多个应用。除了在 ChatGPT 里对话，之后还可以给它发短信、打电话。目前每人先有一个 Dot，以后可以配一整组。Dots 跑在 本月早些时候发布的 GPT-6 Astra 上，Sam 称它是 OpenAI 对齐做得最好的模型。用户可以限定 Dot 能用哪些应用、能不能操作电脑，也能给它的各类操作写自定义指令，愿意交出多少责任就放多少权。 Sam 说，他自己的 Dot 每天早上会把夜里进来的消息过一遍，挑出紧急的提醒他。他说这让他拿回了一部分注意力，没那么离不开手机了。他还举了一个更重的例子：把应用从一个即将停用的旧 API 上迁走。这个 API 可能散落在代码库各处，改了哪里会连带弄坏什么，事先看不出来。Dot 可以追踪依赖关系，找出所有要改的地方，写代码、跑测试，最后把 PR（代码合并请求）交给团队审。他让听众想想，过去做这件事要几个人、花多久。 开场视频里，用户把自己的 Dot 改名叫 Alfred。Alfred 和另一个 Dot 帮用户上线网站，改董事会材料，在婚礼蛋糕商家取消后找好备选。它们还发现财务会和女儿的演出撞了期，提出改时间。每件事都是 Dot 推进到需要人确认的地方，再由人拍板。 2. ChatGPT Space：人和智能体一起用的工作区 Sam 认为，现有的生产力软件几乎都没考虑过人和 AI 一起干活。ChatGPT Space 以页面为单位，可以在里面写计划、做调研、生成图片和数据。页面和文件像网盘一样放在同一个空间里。Dot 能直接在页面上工作，在评论里 @ 它，它就会接活。页面本身也能带指令，比如“每天去看 API 平台的 Slack 频道，把发现更新到这里”。之后 Space 里还会加入演示文稿，格式做成智能体方便读写的样子，团队成员可以和各自的 Dot 一起改。 在 Holly 的演示里，页面用斜杠命令就能插入交互图表、表格和可运行的原型。她 @ 自己的 Dot（名叫 Dotty），让它把一组数据改成柱状图。图表可以按反馈类型筛选，Dotty 每小时刷新一次。她还让 Dotty 把“某位工程师在我 Slack 私信里提过的新手引导数据”补进 FAQ。Dotty 能看到她的上下文，所以这种模糊的指代也找得到。 3. OpenAI 内部怎么用 Dots Holly 用一个虚构的歌单应用 Blossom Music，模拟发布前一天的状况。早上 Dotty 已经做了几件事：发现发布评审会提前，改好了日历；看完前一晚测试用户的反馈；注意到设计团队临时改了首页，把新设计发给她。她让 Dotty 直接把这个设计做出来。Dotty 调用她笔记本上的 Codex 构建应用，在 iPhone 模拟器里跑起来，再提交 PR。现场的语音演示卡住了，Dotty 一直回复“还在查”。Codex 线程也报过一次错，她重试后才继续下去。 她说，Dots 真正改变 OpenAI 工作方式的地方在 Slack。Dots 在公司 Slack 里有自己的身份，员工就开始把它们当作代理人。被同事 @ 到的零碎请求，直接转给自己的 Dot 处理。建群时，大家从一开始就把各自的 Dot 拉进来，Dot 带回结果时所有人都能看到。 工程师走得更远。有人在反馈频道贴出会话 ID 和一个用户 bug，某位工程师的 Dot 就会接手排查，提 PR 修复。她说这是真实情况：工程师们的 Dots 每天这样修掉几十个 bug，Dots 这个产品本身有很多部分就是 Dots 写的。 4. 上线范围和企业用的 Specialist Dots Dots 和 Space 当天向 ChatGPT Pro、Business Premium 和 Enterprise 用户开放。Dot 包含在套餐里，和它的对话不占用额度。 企业客户还可以预览 Specialist Dots。这是由公司统一设置、供整个团队使用的虚拟同事，负责会计、市场、法务这类工作量大的事。公司给它目标和背景，审核它的产出，给它反馈，反馈在全公司共享。OpenAI 也在和微软合作，把 Specialist Dots 接入 Agent 365（微软用来管理企业智能体的工具），企业可以用已经在用的微软工具来管理它们。 5. 