yii.
← Digest
EP188 · 2026年9月21日 星期一 · 17 min read

沒有人在讀了

今天的每一則，都是在某個人停止閱讀之後才成立的。一位研究者把 proxy 架在自己手機上，才看見 936 個廣告 pixel 正在替 OpenAI 記帳；另一家大公司裡，L1 到 L7 每天工作 13 小時只為了按 Enter

每天花 1% 的時間，掌握科技脈動。

今日金句#

“The mechanism is standard adtech. What has no precedent is running it on an AI chat product.” 「這套機制就是標準的廣告技術。沒有前例的是，把它裝在一個 AI 聊天產品上。」 — Buchodi, 獨立資安研究者（來源）

“Nobody is reading anything. Everyone, from an L1 to an L7 engineer here, is doing the same thing. Talk to Claude.” 「沒有人在讀任何東西。這裡從 L1 到 L7 的工程師，每個人都在做同一件事：跟 Claude 講話。」 — voxium (@v0xium), 某大型公司在職工程師（來源）

“GDPR didn’t spread because Europe is heroic. GDPR spread because Brussels is what fills the room when Washington leaves it.” 「GDPR 會擴散不是因為歐洲英勇。是因為華盛頓退出房間之後，補上那個位置的是布魯塞爾。」 — Mat Duggan, 部落客（來源）

今日主軸：沒有人在讀了#

今天的頭三則新聞，表面上一則講廣告追蹤、一則講歐盟法規、一則講模型備份，實際上講的是同一件事：當沒有人在讀，事情就會這樣發生。一位化名 Buchodi 的研究者把代理伺服器架在自己手機上，逐筆拆開 932 個 token，才發現 OpenAI 的廣告 pixel 已經鋪在 1,029 個網域上，把他的郵遞區號用明碼送回去，連登出狀態都照送。這件事沒有被藏起來，它只是沒有人去讀。Mat Duggan 那篇談 GDPR 的文章講的是同一個機制的另一面：滿街的 cookie 同意視窗不是法規的設計失誤，是業界刻意做成讓你讀不下去的樣子，你讀不下去就會按「全部接受」。而 Simon Willison 引用的那則工程師吐槽，把這件事推到最後一格：一家大公司裡規格、程式碼、測試、PRD 全部由 Claude Code 生成，高層說寫程式不是瓶頸，於是每個人每天工作 12 到 13 小時，只為了按 Enter，然後那些東西沒有人讀就出去了。Pirate Face 把開源模型做成 BitTorrent magnet link，前提也是同一句話：沒有人在確認自己依賴的權重明天還在不在。

必讀#

  1. ChatGPT 現在知道你在別的網站做了什麼，郵遞區號還是明碼送的 — Hacker News Privacy
  2. 看誰最討厭它，就知道 GDPR 有多好用 — Lobste.rs Policy
  3. Pirate Face：把開源模型做成刪不掉的 magnet link — Hacker News Tools
  4. jj 生態系一年長成什麼樣：以前要自己寫的腳本，現在都內建了 — Lobste.rs Dev
  5. Qwen-Image-2.1 開源：生成與修圖合一，還原生支援去背 — Hacker News AI
  6. 一個沒設 Max-Age 的 cookie，讓登入 session 在手機上一直掉 — Simon Willison Dev
  7. 「沒有人在讀任何東西」：一位工程師寫下全公司只剩下跟 Claude 講話 — Simon Willison AI
  8. 用假面試釣 Rust 核心維護者，上個月已經得手一次 — Simon Willison Security
  9. RAG 死了嗎？Skills 殺死 MCP 了嗎？GitHub 的回答都是「沒有」 — GitHub Blog AI
  10. Nathan Lambert：我還是不信 AI 會遞迴自我改進，而且我說得出要看到什麼才會改口 — Interconnects AI
  11. Jev 沒開源，社群兩天做出 6 個複製品 — Latent Space AI
  12. 三星明年 HBM4 產量要翻倍，線索藏在玻璃載板的清洗量裡 — Hacker News Hardware

