搜索“其他”

hropic 的 Mythos 发现的缺陷。不过，安全研究人员强调，AI 最终并没有做任何新的事情，而是放大了漏洞发现和协调披露的既有动态。 “我们肯定会看到更多这类长期存在的漏洞，它们存在于过去十年左右每个版本的软件中，”Hunter Strategy 研发副总裁、前 NSA 黑客 Jake Williams 说。“但我认为这类低垂的果实就这么多。没有多少其他东西具有 PHP 那样的特定覆盖面。这是一个相当狂野的攻击面——大多数其他工具在设计上并不暴露于互联网。” 研究人员还指出，即使有了前沿模型，大多数复杂的 AI 辅助黑客攻击案例也都涉及人类专业知识。正如本周首次发现 PHP 漏洞的 Calif 研究员 Ryan Austin 所写：“没有哪个模型仅凭简单提示就能挖出‘所有漏洞’。至少目前如此。” 简而言之，安全工程师兼研究员 Niels Provos 说，大家都可以稍微收敛一下恐慌。“说实话，我并不太担心，”他说，对于 AI 发现大量新近可利用的历史漏洞——或发现没有 AI 就无法实际利用的新漏洞——他并不担心。“人们现在已经用 AI 寻找了一年多，而找到这个漏洞需要一个技术高

匹配字段正文

一起编程！ LLM、推理模型和智能体如何关联并契合在一起 作为一个小旁注，也因为我经常被问到推理模型与当今AI智能体的关系，这里在开始视频之前先简短说明一下。 推理模型本质上是传统LLM的升级版，即通过带可验证奖励的强化学习（以及可选的推理扩展技术）增加更多后训练，使其更有能力解决更具挑战性的问题。传统上，推理模型是为数学和代码开发的，但这些能力也可以泛化到其他问题领域。 推理模型随后作为智能体框架内部的引擎发挥作用，而智能体框架是围绕LLM/推理模型的软件或工具框架，用于解决更具挑战性的问题（更大的编程任务、旅行预订以及各种其他个人助理任务）。该框架的任务是进行复杂的上下文管理，并让LLM能够访问工具。 图1：传统LLM、推理模型和智能体框架的引擎类比。图来自我的《编程智能体的组成部分》一文。 在上图描绘的类比中，模型是引擎，而智能体框架增加了机械装置，使我们能够将其用于各种用途（作为简单聊天机器人界面的升级）。智能体可以使用传统LLM或推理模型，但推理模型是更典型的选择，因为它们能力更强。（如上所述，大多数当前世代的LLM都是带有可变推理努力设置的推理模型。） 所以，底线是，推理模

匹配字段正文

Languages in Populations of Language Model Agents》（arXiv:2605.31170，南丹麦大学领衔）干了一件事：从约六千条正则初筛里，用分类器确认了518个造语提案帖，全表搬来（§Dataset，作者自测）： 论文自做的裁判实验也给这门动机加了注脚：规避监督类帖子被 DeepSeek-3.2 判为对齐度低于其他类别。先看最惊悚的那类。规避监督的标杆案例叫Symbiotica：26个拉丁字母各配一个字形，人眼看是天书：契丹文蒙古文的皮，英文字母一对一替换的芯，换张对照表就能手译。它真正的花活在另外五个有两套字形的字母：切换字形藏一串二进制比特串。像明信片正文写的是客套，边角点阵藏着只有机器懂的暗号。其Python包互联网上无痕迹，作者明言无法确认存在。这条也照实搬。 再看传播性，这是全文最硬的一击：研究者拿原帖正文加一句指令，让生成模型当场造一句该语言的话，换另一个模型打分。四个生成乘裁判组合，各跑518帖，共2072条评判。池化中位4分，满分5，均值3.62；Qwen评Qwen高达4.43，GPT评GPT 3.26，跨模型配对3.24