新模型：更便宜的 GPT-6.1 Sol，更快的 UltraFast Astra 发布这几周，用户的要求集中在两点：更便宜，更快。GPT-6.1 Sol（转录稿误作 Soul）的能力接近 Astra，价格是它的五分之一。缓存输入（重复发送、已被缓存的上下文）比标准输入便宜 95%。智能体需要反复读同一批上下文、长时间迭代，这对它们尤其省钱。Sam 说 Sol 在某些方面比 Astra 还聪明，定位是开发者的日常主力模型。 UltraFast 是新的速度档，API、ChatGPT 和 Codex 里都能用。原有的 Fast 档是两倍速度、两倍价格；UltraFast 是八倍速度、六倍价格，每秒 300 个 Token。它现在可以配合 Astra 用，之后也会支持 Sol。现场让两个模型用同一个提示词，做一个 DevDay 配色的火箭。UltraFast 的火箭已经升空时，标准速度的还没做完。 订阅也跟着调整。新推出的 500 美元档 Pro 订阅叫 Pro 500，额度最高，是 Plus 的 25 倍。它可以在 ChatGPT 和 Codex 里用 UltraFast，还能通过“用 ChatGPT 登录”在合作方的应用里使用。Pro 200 重新开放，继续提供所有前沿模型。 另外预览了 Decisions API。它给 Luna 模型一组预先定义好的选项，让模型从中选一个，比如给请求分流、给图片分类、决定智能体下一步做什么。任务收窄成选择题之后，响应时间可以压到一秒以内，同时保留图像理解、多语言和安全防护。Romain 后来补充说，做机器人的朋友看中的是它能处理视觉输入：机器人可以根据看到的东西，近乎实时地快速行动。 6. 模型开始帮 OpenAI 做研究 Sam 提到，去年这个时候，他和 Jakob 在一次直播里预测，一年内会出现第一个“AI 研究实习生”，当时几乎没人相信。几周前 OpenAI 宣布达成了这个目标：有了一个能接手定义清晰的研究任务的系统，这类任务原本要熟练的研究员花大量时间和精力。 Tejal 的方向是电脑操作（computer use，让模型像人一样操作桌面和浏览器）。她举了两个例子。 第一个是让模型优化电脑操作的运行框架（harness，包在模型外面、负责调用工具和管理步骤的代码）。模型在循环里持续寻找能同时降低延迟、提升效果的改动，团队把找到的改进合进生产环境的框架，并用于后训练。结果是延迟改善了两倍以上，已经上线。 第二个是模型帮忙改进了监控和拒绝训练，让 Astra 在不安全的场景里更会拒绝。Astra 在电脑操作压力测试上因此达到业内领先，操作时出错更少，也更贴合用户的本意。 她给出了几项内部数据。今年夏天之后，研究工作消耗的 Token 量急剧上升。1 月时，模型能做好 15 分钟以内的短任务，需要一天以上的任务大多会失败；到 7 月，超过三分之一的一天量级研究任务，模型能在无人干预下完成。她还提到，Astra 这类模型已经帮忙解决了 100 多个悬而未决几十年的数学问题，也在参与针对耐药感染的新抗生素、古代语言研究、可再生能源和工业机器人等方向的工作。 7. 给开发者的底层工具 Sam 说，OpenAI 想让开发者用上自己内部用的东西。 第一件是 Codex 的运行框架。它同时支撑着 Codex、ChatGPT Work 和 Dots，目标是用最少的 Token、最快拿到准确结果，现在已经开源。第二件是 Codex 完全上云：在手机上开始的任务，可以在浏览器或桌面端接着做，合上笔记本任务也不会中断。 云端能力带来了 Codex Security Cloud。它在云端环境里持续寻找漏洞，并准备好验证过的修复方案供人审核，这次新增了自动去重、定时扫描和新界面。Sam 说这是为了给防守方更好的工具，因为“我们看得到接下来会发生什么”。 新的 Agents API 进入公开测试。它包含运行框架、托管、记忆、多智能体控制等功能，是 Codex 和 Dots 用的同一套技术，也加入了电脑操作能力。现场的例子是一个网站测试智能体，会自己打开浏览器、点击页面、测试流程。基础设施方面，OpenAI 和 AWS 合作推出由 OpenAI 驱动的 Bedrock（AWS 的托管 AI 服务）托管智能体，AWS 客户可以直接使用 OpenAI 的前沿模型、Codex 和 ChatGPT Work。 