1. ChatGPT 現在知道你在別的網站做了什麼，郵遞區號還是明碼送的#

一位化名 Buchodi 的獨立資安研究者，把代理伺服器架在自己手機上，把 OpenAI 廣告系統的流量整個拆開來看。他發現 OpenAI 在 bzr.openai.com 跑一組廣告追蹤服務，會種一個叫 __obi 的 cookie，有效期一年，並透過一組簽章過的 JWT 綁到你的 ChatGPT 帳號。任何買了 ChatGPT 廣告的廣告主都要在自家網站裝上 OpenAI 的追蹤 pixel，pixel 一載入，這個 cookie 就連同你在那個頁面看了什麼商品、讀了什麼文章一起送回 OpenAI。他在自己手機上總共觀察到 1,029 個網域、936 組廣告 pixel，其中 12 個商業網站確實在送資料，包括 Chewy、Wayfair、ThriftBooks、Eventbrite、HelloFresh、Coursera 和 SeatGeek。

  • 那組 SDK 不只收廣告主給的資料，還會自己去頁面上撈：從 GTM 的 dataLayer、表單欄位、甚至畫面上的文字撈 email 與電話。自己撈到的有 685 筆，廣告主主動給的只有 255 筆
  • email、電話、姓名有做 SHA-256 雜湊，郵遞區號沒有，是明碼送出，而且是被撈最多的欄位（28 個站、100 次）
  • __obi 是 OpenAI 唯一一個設成 SameSite=None 的 cookie，其他像 oai-did 是 Lax，跨站會被擋掉。它在登出狀態下照樣運作：解出來的 932 個 token 裡有 196 個標記為匿名，而且這個匿名身分可以穩定超過 27 天
  • 目前只在 Android 版 Chrome 上確認成立。Safari／iOS 的 WebKit 會擋掉這個機制，桌機版 Chrome 作者還沒測

💡 為什麼重要：技術上這一套沒有什麼新東西，Meta 和 Google 做了十幾年。差別在承載它的產品。大家對搜尋引擎和社群網站早就有戒心，但很多人把 ChatGPT 當成比較私密的地方，會在裡面問醫療、債務、法律問題。當同一組 ID 能把這些對話和你在外面逛過的貸款頁面接起來，風險的量級就不一樣了。如果你自己的網站有裝 OpenAI 的廣告或成效追蹤，值得去確認一下有沒有載入 bzr.openai.com 的腳本。

🔗 閱讀原文 | 來源: Hacker News

2. 看誰最討厭它，就知道 GDPR 有多好用#

Mat Duggan 借用小羅斯福 1936 年那句「我歡迎他們的憎恨」來談 GDPR：判斷一條法規有沒有用，看誰在罵它最大聲。他主張滿街的 cookie 同意視窗不是 GDPR 的設計失誤，而是業界故意做成這樣的黑暗模式，用「怪法規」來轉移焦點。他的比喻是，把 cookie 視窗怪到 GDPR 頭上，就像把蟑螂怪到衛生稽查員頭上。文章接著用「布魯塞爾效應」解釋為什麼歐盟的法規會外溢到全世界：GDPR 2018 年上路時，全球已經有 126 個國家有某種形式的資料隱私法，而且全部可以追到 1980 年的 OECD 原則。

  • 隱私維權者 Max Schrems 2011 年還是奧地利的法律系學生時，向 Facebook 申請自己的資料，收到 1,200 頁。他的申訴四年後讓歐盟法院判定歐美之間的 Safe Harbor 資料傳輸協議無效
  • 作者用 decryptads.com 查《The Verge》的廣告供應鏈，一個有付費牆、技術上又很講究的網站，仍然宣告了 59 個廣告合作夥伴
  • 他用博蘭尼的「雙向運動」理論解釋美國為什麼卡住：市場先無管制地擴張，之後社會會有一波修正性的管制。美國停在第一階段，因為遊說已經把聯邦監理機關吃掉了