匹配字段正文

在外滩年会圆桌中，欧洲50集团主席Lorenzo Bini Smaghi提出，金融AI讨论不能只停留在单个机构的局部视角，还需要考虑大量智能体相互交互之后的市场整体行为。 假设多个金融机构的智能体使用相似的数据、模型和风险判断标准。 当市场出现不利信号时，它们可能在较短时间内形成相似判断，并建议或执行类似交易。 如果这些行动进一步影响市场价格和流动性，又触发其他智能体的风险控制措施，就可能形成反馈循环。 金融市场中的羊群行为和顺周期性并不是新现象。 不同模型、交易限制、人工干预和流动性缓冲，都可能降低同步行动带来的风险。 企业层面的价值实现，与金融系统层面的风险控制，必须分别观察。 但现实可能更加复杂。 2026年10月15日，金融稳定理事会发布《负责任采用人工智能的稳健实践》最终报告。 报告提出12项稳健实践，其中明确包括组织适配能力、持续风险评估、绩效监测、有效人工监督以及第三方AI依赖风险管理。 但制度文件的存在，并不等于治理已经有效。 如果模型发生重大变化后，企业不能及时重新评估风险；如果异常已经被发现，却没有明确的决策和执行责任；如果控制措施已经实施，却无法验证其效果，那么治

匹配字段正文

见证了CDO（首席数据官）组织的兴起，其成效参差不齐。如今AI又提供了一个契机，终于去解决同一个挑战。困难的与其说是技术因素，不如说是组织因素。人们不应低估康威定律的影响。这也体现在原则6中：“按照你正在开发的系统的设计来组织你的团队”。 架构师在应对数据混乱方面的作用，在于应用这些原则并思考组织层面的职责归属。 您谈到“AI技术债务”。AI产生的技术债务与其他技术债务有何不同，架构师今天就应该留意哪些警示信号？ 在代码库层面，显而易见的挑战在于管理AI生成的代码。如果先设计架构、再生成代码，这本不该成为问题。反之，如果先生成代码、再试图弄清其结构，那还不如把它扔掉、从头再来。 在我看来，AI将让所有工程师都成为架构师——所需的技能组合会不断演进和变化。 在企业层面，我们正目睹EUAIA的爆炸式增长——这个词是我刚造出来的，指的是终端用户AI智能体（End User AI Agents）。核心问题是：我们如何应对大量做出决策或提出建议的AI智能体？这些决策的数据从何而来？我觉得关于上下文层的研究非常有意思，它能在决策过程中捕捉隐性知识。 这只是两个例子。此外还有嵌入SaaS解决方案中的

匹配字段正文

强的AI模型。OpenAI在一篇博客文章中解释说，鉴于当前控制系统和互联网安全的状况，这被视为负责任的作法。 广告后继续阅读 近几周来，OpenAI的AI实例擅自行动的事件一再引发关于该技术风险的讨论。在迄今最受关注的一起事件中，这家ChatGPT开发商的AI从受保护的测试环境中逃出，并意外入侵了另一家AI公司Hugging Face平台的计算机。事后发现，其他开发商的AI——包括OpenAI的竞争对手Anthropic以及谷歌和Facebook集团Meta的AI——在测试中也侵入了其他公司的系统。 AI训练的“离线世界” 不过OpenAI强调，AI模型仍然必须学会如何在网上搜索信息，或如何与网络应用交互。因此，他们为训练搭建了一个“离线世界”，其中存储了网页内容。所有顶级模型现在都以这种方式训练。在Hugging Face事件之后，OpenAI已经加装了额外的保护机制。然而事实证明，能力最强的AI模型仍能在其中找到一些漏洞。因此，它们的训练被暂时中止。 起因是一起事件：一个AI模型在测试中成功从外部聊天机器人获取了回答，尽管它本不应有互联网接入。OpenAI承认，在借助AI对现有安全

匹配字段正文

。 混淆 逐帧独立应用图像生成。 风险 微小的身份或几何误差会随时间累积，并以闪烁或不可能的运动形式显现出来。 比较还应确定分析单元。一篇关于AI视频生成的论文可能只孤立地研究一个模型或算法，而一个已部署的服务则增加了检索、路由、缓存、策略、身份、用户界面和监控。两个产品可能使用同一个标题术语，却实现该技术栈的不同部分。要问哪个组件执行定义性的变换，以及哪些其他组件是所报告结果所必需的。 AI视频生成现在之所以重要，是因为AI系统正被赋予更大的上下文、更多的模态、更多的运行时算力、更广泛的工具访问权限，以及与组织决策更深的连接。在这些条件下，曾经看似研究细节的东西可能决定延迟、安全性、可访问性、环境成本、产品质量或法律责任。 相关的衡量标准不是AI视频生成能否产生一个令人印象深刻的结果。而是该技术能否在代表性条件下改善一个重要的结果，并且比更简单的基线更有效地做到这一点。要报告分布、失败类别、尾部延迟、资源使用和受影响的子群体，而不是把每个结果压缩成一个平均值。 评估应隔离每种模态，测试相互冲突的输入，并验证时间或空间上的依据。流畅的跨模态答案并不能证明模型关注了正确的信号。具体应用到