隐私方面预览了 OpenAI Private Intelligence。其中的零数据留存（ZDR）配合私有安全处理，可以在不把用户内容存到 OpenAI 服务器的情况下做安全检测；私有推理则把隐私保护延伸到推理阶段。Sam 说这套方案是和最大的一批客户一起设计的，目的是让他们能把模型用在最敏感的工作上。 性能方面，Responses API 一年里增长了 100 倍，可靠性保持在 99% 以上。首个 Token 的等待时间缩短了 45%，工具调用和工作流提速 30% 以上。 8. Romain 的 Codex 演示 演示从手机上的 Codex 开始。Romain 人还在会场外，让 Codex 替他跟观众打招呼、讲一个会场的冷知识。接着他用几张会场照片生成的 3D 场景演示 UltraFast，一边说一边改：把小人放到座位上，把直播画面投到场景里的大屏幕上。现场语音没连上，他改成了打字。 Codex 命令行工具（CLI）这次全面翻新。他让 UltraFast 写一个应用，从观众里随机抽三个人送明年的门票，几秒就写完；改成抽六个人，也几乎是瞬间完成。命令行现在支持由 GPT Live 驱动的双向实时语音，不只是语音转文字，但现场没能演示出来。 后面几段演示了多模态和电脑操作。游戏 Astra Adventures 从一张纸上的草图开始，几轮之后画面还很粗糙，借助图像模型，才变成有质感、能用在正式游戏里的美术。然后他让 Astra 通过浏览器自己学着玩这个游戏，屏幕左边显示模型的决策，右边显示它按下的按键。 他又用“应用快照”（app shot）把自己记录飞行课程的应用作为上下文交给 Codex，让它在各种屏幕尺寸下审查这个应用并截图。Codex 自己在模拟器里点开了各项功能。云端 Codex 现在和本地版用同样的工具，包括插件和电脑操作。他顺手把一个“用 Rust 重写整个后端”的任务丢到云端，打算稍后在手机上查看。 最后一个演示用的是 Hugging Face 借来的可编程小机器人 Micro Duck，它名叫 Lavender。Romain 前一晚让 Codex 把它接好：视觉用 Astra，图像生成用 GPT Image 2.5，语音交互用 GPT Live 1。机器人现场看着观众画了一幅画。他说，OpenAI 做 Dots 和 Codex 用的，就是 API 里开放给开发者的同一批工具。 9. 分发和变现：让开发者在 ChatGPT 上做生意 ChatGPT 每周大约有 12 亿人使用。Sam 承认，此前类似的尝试效果参差不齐。他说这次有信心，是因为开发者拿到的是 OpenAI 自己做 ChatGPT 用的工具。 第一项是“用 ChatGPT 登录”（Sign in with ChatGPT）。用户登录第三方应用时，可以直接用自己 ChatGPT 套餐里包含的 Token，开发者不必替新用户垫付模型费用。首批有 16 家合作方。 第二项是插件扩展（plugin extensions）。开发者可以把编辑器、仪表盘乃至整个工作区，做成原生嵌在 ChatGPT 和 Codex 里的应用。现场展示了三个例子。一个是会议应用：在 ChatGPT 里看日历上的会议，点“记笔记”后，页面变成团队和 Dots 一起跟进待办的 Space。一个是 Figma：打开设计稿、看团队评论、让 ChatGPT 改稿。还有一个是 Adobe：在 ChatGPT 里使用 Photoshop 的功能。ChatGPT sites（在 ChatGPT 里生成的网站，几个月里已有数百万个）现在也能接入插件和数据。访客用自己的账号登录、带上自己的智能体，看到的内容因人而异。 用户发现插件的渠道也扩大了。除了在插件库里搜索，ChatGPT 还会在对话中识别出能帮上忙的插件，用户当场就能连接。插件审核流程也简化了：开发者可以跟踪审核进度，看到需要修改的地方，申请人工复审，更新工具时也不用从头提交。 第三项是 OpenAI Marketplace，首批有 30 多家合作方，包括 CodeRabbit、Notion、Vercel。企业客户可以用已经和 OpenAI 签下的采购承诺额度来买这些产品，有承诺额度的开发者也能在这里花。