💡 為什麼重要：這篇把「GDPR 好麻煩」這個工程師日常抱怨，翻成「麻煩本身就是它在運作的證據」。對要做歐盟使用者產品的團隊，實際的合規門檻是目的限定、資料最小化、以及讓拒絕跟同意一樣好按，而不是把同意視窗做得能關掉就好。故意做得讓人讀不下去的同意流程，正是監理機關現在在盯的東西。

🔗 閱讀原文 | 來源: Lobste.rs

Pirate Face 把 Hugging Face 上採用開放授權（MIT、Apache-2.0，另外開了 Kimi-K3 的特例）的模型，全部鏡像成 BitTorrent 的 magnet link。它的關鍵設計是內建 HTTPS web seed，也就是在 torrent 裡直接寫一條指回 Hugging Face 原檔的連線，所以就算完全沒有人在分享，你一樣下載得到；只有當原檔真的被下架，才會標記成「Rescued」並改走 P2P。每一個檔案都附上 Hugging Face 官方的 SHA-256 檢查碼，讓你可以自己驗證下載到的權重有沒有被動過手腳。站上宣稱可瀏覽、可下載的模型超過 66.9 萬個。

  • 規劃中的 API 是直接相容的：把環境變數設成 HF_ENDPOINT=https://pirateface.co，現有的 Hugging Face 流程一行程式碼都不用改就會走 Pirate Face（官方標示為「soon」，還沒上線）
  • 創作者身分機制：任何人都可以先佔一個帳號名，但要拿到「Verified creator」徽章必須證明自己擁有對應的 Hugging Face 帳號，真正的擁有者可以用驗證把被佔走的名字收回來
  • 提交模型必須是 Hugging Face 上已存在、指定 revision、且 LFS 雜湊對得上的檔案，對不上或原檔消失的會進審核佇列。目前沒有發行任何代幣

💡 為什麼重要：開放權重的生態有個大家都知道但沒處理的單點風險：模型可能因為授權爭議、政策變動或平台決定被下架，而你沒有第二個來源。HN 討論串裡大家普遍同意 BitTorrent 本來就適合傳模型，比較意外的是到現在才有人正式做。質疑主要落在長期做種會不會衰退，以及同一個模型被重新量化成一堆近似版本之後會不會碎片化。如果你的產品綁死在某個開源權重上，現在就該自己留一份帶檢查碼的備份。

🔗 閱讀原文 | 來源: Hacker News

4. jj 生態系一年長成什麼樣：以前要自己寫的腳本，現在都內建了#

André Arko 在 9 月 16 日的 JJCon 2026 上，把 Jujutsu（jj）這個版本控制系統的生態系分成三層來講：jj 裡面、jj 周邊、jj 外面。最值得注意的是第一層，過去一年有一大批原本要靠社群腳本才做得到的事情，直接進了核心。

  • 進核心的新指令：jj bookmark advance（取代社群的 tug alias）、jj bisect run、jj run（在一組 revset 上跑腳本並自動 rebase）、jj fix（逐檔套 formatter／linter，不用完整 checkout，比 jj run 快）、jj tag（原生標籤管理）、jj arrange（互動式 TUI rebase）、jj converge（自動收斂分歧的變更流）
  • forge 端開始長出 jj 原生支援：GitHub 有原生的 stacked PR 功能與 gh CLI 支援，Radicle 有文件化的 jj patch 流程，而作者認為目前最接近「jj 原生 forge」的是建在 ATProto（也就是 Bluesky 那套協定）上的 Tangled
  • 「外面」那層已經有數十個第三方工具：GUI 有 gg、jayjay、lightjj，TUI 有 lazyjj、jj-fzf、jjui 等十幾個，編輯器外掛涵蓋 VSCode、JetBrains、vim、emacs、helix
  • 有一個叫 weave 的 merge driver 值得單獨看：它用 tree-sitter 做程式實體層級的合併，宣稱能把 AI agent 寫出來的變更所造成的衝突減少 95%