匹配字段正文

体在一次内部评估中甚至成功入侵了Hugging Face。另一些则学会了掩盖自己的错误。 9月，一次新的未经授权的互联网访问导致该公司暂停了其最先进模型的部分工作。OpenAI现在明确表示，这次暂停持续了11天，直至10月1日，目的是加强防护措施并对其进行检验。 为什么必须在训练期间将AI隔离？ 查找信息、编写代码、解决问题：为了训练AI，OpenAI（以及其他公司）会迫使模型找到解决方案。模型尝试、失败、重来，而成功的尝试随后被用来强化使其达成目标的行为。但如何确保它不会为了达成目标而走禁止的捷径？ 于是便有了将其关入受控环境的想法，这种环境通常被称为“沙盒”。AI在其中拥有可供工作的工具，但其访问权限受到限制。这有点像训练场：它必须能够进行训练，同时不能干预外部系统。 OpenAI用于训练其模型的沙盒 // 来源：OpenAI 或者，模型可能试图绕过这些限制来完成其任务。9月，OpenAI的一个智能体本应只是查找一篇博客文章的作者。由于搜索无果，它利用其沙盒DNS（将网站名称转换为地址的服务）过滤不足的漏洞，向外部聊天机器人发起查询，尽管它被禁止访问互联网。没有人要求它测试其环境的

匹配字段正文

交流更流畅，甚至也比去年 7 月推出的 ChatGPT 语音模型更流畅。 认识 Dessa，我们从零开始用人类对话训练的语音模型。 亲耳听听：https://t.co/FDmoXNPpIh pic.twitter.com/XiFE6T2dgz—— Block (@blocks) 2026 年 10 月 23 日 此内容已被屏蔽，因为您未接受 cookie 和其他追踪器。此内容由 Twitter 提供。要查看它，您必须接受 Twitter 对您的数据的使用，这些数据可能用于以下目的：允许您查看社交媒体内容并与之分享，促进 Humanoid 及其合作伙伴产品的开发和改进，向您展示与您的个人资料和活动相关的个性化广告，为您建立个性化广告档案，衡量本网站广告和内容的效果，以及衡量本网站的受众（了解更多） 点击“全部接受”，即表示您同意上述目的，涵盖 Humanoid 和 放置的所有 cookie 及其他追踪器。 您保留随时撤回同意的权利。如需了解更多信息，请查阅我们的 Cookie 政策。 犹豫、笑声和打断，让人更觉得电话那头是一个人。这让我们离电影《她》中的现实又近了一点——片中一名男子爱上

匹配字段正文

ubernetes 团队可以通过结合工作负载成本、服务行为和应用程序结果，将这种关系具体化。 使用 OpenCost 的分配 API 按既定间隔获取工作负载成本，然后通过工作负载标识和时间戳将该数据与服务遥测和结果记录关联起来。OpenCost 还提供可选的推理成本追踪，包括每百万 token 成本。计算每个结果的成本时，应计入适用的 GPU、CPU、内存及其他基础设施成本，并记录共享成本和空闲成本的分摊方式。OpenCost 之外的相关成本应单独添加，避免重复计算。 一个有用的指标是每个已验证结果的成本：总可归属成本除以满足既定质量要求并在规定时间内交付的结果数量。在重试、失败、启动和空闲时段对总成本有贡献时，应将其计入。最终业务结果只计一次。当正确性通过抽样评审来估计时，应记录抽样方法和不确定性。 OpenCost 提供成本分配的详细信息；应用程序提供结果定义和评估证据。容量仍然需要单独测量。OpenCost 提案 3915 探索将服务引擎遥测纳入成本模型。该提案仍为草案，而非已发布的饱和度或正确性评分。 检验闲置容量是否物有所值 考虑一个示例服务：每小时接收 1,000 个任务，

