24小时热榜

我已经订阅了Max计划，但我发现自己经常遇到这种情况。我该如何投诉并获得赔偿？还是说我应该把这当作自然灾害来接受？

供应链攻击的数量及其造成的影响范围正在不断增加。主要的罪魁祸首是那些不仅仅是编程语言的生态系统，这些生态系统中本应“自带电池”的内容，最终却堆积成一大堆没人愿意审查的库和模块。 这种情况无法扩展。让所有潜在用户审查这些代码无疑是在自找麻烦，绝大多数人最初就没有资源来编写这些模块/库，因此他们很可能也没有资源去审查他们所使用的所有内容。 我试着想象一下，如果Linux不只有一个发行版，而是有几千个，每一个都有可能在瞬间变得恶意，这在长远来看是行不通的。所有这些系统只能在没有恶意行为者、并且你可以隐含信任源头的世界中运作。 请改善内容的策划。下一个供应链漏洞很可能会是“重大漏洞”，而我相当确定，随着概念验证的增多，各国政府正在努力实现这种能力。我们需要更少的分发点，提供更好的策划，并在纳入之前进行更严格的审查，类似于Linux内核的做法。 我们不需要这种疯狂的高发布速度，整堆代码每天都在更新。你应该放慢速度，做好质量保证。 可靠性来自于投入时间进行审查和增加理解的能力，而不是来自于以惊人的速度发布的能力。不要把下游当作质量保证的工具，等到出错后再去修复。如果今天编写的代码，世界明天甚至后天都不需要。开发环境到发布的“快速通道”也有可能将任何环境的妥协导出到你的发布版本中，尤其是当你接受外部对代码的贡献时。

我的团队创作并插画了一本关于“恶化化”（Enshittification）主题的讽刺幼儿图画书——非常适合科技专业人士、聪明的幼儿和疲惫的成年人。<p>A代表算法（Algorithms）。 B代表亿万富翁（Billionaire）。 C/D代表科里·多克托罗（Cory Doctorow）。<p>觉得你们可能会感兴趣。这本书有免费的PDF版本，或者你可以请求未来印刷的纸质版。期待听到你们的想法。<p><a href="https://www.evanshunt.com/enshittification" rel="nofollow">https://www.evanshunt.com/enshittification</a>

τ-Bench 是一个开放的基准测试，用于评估 AI 代理在具有可验证结果的基础上进行的多轮客户服务任务。自发布以来，社区的积极采用让人倍感欣慰——这已经是第三个版本。通过 τ³-Bench，我们将其扩展到两个新的设置：知识密集型检索和全双工语音。 τ-知识：代理必须在大约 700 个相互关联的政策文件中导航，以完成多步骤任务。最佳前沿模型（GPT-5.2，高推理能力）的表现约为 25%。令人惊讶的是，即使你将模型所需的确切文件提供给它，性能也仅能达到约 40%。我们发现瓶颈并不在于检索，而是在于对复杂的、相互关联的政策进行推理，并以正确的顺序执行正确的操作。 τ-语音：相同的基础任务，但在实时全双工语音环境中进行，音频真实——包括口音、背景噪音、干扰和压缩电话线路。在清晰音频条件下，语音代理的得分为 31% 到 51%，而在真实环境中则为 26% 到 38%。在不同提供商（OpenAI、Gemini、xAI）中存在一致的失败模式：代理在身份验证过程中误听了姓名或电子邮件，导致后续所有操作失败。 我们还对原有的航空、零售和电信领域进行了 75 个以上的任务修正——许多基于社区审核和 PR（包括来自亚马逊和 Anthropic 的贡献）。我们相信，一个基准的质量取决于其维护，我们对社区在改进基准方面的帮助表示感谢。 代码和排行榜是开放的——我们欢迎社区的提交和反馈。 博客文章（论文、代码、排行榜）：[https://sierra.ai/blog/bench-advancing-agent-benchmarking-to-knowledge-and-voice](https://sierra.ai/blog/bench-advancing-agent-benchmarking-to-knowledge-and-voice)

在iOS上使用Slack时，我根本无法从Slack应用中复制任何内容。我连在撰写窗口中输入的文本都无法复制，更不用说随机消息、链接、消息链接等了。这对在移动中提高工作效率造成了很大的障碍。为什么会这样呢？我起初以为这是工作区的政策，但与同事交谈后似乎并非如此。有没有人知道这项产品决策的原因？你们也遇到过这种情况吗？

CharacterAI 拥有超过 2000 万活跃用户，允许人们与 AI 语音克隆进行对话。我构建了一个本地替代方案，可以通过少于 10 秒的音频克隆任何声音，并且能够流利地使用超过 10 种语言进行对话，且可在您的 Macbook 或 Mac mini 上本地运行。 目前，该语音处理管道支持任何 M1 到 M5 芯片上的 MLX。我使用了 Whisper-Turbo 进行语音转文本（STT），Qwen3.5-9B-4bit 作为大语言模型（LLM），以及 Qwen3-TTS-0.6B-4bit 进行文本转语音（TTS）。 该代码库还具有 Websocket 传输功能，可以通过安全的 Websocket 将这些语音添加到由 ESP32 驱动的设备上。

我认为这比之前要好得多，甚至可能会取代 perplexity。

大家好！作为一个每天都在进行混合搜索的人，我希望能够拥有类似pgvector的体验，但又能实际使用经过预过滤的近似最近邻。因此，我决定在DuckDB VSS扩展的一个分支上尝试实现ACORN。我对（引入的）usearch做了一些修改，考虑提交到上游。但这个实现确实有效。它支持带有WHERE预过滤的近似最近邻搜索。