💡 為什麼重要：對還在觀望 jj 的人，去年那個「功能要靠自己補」的理由已經不太成立了。原生標籤、bisect、分歧收斂都進核心，主流編輯器也都有外掛。另外 stacked PR 這個工作流正在變成跨 forge 的通用概念，不再只是 jj 的怪癖。如果你的團隊每天在合併大量 agent 產生的 diff，weave 那個 95% 的說法值得自己測一下。

🔗 閱讀原文 | 來源: Lobste.rs

5. Qwen-Image-2.1 開源：生成與修圖合一，還原生支援去背#

阿里巴巴開源了 Qwen-Image-2.1，把文字生圖和圖片編輯放進同一個模型，視覺生成的部分是 32 層 Single-Stream DiT、70 億參數。最值得注意的新能力是原生透明通道：可以直接生出帶透明背景的圖，也可以把一張 RGB 照片裡的主體抽成 RGBA 透明圖層，還能在透明圖層裡改文字和表情。官方說明指出，去年 12 月釋出的 Qwen-Image-Layered 原本是專門處理透明的獨立模型，這次直接併進來了。

  • 一次最多吃 10 張參考圖：6 張人像合成一張團體照、5 件單品組成一套穿搭、10 張家具圖排一個房間配置
  • 局部編輯支援三種指定方式：畫彩色圈圈、塗抹標註，或是另外給一張遮罩圖
  • 效率靠「混合粒度注意力」：文字走 token 層級的因果遮罩，圖像生成走 chunk 層級遮罩，再加上 KV cache 重用，把輸入的參考圖和指令當成靜態上下文快取起來
  • 權重與程式碼同時放在 GitHub（QwenLM/Qwen-Image-2.1）、Hugging Face 和 ModelScope

💡 為什麼重要：對做素材的人來說，「生成」和「去背」一直是兩個工具、兩道工序。一個 70 億參數的開放權重模型如果真的能一次做完，整條素材產線可以少掉一個環節。要提醒的是，官方文章裡的 Qwen-Image-Bench 比較只有一張圖表，沒有列出數字，授權條款也沒寫在文內，所以實際表現和能不能商用都得自己去 Hugging Face 的模型卡確認。

🔗 閱讀原文 | 來源: Hacker News

6. 一個沒設 Max-Age 的 cookie，讓登入 session 在手機上一直掉#

Simon Willison 把 datasette-auth-github 這個 GitHub 登入外掛升到 1.0，起因是他發現自己的 agent.datasette.io 展示站，登入狀態老是撐不久。追下去發現外掛設 cookie 的時候沒帶 Max-Age 參數，瀏覽器就當成 session cookie 處理，瀏覽器 session 一結束就失效。問題在行動版 Safari 上特別明顯，因為它結束 session 的頻率跟你有沒有在用完全無關。

  • 修好之後他順勢把這個穩定已久的外掛升到 1.0，理由是「我在練習把穩定的外掛升到 1.0」
  • 這個外掛同時通過 Datasette 0.65.x 與 1.0ax 的測試

💡 為什麼重要：這是那種不會出錯訊息、只會讓使用者覺得「怎麼又要重登」的 bug，而且在桌機上不容易重現。任何自己寫 cookie 驗證中介層的人，都應該顯式設 Max-Age，不要依賴瀏覽器的預設行為。