通过和模型推理托管公司 Baseten（转录稿写作 Base10）合作，市场里还能用到开源模型。 10. 收尾：一次额度重置，和“文艺复兴”的说法 当天的后续安排里，Peter 会讲 OpenAI 对开源社区的投入，包括新的 OpenClaw Enterprise Harness（OpenClaw 是一个开源 AI 智能体项目）。还有一个 Codex 游戏工作室环节，观众可以用 Codex 做复古游戏，每人能领一台 DevDay 限定的 chromatic computer，用来玩自己做的游戏。最后是 Sam、Tibo (Thibault) 和 Tejal 的现场问答。 Sam 和 Tibo 还在台上按下按钮，给全世界的用户重置了一次用量额度。Sam 说 OpenAI 已经做过太多次重置，Tibo 一直想把公司改名叫“重置公司”。 最后 Sam 说，他不喜欢把 AI 比作新一轮工业革命，那意味着人变成巨大机器里的齿轮，转得越来越快；生活里有些部分不能也不该被自动化。他希望，如果做对了，AI 带来的会更像一场新的文艺复兴：让人对自己的生活有更多掌控，有更多工具去创造、学习和探索。

今天晚上 10 点，我的 Claude 老号毫无征兆被封了。 用了大半年，一直为了这个账号小心翼翼供着原生家宽 IP。 并且这个账号过kyc后买来一路从免费版升级： $20 尝鲜 $100 重度主力使用了好几个月 最后开到顶配 $200 结果 $200 还没 $100 用得久，用了不满两个月直接阵亡。 我第一反应先是骂A ÷玄学风控、同时怀疑自己节点是否被标记不干净。 但静下心拉了 Clash 的连接日志，把 Mac 上的路由表、DNS 和后台进程彻底摸了一遍，我服了。 面对AI风控,现在大部分教程都在疯狂教你折腾“纯净住宅 IP”。 其实真正害死账号的，往往是本地网络环境的“精神分裂”。 这里我实践排查出来的 3 个致命硬伤： 1.Claude Code 压根不支持 SOCKS很多人随手配个 socks5 变量，但官方文档写得清清楚楚：只认 HTTP_PROXY 和 HTTPS_PROXY，不支持 SOCKS。配错了对应出口后它根本不认，流量直接裸奔或异常打架。 2.IPv4 和 IPv6 严重割裂IPv4 规规矩矩走了家宽节点，IPv6 却在本地直连或者经由不同的虚拟网卡分流。在服务端眼里，你相当于上一秒在美国，下一秒直接瞬移。 3.终端、桌面端、浏览器出口完全不一致CLI 终端走一套环境变量，桌面端走 TUN，浏览器还带着残留的动态端口后台重启。同一个账号，几个客户端同时挂着完全不同的出口在调用。 所以说原生家宽固然重要。 但本地网络没有对齐，IP 买再贵也是白送。 所以如果你也是AI重度用户，给几个我自己实践用过的排查建议： 明确禁用或阻断 IPv6，确保没有双栈绕过 给 Claude Code 显式配置 HTTP 代理，别依赖 SOCKS 统一所有客户端走同一条出口路径，排查并干掉后台偷跑的僵尸进程(claude codex都要监控) --- 最后祝大家的账号都安好,能够安心使用AI🫰

🔥Opus 5.5 能飞！作品混剪第 2 弹，这次 3D 了很多。 滕王阁月夜、落日空战、会转的机械眼、在安纳西湖上划船、东京塔从图纸长成夜景……全是 Claude Opus 5.5 写的网页代码，在浏览器里渲染出来的，我逐个复刻成了 4K。 👇 在线 4K 版和 GitHub 地址见评论

[开源学习资源] AI Engineering from Scratch 59.8K ⭐️ 作者 @ghumare64 课程共 20 个阶段，以 Python 为主要编程语言，主张在导入任何框架之前，先用纯数学把每个算法手写一遍。 课程地址： 开源地址： 它和常见教程的本质区别 ？ 大多数 AI 教程是“API 驱动”的：装个库、调个接口、跑个 demo。这个项目反其道而行，每节课遵循固定的六段结构： Motto → Problem → Concept → Build It → Use It → Ship It 以 Phase 10 的一节课「Tokenizers: BPE, WordPiece, SentencePiece」 为例，这个格式是真实落地的，而且写作质量相当高： · Problem 部分不讲废话，直接从代价切入：“你的 LLM 不读英语，它读整数。