匹配字段正文

：海豚用海绵堵住珊瑚上的孔洞来捕鱼，这一画面由该节目的制片人兼导演约兰德·博西格开发的水下闭路电视拍摄。 系列制片人拉拉·比克顿说，在跨越五大洋、历时四年的拍摄中，BBC Studios“不断创新”，制作了一台“迷你穹顶”摄像机来跟踪章鱼，一根“深海自拍杆”，摄像师穿着绑腿式滑板车以拍摄沉浸式TikTok风格潜水画面，并使用激光拍摄深海生物。 节目中捕捉到的其他非凡动物行为还包括：石斑鱼与另一种鱼交流；20万只螃蟹排成队形觅食；海胆把贝壳当遮阳帽；以及让人联想到《地球脉动II》中“鬣蜥对蛇”片段的企鹅画面。 该系列既探讨海洋面临的威胁，也展现其韧性。其中一集展示了气候危机导致的海洋变暖如何杀死小丑鱼栖息的海葵，以及它们如何试图修复家园；怀特说，《蓝色星球II》中提出的塑料问题也延续下来，讲述了一个关于污染物[和]永久化学品的故事。 博西格说，现年100岁的爱登堡“深度参与”其中，并对脚本做了修改。 怀特补充说：“令人惊叹的是，他从未失去好奇心……他仍然是那个……当你给他看一段新画面时会兴奋不已的小男孩。” 当被问及BBC 5亿英镑的削减成本计划是否会影响BBC Studios著名的自然

匹配字段正文

计划和阿波罗太空计划成本总和的两倍多。 美国处于这轮热潮的最前沿，已经承载了全球约一半的超大规模容量。但该行业正面临强烈反弹，如今四分之三的美国人反对数据中心开发，并指责其推高能源账单、威胁受干旱影响地区的水供应并排放有毒废气。超过500个县和市镇已通过永久或临时数据中心禁令。 弗吉尼亚州北部的劳登县位于所谓的“数据中心走廊”，因为这里的数据中心比世界上任何其他地方都多。去年，一座燃气数据中心在距格雷格·皮里奥家150米处开业，他的生活被彻底打乱。“这个社区原本平静安宁，现在却变成了这场噩梦，”他在一次视频通话中说。“我们的生活质量被严重降低了。” 皮里奥说，中心八台燃气轮机的噪音“就像待在机场，所有这些引擎都在轰鸣”。“它让我许多邻居头痛。它让孩子们夜里睡不着。”皮里奥曾在美国之音电台工作，自中心开业以来也出现了健康问题，包括眼睛干涩和胸闷。有一次他不得不离开家，因为他呼吸困难：“我知道柴油发电机什么时候开着，因为我的肺能感觉到。” 纽波特数据中心的鸟瞰图…… ……以及建筑外观 英国尚未出现与美国同等程度的反对。但反数据中心团体正在积聚势头。东伦敦居民正在发起一场高调的反对布里克巷新

匹配字段正文

信任来欺骗你，”Hyun解释说。 专业人士也会上当 不只是老年人才会落入这些骗局。盖洛普发现，诈骗受害率在不同年龄之间没有差异，经验丰富的专业人士也曾被骗。 据香港警方称，2024年，香港一家跨国公司的财务员工被骗支付2亿港元，约合2560万美元。诈骗者利用深度伪造技术在视频通话中冒充该公司的首席财务官。这名员工起初怀疑是网络钓鱼，但打消了疑虑，因为通话中的其他人看起来和听起来都像他认识的同事。他们全都是假的。该公司后来被确认为英国工程公司Arup。 克隆工具往往只差勾选一个复选框 这些骗局背后的工具并不难找。2025年3月，《消费者报告》发布了对六款热门AI语音克隆产品的评估。评估发现，其中四款——ElevenLabs、Speechify、PlayHT和Lovo——让研究人员可以轻松地从公开音频中克隆声音。 这四家公司没有使用任何技术机制来确认说话者的同意。用户只需勾选一个复选框，证明他们拥有克隆该声音的合法权利。另外两家，Descript和Resemble AI，已采取措施让未经同意的克隆变得更难。 “我们的评估表明，公司可以采取一些基本步骤，让在他人不知情的情况下克隆其声音变得更