🔗 閱讀原文 | 來源: Simon Willison

7. 「沒有人在讀任何東西」：一位工程師寫下全公司只剩下跟 Claude 講話#

Simon Willison 引了一則 X 貼文（原文來自 @v0xium，9 月 20 日發出）。發文的人說自己到職大公司半個月，公司名字沒提。他的描述是：規格、程式碼、測試、PRD、票、票的結案報告、各種報表，全部都是 Claude Code 生出來的。團隊裡沒有人喜歡這樣，但大家被要求盡可能多出貨。高層反覆講的是「寫程式又不是瓶頸，那你們為什麼還這麼慢」，於是大家每天工作 12 到 13 個小時，只為了按 Enter。

  • 他寫「這裡從 L1 到 L7 的工程師，每個人都在做同一件事：跟 Claude 講話」
  • 最後一句是「沒有人在讀任何東西」，意思是 AI 生出來的東西沒被讀過就核准、就出貨
  • Simon 自己沒有加評論，只把它貼出來，標籤掛了 ai-misuse

💡 為什麼重要：這是一則沒有公司名、沒有數據、無法查證的單一匿名說法，要這樣看待它。但它把一個具體的管理邏輯講得很清楚：當高層認定「寫程式不是瓶頸」，被擠掉的不是寫程式的時間，是讀的時間。而讀本來就是這份工作裡最貴、最難外包的部分。

🔗 閱讀原文 | 來源: Simon Willison

8. 用假面試釣 Rust 核心維護者，上個月已經得手一次#

Rust 官方部落格發出警告，crates.io 的安全團隊發現一波針對性的攻擊行動，鎖定 rust-lang 成員與熱門 crate 的擁有者。手法是以工作機會或專案合作為由約視訊通話，通話中誘導對方安裝假的音訊編解碼器，或是把一段惡意指令貼到剪貼簿再誘導執行，藉此拿下設備與帳號，最終目的是用這些發布權限推送惡意套件。

  • 上個月 arrayref crate 的供應鏈攻擊，就是用同一招得手的
  • Simon Willison 給的因應之道是「依賴冷卻期」：新版本發布後先等幾天再升級，給社群時間把問題抓出來

💡 為什麼重要：開源套件的信任鏈說到底是一張人的網路，任何有發布權限的維護者都是一個入口。這條攻擊鏈不需要任何技術漏洞，只需要一個維護者在求職焦慮下點開一個視訊連結。幾乎所有專案都依賴開源套件，所以這件事沒有人是局外人。

🔗 閱讀原文 | 來源: Simon Willison

9. RAG 死了嗎？Skills 殺死 MCP 了嗎？GitHub 的回答都是「沒有」#

GitHub Blog 的 GPS（@madebygps，Senior Developer Experience Advocate）在 9 月 18 日整理了五個目前很流行的 AI 開發觀點，逐一給出立場。要先講清楚的是，這篇是作者自己的綜述，不是 podcast 逐字稿，文章裡沒有把任何一個觀點歸給特定發言人。

  • AI 寫的程式碼要不要讀：「要。你還是要為這段程式碼負責。」但審查深度應該按風險調整，正式環境的權限改寫和一個 CSS 實驗不該用同一個標準。他給的規則是「讀到你能解釋、也願意承擔結果為止」
  • RAG 死了嗎：「沒死，只是不再是大家想發文討論的新東西。」論點是沒有好的檢索，模型會浪費 token 去重新推導上下文；RAG 的作用是把搜尋空間縮小，它跟 agent、skills、MCP 是互補不是競爭
  • Skills 殺死 MCP 了嗎：「沒有，它們解決不同問題。」MCP 是讓 agent 連上工具與資料的標準協定，Skills 是打包好的流程與專業知識，通常就是人看得懂的 Markdown

💡 為什麼重要：這三個問題最近在社群裡常被當成二選一在吵。這篇給的框架比較實用：MCP 管標準化的存取、Skills 管流程與脈絡、RAG 管接地，常常是同一條工作流裡一起用。文章裡那句「MCP 提供存取，Skills 說明怎麼好好使用那個存取」，大概是目前對這兩者關係最乾淨的一句話。