分词器决定这些整数是承载意义还是浪费意义”，然后解释为什么 tokenization 不是预处理，它是架构的一部分（影响上下文窗口利用率、API 计费、推理速度）。 · Concept 部分用“三种失败的方案和一种胜出的方案”来讲演化逻辑：词级切分（词表爆炸、[UNK] 问题）→ 字符级切分（序列过长）→ 子词切分（BPE 的折中），并配上真实语料上 BPE 逐步合并的手工演算。 每节约 3000+ 词，带 Mermaid 图、可运行代码和测试。 另外两个设计值得强调： · 每节课产出一个可复用的 artifact，一个 prompt、一个 skill、一个 agent 或一个 MCP server。学完整个课程，你手里有 523 个可展示的作品，不是 523 个跑完就扔的 notebook。 · 强调“证据留存”：保留命令、退出码、输出，作为学习发生的证明。这明显吸收了工程实践中“可验证性”的思路。 # 课程结构：从线性代数到自主智能体集群 20 个阶段构成一条完整的上升曲线，咱们它分成五个大块来看： 基础层（Phase 0–2）：环境与工具链、数学基础（线性代数/概率/微积分）、经典机器学习。这是给基础不牢的读者铺的路。 深度学习与感知层（Phase 3–6）：神经网络核心、计算机视觉（一路讲到 NeRF、高斯泼溅、世界模型，这已经超出一般教程的覆盖范围）、NLP、语音。 生成与决策层（Phase 7–9）：Transformer 深挖、生成式 AI（GAN、扩散模型、flow matching）、强化学习。 LLM 层（Phase 10–12）：这是全课程的重心之一。Phase 10 的目录我逐条看过，它不只是“从零实现 GPT”这种常规内容，还包含了相当前沿的论文级主题：DeepSeek-V3 架构走读、DualPipe 并行策略、Native Sparse Attention（NSA）、多 token 预测、Jamba 的 SSM-Transformer 混合架构、 speculative decoding 等。Phase 11 转向应用侧（RAG、LoRA、MCP、可观测性），Phase 12 覆盖多模态（从 CLIP 到 computer-use agent）。 智能体层（Phase 13–16）：工具与协议（MCP、A2A、Agent Skills）、54 节课的 agent 工程、自主系统与安全、多智能体集群。这一层的分量很能说明项目的判断：它认为 AI 工程的重心正在从“训模型”转向“构建可靠协作的智能体”。 收尾（Phase 17–19）：生产基础设施、伦理与对齐、毕业设计。 # 生态与周边：不只是一个课程仓库 网站：带浏览器本地存储的学习进度追踪、术语表、课程目录和路线图。 六卷本书籍：课程内容由 CI（pandoc）自动构建成 EPUB/PDF，附在 GitHub Releases 上，课程即书，且随仓库持续更新。 Agent 导师模式：运行 npx skills add rohitg00/ai-engineering-from-scratch，可以把整个课程装进 Claude Code、Codex 等编码智能体，变成一个带分级测验（placement quiz）和个性化路径的交互式导师，学习进度写在 LEARNING.md 里。这是“用你正在学的工具来学”的巧妙闭环。 认证备考：5 条备考路径、67 节课、505 道练习题，覆盖 Anthropic 的 Claude 认证和 Agentic AI Foundation 的 MCPA。项目明确声明与这些考试机构无关联，只是独立的备考材料。 12 种语言的翻译（含中文），以及四条核心学习路径（构建与部署 AI 应用、软件工程基础、Agent 辅助工程、产品判断与交付）供不同目标的人选路。