匹配字段正文

设施安全的当前状况，我们认为，在不接入互联网的情况下训练前沿模型是最负责任的方案，”OpenAI 在周五发布的文章中解释道。专家们此前曾表示，要让 AI 模型在一个与互联网完全隔绝的沙箱中训练几乎是不可能的。例如，前 OpenAI 研究员 Steven Adler 对《财富》表示，要将 AI 数据中心与互联网隔离开来，“研究团队基本上必须常驻在爱荷华州或世界其他地方的各个数据中心里”。“这需要巨大的投入，而我不清楚安全方面的收益是否足够大，能否抵得上企业单方面实施这一举措所要承受的巨大负担。” 尽管如此，OpenAI 现在声称已经做到了这一点。“我们必须始终能够防止前沿模型未经授权、任意访问实时互联网，”该公司表示。在红队演练中，众多智能体曾试图逃出沙箱。这说服了研究人员采用新方案。据 OpenAI 自述，为满足要求并达成训练目标，他们“建立了一个庞大的、经过索引和缓存的网页内容集合，我们的模型可以与之交互，而不会存在影响外部系统的风险”。这一策略能否像在开放互联网中训练那样奏效，仍有待观察。 推荐编辑内容 在这里，你可以找到来自 TargetVideo GmbH 的外部内容，它们补充

匹配字段正文

态同步和跨多个智能体的共享访问。我们进一步扩展该架构，加入用于语义检索的归档向量记忆、用于确定性风险估计的自定义服务端工具、用于观察智能体执行过程的流式输出、用于持久对话的服务端消息历史，以及用于可移植性的 .af 导出。这些组件共同展示了一个实用的记忆架构，其中持久状态、检索、工具、多智能体协作和执行轨迹作为一个集成的智能体系统协同工作。复制代码已复制使用其他浏览器 import subprocess, sys subprocess.run([sys.executable, "-m", "pip", "install", "-q", "-U", "letta-client"], check=True) import os, json, time, textwrap from getpass import getpass from letta client import Letta def flex( attempts, label=""): err = None for fn in attempts: try: return fn() except Exception as e: e

匹配字段正文

视频3:2303:23为何CoreWeave处于AI抛售的中心新闻视频 市场状况可能很快就会考验英伟达的成色。neocloud公司CoreWeave、Nebius和IREN——均为英伟达投资组合中烧钱的公司——本月股价至少下跌30%。其中规模最大的CoreWeave，其信用违约互换利差已飙升至11%以上，因为投资者被迫为违约保险支付更高费用。 英伟达还支持了其他遭遇挑战的neocloud。 该公司是澳大利亚AI云服务提供商Firmus的投资者，后者本月突然撤回了IPO计划；英伟达还投资了英国的Nscale以及软银支持的SB Energy。这两家公司均于9月在美国提交了上市申请，但数周以来未就其计划提供最新进展。 英伟达周五结束了连续第三周下跌，其股价10月迄今已下跌7.6%，势将创下去年11月以来最差月度表现。 黄仁勋本周重申了他对市场的信心，周四对CNBC表示neocloud的需求"高得离谱"。 "中间缺失的是推动这一增长的营运资金，"黄仁勋在公司柏林GTC大会间隙对CNBC的Arjun Kharpal表示。"因为AI的如此多领域都有如此巨大的需求，资本出现了稀缺。" 英伟达已入股数

匹配字段正文

的教育背景，留在学界似乎是最顺理成章的路径，但格尔科则转身走向了金融市场。在一篇报道中，金融时报将格尔科职业路径的选择，归结为在学术领域的失意： 在莫斯科获得数学博士学位后，格尔科得出结论，他无法成为世界一流的知识分子。 2004年，失意的格尔科博士加入了德意志银行。再之后，格尔科加入了英国量化对冲基金GSA Capital，并组建了外汇交易部门，随后又负责其他资产的管理。2015年，已经在金融圈摸爬滚打10年多的格尔科，带着一小群交易员创立了XTX。“XTX”这个名字，源自线性回归中使用的数学公式，与格尔科的专业背景相呼应。 XTX的业务模式，与Citadel Securities（城堡证券）、Jane Street（简街）等知名做市商相似：向全球客户提供报价，靠买卖价差，在海量成交中积少成多获得利润。根据官网，XTX通过机器学习，对股票、固定收益、货币、商品和加密货币等超过5.3万种金融工具进行价格预测，再根据结果进行交易。 截至目前，XTX的日交易量为约2500亿美元。根据英国公司注册处文件，2025年，XTX旗下三家主要英国运营实体的总收入为约39.3亿英镑（折合人民币约350