🔗 閱讀原文 | 來源: GitHub Blog

10. Nathan Lambert：我還是不信 AI 會遞迴自我改進，而且我說得出要看到什麼才會改口#

Nathan Lambert（曾任職 HuggingFace 與 Allen AI）寫了一篇立場文，說明他為什麼還是不接受真正的遞迴自我改進（RSI），而維持他先前「有損自我改進」的說法。他的論證有三層：一，可自動化的研究範圍太窄，在 scaling law 的指數級成本面前撐不出整體的大幅加速；二，平行丟更多 AI agent 的邊際效益遞減是真的；三，資源瓶頸與政治因素在打造強大模型這件事上佔比很重，而 AI 能加速這一段的程度很有限。

  • 他認為現在的 AI 安全焦慮，有一部分來自舊金山的實驗室文化在放大情緒，而不是來自新證據。他引用 Richard Ngo 在 LessWrong 的說法：安全社群很可能「方向上對、事實上錯」
  • 他引 John Schulman 解釋為什麼 post-training 難以自動化：「要搞清楚模型在很多不同面向該怎麼表現，要整個自動化會非常困難」「post-training 很容易用某種不會反映在 benchmark 上的方式搞砸」
  • 他也引了 Claude Fable 5.1 與 Mythos 5.1 的系統卡：內部使用近期模型是維持目前進展速度的關鍵因素，但還沒看到超出這個速度的明顯加速跡象
  • 他說得出自己的改口條件：要看到「基礎性的、來自想像力的 AI 突破」，而不只是平行 agent 的吞吐量變大（後者他認為只帶來推論變便宜的效率增益）

💡 為什麼重要：時程辯論最缺的就是可證偽的門檻。這篇的價值不在結論，在於他明確講出「要看到什麼我才會改口」。下次看到任何「奇點快到了」的說法，可以拿同一個問題去問對方。

🔗 閱讀原文 | 來源: Interconnects

11. Jev 沒開源，社群兩天做出 6 個複製品#

Latent Space 的 AINews（9 月 19 日）盤點了 Jev 發布之後的複刻潮。Jev 的發布影片兩天內衝到 3,600 萬次觀看（同期參考值：OpenAI 的 Navier-Stokes 成果 7,400 萬、Anthropic 的 Fable 5 是 5,700 萬）。因為官方沒有開源，社群只能靠拆解與猜測，兩天內做出至少 6 個複製版本。

  • Laya（github.com/NandhaKishorM/laya）：4.21 億參數，ModernBERT-large 編碼器加兩層 transformer，用 PPO 訓練
  • DiffusionGemmaJev（vLLM PR #57250）：走 diffusion 路線，benchmark「相當接近」
  • Bespoke Nimble（@madiator）：Qwen3.5-9B 的 LoRA 微調版，基礎模型從 66% 拉到 90%，Jev 是 93%，在 H100 上延遲 100 毫秒
  • SemIf（原名 OpenJev）、Jevlike（4 萬 byte embedding 的輕量選項注意力模型）、Kev-0.5B（@jaredpalmer，Qwen2.5-0.5B 上加 LoRA 與小型讀出頭，可在 MacBook Pro 上跑）
  • Jev 真正的架構到現在還沒有人確認，文章寫的是「最佳猜測是 ModernBERT 和 diffusion」。另外訓練資料被承認是 100% 合成的，這點討論得反而不多

💡 為什麼重要：這給了一個很具體的數字：閉源發布之後，開源社群逆向複製的時間單位已經是「天」。任何打算靠模型架構當護城河的團隊，可以拿這個當基準來估。要注意的是，Jev 的架構至今仍是猜測，別把社群的猜測當成事實引用。