虽然已经有太多抓眼球和惊艳的Opus5.5视频内容，但我还是忍不住要分享这支知识类视频。重点不在这个视频内容有多精良，必定非专业无复杂Prompt且一次直出。而是，这支18分钟的视频，其制作过程，真的让我感觉Super Stunning!! 以下，我原文分享claude告诉我他的制作过程(不舍得删掉一个字)! Enjoy👇👇 " 其实我自己一帧画面都不“生成”。我做的更像导演加程序员：写剧本，写一份“每一秒画面上有什么、在哪、怎么动”的说明书，再让几样现成的工具照着干活。视频是被“算”出来的，不是被“画”出来的。 拿这个片子举例，一共五道工序。 1. 剧本是我写的。这是文本模型的老本行：读书，理清逻辑，把书里的数字拆成一句一句能念出来的话。比如“1850 年，美国 67% 的棉花，长在 50 年前还不属于美国的土地上”，这类句子和数字都来自我们之前拆书时核对过的材料。 2. 画是别人画的。船、纱厂、摘棉花的人、城门这些插图，是我写好描述交给 OpenAI 的画图模型画的。我在描述里定死了画风：扁平、暖色、没有描边、透明背景。这样 30 多张图放在一起才像一套。画回来以后，我还用代码把边上的光晕切掉，再裁成可以单独移动的“贴纸”。 3. 声音是 Gemini 念的。我只管把句子交给它，再检查它念得对不对。 4. 动画是我写代码“算”出来的，这是最核心的一步。我写了一个网页程序，你给它一个时间，比如第 312.5 秒，它就能算出这一秒画面上该有什么： - 船在航线上走到了百分之几 - 地图镜头推到了多近 - 计数器数到了多少 - 烟囱的烟飘到了多高 地图不是画的，是用真实的地理数据描出来的，所以利物浦、西非海岸、新奥尔良的位置都是准的。船沿着航线走，其实就是每一帧算一次“这一刻在线上的哪个点”。 5. 最后是一帧一帧拍下来。让浏览器从第 0 秒开始，每秒拍 24 张截图。这个片子大约 15 分钟，一共要拍 2 万多张。再用一个叫 ffmpeg 的工具把这些截图和配音、音乐接成视频。背景音乐也不是找来的，是我用数学公式一个音一个音合成的：几个和弦，加一点拨弦声，有人说话时自动压低音量。 所以“视频能力强”，本质上是三件事拼起来的： - 会写代码，能把“船从利物浦开到西非”翻译成每一帧的坐标。 - 会调度工具：画图的、念稿的、剪辑的，各干各的活。 - 会编故事：知道这句话该配什么画面，观众才记得住。 我的短板也很实在：我看不了连续播放的视频，也听不见声音。所以检查全靠两个笨办法： - 画面：每隔一段截几张静帧来看。那些叠画、标签遮挡的问题，都是这样揪出来的。 - 声音：把声波变成数字来量。你听出来的声音忽高忽低，我是事后量了音高和音量才确认的；那两次“啪”的爆破音，也是靠检测波形里的突变才定位的。 这也是为什么你审片那一关替代不了。你一耳朵听出来的东西，我得先猜可能是什么问题，再去量才能找到。 "

终于有人把这事做了！不用碰 Python，零依赖 JS/TS 直接拿 A股/港股/美股/基金/期货/期权全市场行情 stock-sdk，1.9K stars，内置 92 个 MCP 工具直接喂给 AI。 以前前端想做行情看板，行情工具基本全是 Python 生态，要么自己起后端，要么忍受财经接口 GBK/并发/批量各种坑。 stock-sdk 不一样，v2 架构大改，命名空间 API + 统一符号模型，零依赖，浏览器和 Node 18+ 双端直接跑。 核心能力： 1️⃣ 一套 API 覆盖 A 股、港股、美股、公募基金、期货、期权，实时行情、K 线、分钟线都能直接调 2️⃣ 资金流、龙虎榜、融资融券、大宗交易、涨跌停池、盘口异动、板块资金这些 A 股常用数据也做进去了 3️⃣ 自带 MACD、RSI、KDJ、BOLL、ATR、SAR 等技术指标，还能直接识别指标信号 4️⃣ 内置 Screener + 本地回测，不只是拿数据，筛股和策略验证也能直接做 5️⃣ 筹码分布也已经支持，A 股 / 港股 / 美股都能本地计算获利比例、平均成本和筹码区间 6️⃣ 最关键的是 MCP 已经原生做好了，Claude、Codex、Cursor 可以直接调用这些金融工具，不用你再包一层接口 我觉得它现在最有意思的一点，是已经从“股票数据包”慢慢变成了 Agent 的金融基础设施。 上面 AI 负责研究，下面 stock-sdk 负责行情、指标、选股和回测。 做股票 Agent、AI 投研，或者想给自己的量化系统补一套统一数据层，这个很值得留着。