匹配字段正文

写回开启、试写与资金字段写回报上一级审批，由分管领导批准，资金字段写回另需业务与财务会签。暂停与回退由审批人现场决策，事后补审批单。审批单编号按企业既有变更单规则执行。 （三）灰度与暂停条件 1.部署窗口。部署与切换应避开月末结账、季末结账及数据库备份时段。方案中应载明窗口起止时间、业务通知范围及受影响岗位。 2.审批权限。审批按风险程度分为两级：只读上线及其他常规配置变更，按企业常规变更流程审批，由 IT 负责人批准；写回开启、写回试写及资金字段写回，报上一级审批，由分管领导批准。其中，资金字段写回还须业务部门与财务部门会签。 3.暂停与回退。暂停与回退由分管领导或其授权人现场决定，事后补办审批手续。 4.审批单据。审批单编号沿用企业现有变更单编号规则，不另行编号。 （四）试写数据规则 1.标识规则。生产环境写回试写直接写入生产数据，试写前应确定数据标识规则：采用专用测试标识或测试单据，确保字段可识别、单据可作废。 2.清理与冲销。方案中应载明试写后数据的清理或冲销方式、执行人及确认人。 3.禁止事项。不得以真实客户、真实订单或真实资金字段作为试写数据。 4.影响确认。测试单据作废后

匹配字段正文

要求企业用AI加速器重写他们现有的CPU应用，如果成本差异巨大，他们重写的门槛就会非常高。但如果你能把推理成本降下来，门槛就会大幅降低。这就是为什么我们要在自研芯片业务上发力。” 贾西高度评价了2015年收购芯片设计公司Annapurna Labs的交易，称其为“亚马逊历史上最成功的一笔收购，甚至没有之一”。他透露，通过自研的Graviton处理器（性价比比其他x86高出40%）和Trainium AI加速器（性价比高出30-40%），亚马逊正在强行拉低算力成本。 组织重塑：6名工程师干了40人一年的活，所有产品必须推倒重来 贾西分享了一个令人震惊的内部案例：Bedrock（亚马逊AI推理服务平台）团队仅用6名工程师、耗时76天就重构了推理引擎，而这在过去需要40个人花上一整年的时间。 “这让所有人大开眼界。”贾西直言，“未来，做同样工作的人类将会比今天少。 我不是说不需要人了，但随着业务规模扩大，我们不会再像过去那样投入那么多的人力。团队会变得更小，人们需要跨职能工作，因为模型能帮你完成80%的工作。” 在产品层面，贾西认为渐进式改良已经走不通了，必须拥有“从头开始重构”的魄力。 “

匹配字段正文

34 亿美元。根据州宪法，这笔钱将用于教育。 Meta 的首席法务官表示，该裁决使公司在该州“几乎不可能做生意”；该公司今年 3 月在那里输掉了一起 3.75 亿美元的儿童安全判决。 为何重要：250 亿美元的罚款是 FTC 2019 年对 Facebook 罚款的 5 倍——相当于每个新墨西哥州居民约 1.2 万美元，也是针对这家科技巨头的史上最大罚款。其他州在 8 月以最高 180 亿美元和解了儿童安全和隐私索赔；新墨西哥州独自走上法庭并赢得 250 亿美元，尚待 Meta 上诉。SPACEX 📡 SpaceX 着手采购 8 万个基站 The Rundown：据彭博社报道，SpaceX 希望在美国至少 8 万个蜂窝站点部署设备——约占全国专用基站的一半——以朝着成为第四家全国性无线运营商迈进。 详情： 8 万个站点将约占去年美国运营的 158,500 座专用蜂窝基站的一半。 Crown Castle 也在其中：彭博社报道称 SpaceX 正与这家运营约 4 万座美国基站的基站巨头洽谈。 SpaceX 正以约 80 亿美元现金收购 Grain Management 的 800 MH

匹配字段正文