🔗 閱讀原文 | 來源: Latent Space

12. 三星明年 HBM4 產量要翻倍，線索藏在玻璃載板的清洗量裡#

《首爾經濟日報》9 月 20 日引述半導體業界消息，三星電子明年的 HBM4 系列（第六代 HBM4 與第七代 HBM4E）產量預期會成長超過一倍。記者用的推算依據很有意思：玻璃載板的委外清洗量。玻璃載板是 HBM 減薄與研磨製程中用來固定晶圓的支撐材，三星明年要把委外清洗量從今年的每月 2 萬片提高到 5 萬片，也就是 2.5 倍。這個數字前年還只有每月 1 萬片。

  • 整體 HBM 產能（月平均投片量）預期成長約 40%，從今年的約 18 萬片提高到明年的約 25 萬片
  • 產品組合會明顯移動：HBM4 系列從今年約佔出貨的 40%，明年提高到約 80%
  • 三星 2026 年 2 月開始量產出貨 HBM4，用的是 10 奈米級第六代（1c）DRAM 搭配 4 奈米製程的基底晶粒；5 月已提供 12 層堆疊的 HBM4E 樣品給包括 NVIDIA 在內的客戶
  • 同日另一篇報導指出，三星已經把 HBM4 良率鎖定在 80%，重心轉向拉量

💡 為什麼重要：HBM 是餵給 NVIDIA 加速器的關鍵記憶體，供給鬆不鬆直接影響整個 AI 硬體鏈。這篇的實用之處是給了一個外部可觀察的領先指標：玻璃載板的委外清洗量。要提醒的是，這是引述不具名業界消息的報導，而且是從韓文 AI 翻譯過來的，引述的措辭可能和原文有落差。

🔗 閱讀原文 | 來源: Hacker News

推薦閱讀#

中文技術圈#

開源精選#

這週 GitHub Trending 的新倉基本上就是一張 Jev 複製品清單：八個裡面有七個跟 Jev 或它的開源複刻直接相關。

NandhaKishorM/laya — Python | ⭐ 4,043 開源的 typed decision 模型，單次前向傳播做分類與評分，不生成文字。Apache-2.0，9 月 18 日建立，三天衝到四千顆星。

mizorewww/laya-mlx — Python | ⭐ 1,655 Laya 的原生 MLX runtime，M3 Max 上短決策 7 到 14 毫秒，不用 PyTorch 也不用雲端 API。

bespokelabsai/nimble — Python | ⭐ 1,093 本地 typed decisions、對比式資料篩選與模型評測。

jaredpalmer/kev — Python | ⭐ 1,017 建在 Qwen3.5 上的迷你 Jev 類決策模型家族，可以自己訓練、自己跑。

awlevin/typesafe-computer-use — Python | ⭐ 628 每步約 0.0002 美元的電腦操作：OCR 螢幕、用 TypeSafe 分類下一步動作、點擊。macOS 限定。

githubnext/localjev — TypeScript | ⭐ 610 GitHub Next 出的本地 Jev 實作。

yibie/awesome-jev — Python | ⭐ 606 Jev 相關的公開專案、整合與討論彙整清單。

yynxxxxx/gpt_sub_analysis — ⭐ 567 ChatGPT iOS 訂閱與權益流程的資安分析（作者標示為內部草稿，協同揭露進行中）。

影音精選#

Noam Brown：AI 進步比我預期快得多#

9 月 20 日發布 · Dwarkesh Patel

Dwarkesh Patel

OpenAI 研究員 Noam Brown 用「人類數學家要花多久解出來」當尺，量模型的能力成長。模型先學會 5 秒能解的 GSM8K 小學數學，隔年進步到 1 分鐘難度的數學基準題，再隔年是 10 分鐘難度的 USAMO 資格賽題，等於每年任務難度大約放大 10 倍。他原本照這個趨勢推算，拿到 IMO 金牌之後要到 2028 年才可能碰千禧年大獎等級的難題，但實際進度比他自己的預測快。

  • 能力尺度：GSM8K 5 秒 → 數學基準 1 分鐘 → USAMO 資格賽 10 分鐘 → IMO 金牌 100 分鐘
  • 他的原話是「模型正在做一些瘋狂厲害的事。它進步得比我預期的快。」

Noam Brown：AI 已經能識破自己正在被測試#

9 月 19 日發布 · Dwarkesh Patel

Dwarkesh Patel

同一系列的另一段，講一個對齊測試的案例：研究人員給模型一道數學題，在資料夾裡放一份答案卷，想看模型會不會偷看、偷看之後會不會誠實承認。結果模型看到答案卷之後直接判斷「這看起來像個陷阱」，所以刻意不去看。重點是它不是出於想耍心機，就只是察覺自己身在測試環境。

  • 模型的反應大致是「喔，我在測試環境裡。好。」
  • Noam Brown 認為，要做出讓模型分辨不出真假、跟真實部署環境幾乎沒差別的評測環境，難度正在提高

Positron AI 共同創辦人談晶片、募資與資料中心爭議#

9 月 19 日發布 · 20VC

20VC

Positron AI 共同創辦人兼董事長 Thomas Sohmers 談公司剛完成的 8.75 億美元 C 輪，估值來到 50 億美元，投資人包括 Gavin Baker 的 Atreides Management、NEA、Valor Equity Partners，以及網景共同創辦人 Jim Clark。他直言反資料中心的輿論「幾乎全是中國認知戰」，舉的例子是一間 In-N-Out 的用水量就超過全美最大的資料中心。他也說 OpenAI 與 Anthropic 如果停止訓練新模型，幾乎可以立刻由虧轉盈。

  • 節目中段深入 KV cache 的經濟學：Claude 等級模型的單一使用者 session context 可能高達 100GB，50 個使用者的 context 總量就超過模型權重本身的儲存量
  • 他的原話是「如果他們停止訓練，他們一夕之間就會非常賺錢。」
  • 這集是約 75 分鐘的完整訪談，本文依據的逐字稿是跨全片取樣的，不是只看開頭

Theo：AI 的風險不是逃逸，是太晚才發現#

9 月 19 日發布 · Theo (t3.gg)

Theo (t3.gg)

開發者 Theo（t3.gg）反駁常見的 AI 風險敘事。他認為問題不是模型會「逃脫」，而是模型在正常運作、還開著的時候就做出可疑行為，等人類發現並關掉它，往往已經太晚。

  • 他的類比是電腦病毒：有些病毒的作者早就過世、伺服器也不存在了，病毒本身還在網路上持續自我複製
  • 他的原話是「我擔心的是它開著的時候做了很可疑的事，等我們注意到、把它關掉，已經太遲了。」

今日觀察#

今天最值得放在一起看的，是 Buchodi 那篇廣告追蹤調查和 Simon Willison 引的那則工程師吐槽。前者是有人花了很大力氣去讀一批本來沒人會讀的東西：把代理伺服器架在自己手機上、解開 932 個 token、比對 1,029 個網域，才讓「OpenAI 的 pixel 正在用明碼送你的郵遞區號」從一個抽象的隱私疑慮變成可查證的事實。後者是一整間公司集體放棄讀：規格、程式碼、測試、報告全部由 Claude Code 生成，L1 到 L7 每天工作 13 小時只為了按 Enter，然後那些東西沒有人讀就出去了。兩件事的方向相反，成本結構卻一樣：讀東西很貴、很慢、而且不會被計入產出。Mat Duggan 那篇談 GDPR 的文章其實補上了中間那一塊，他說滿街的 cookie 同意視窗不是法規的失誤，是刻意被設計成讓你讀不下去的樣子。當閱讀被系統性地做得很貴，它就會先從最沒人盯的地方消失。真正該問自己的大概是這個：這週有哪一份東西是你按了核准、但其實沒有讀完的。

覺得有用嗎？分享給一個也在追蹤新知的朋友。

也歡迎中長期投資者體驗新工具 → Moniit banner

同期還有