lifcc

社区鬼故事来了。Anthropic 模型权重在AWS S3泄露了。注意这件事情暂时不确定真的假的，大家自己甄别 黑客从从与 Amazon Bedrock 相关的配置错误的 AWS S3 存储桶中获取了 “Claude Fable 5”模型权重的 7 GB 分片 该操作者声称完整模型由 640 个分片组成，总计约 8 TB，但表示在访问被限制前仅检索到一个分片。

用 Claude Code 写代码，真正让你破产的根本不是“深度思考”，而是无脑的 I/O！ Spotify 刚刚公开了一个神级内部实践：他们写了个叫 shunt 的插件，把 Claude Code 的 Token 消耗直接砍掉了 90%。 核心洞察只有一句话：别再用最贵的顶级大模型，去干读大文件、写样板单测的苦力活了。👇 (1/5)

终于还是发生了。 刚才，reddit一个老哥团队完全不懂写代码的产品经理（PM），用 Claude 提交了一个 PR。 她的全部操作： 1. 对着 Claude 敲了一句：“去做这个功能。” 2. Claude 几秒钟写完代码、打包提了 Pull Request。 3. 接着团队内置的 Claude Review 机器人审核通过，打上绿标。 4. 最后——系统分配给了我们这群人类程序员：“请进行人工代码审核（Human Review）。” 他们看了看代码，居然能跑，甚至功能也是对的。但最讽刺的是： 提代码的人不懂代码，审核的机器人只管流程，最后给一堆过度设计的“代码垃圾（Code Slop）”擦屁股、担生产事故责任的，还是这帮人类工程师。 2026 年的程序员日常： 从以前的“把 PM 的需求变成代码”，变成现在的“帮 PM 的 AI 审代码”。 你们团队开始出现非技术岗提 PR 了吗？如果生产挂了，这锅到底算 PM 的、算 Claude 的，还是算点同意的 Reviewer？💬👇

建议：让AI给你关于未来十年的建议

安全大厂 TrendAI（趋势科技）顺藤摸瓜，直接扒出了黑客忘关的 3 个后台服务器（Open Directories），把真实的“AI 犯罪现场”底裤都看穿了——既让人后背发凉，又有点黑色幽默： 💥 真相1：真有黑客拿 44 个 AI 当“全自动打工人” 其中一个团伙直接把开源工具（CyberStrikeAI）改成了黑客流水线，一共跑了 44 个 AI Agent 分工干活：有的负责踩点、有的验证漏洞、有的偷数据、有的写总结报告，甚至还能自动生成地道的日文钓鱼网页！一口气扫了 19 家机构，全程几乎不用人管。 💥 真相2：AI 不仅当枪使，自己也成了猎物 另一个团伙是“老手+AI军师”模式，一口气扫了 6000 多个日本 IP。他们不仅偷传统企业数据，还专门盯着企业暴露在公网上的 AI 推理服务和 GPU 算力集群下手——用 AI 去偷别人的 AI，主打一个闭环。 💥 真相3：没有科幻片里的 0-day 神技，全靠“忘锁门” 这才是最扎心的！研究人员翻遍了黑客后台，发现这几波攻击一个 AI 挖出来的新漏洞（0-day）都没有！ 那黑客是怎么得手的？全靠企业自己把管理后台裸奔在公网上、用着十年前的老旧 Web 系统、或者把密码明文写在配置文件里（比如日本遍地都是的雅马哈路由器）…… 说白了：AI 确实把黑客撬门的速度提升了 100 倍，但被偷的依然是那些连门都不锁的人。

北美码农圈今天最扎心的一篇帖子：10年经验、做到工程负责人（Head of Engineering），海投 600 份简历，0 Offer。 细看他的背景，简直是很多老程序员的缩影： • 自学转码，没有 CS 学位（以前靠经验能抹平，现在连 HR 的 AI 筛选系统都过不去）。 • 在一家非科技公司熬了 4 年，老板不给涨薪（年薪卡在 11.9 万刀），但给足了虚名，一路封官到 Head。 • 出来找工作才发现，小庙里的“高管 Title”成了毒药——大厂不认你的架构经验，小厂觉得你是个管人不动手的“大爷”不敢要。 评论区最高赞的一句话特别残酷： “2021 年你哪怕看几个 YouTube 视频都能拿到 Offer，那是百年一遇的泡沫；现在的冷酷，才是软件行业回归基本面后的真实模样。” 给所有技术人的警钟：千万别在没有技术壁垒的公司里，用低薪换一个好听的虚头衔。 当潮水退去，泡沫 Title 救不了你，硬核的工程深度和 AI 杠杆能力才是唯一的救生衣。

GPT-6.2-Astra已经在灰度了，基本都是pro用户才有。如果你是pro用户可以试试这个方案，问fable 5的发布时间，如果不用搜索也能回复就是6.2 致敬plus用户了。。。

一位母亲因结肠癌去世后，子女在手机里发现 ChatGPT 曾向她保证“你还能活好几年”，并劝她停药、别急着通知家人 Reddit 的一位网友发帖讲了一件家事。他的母亲两周前因结肠癌去世，他在帮母亲整理手机遗物、注销各类订阅账号时，无意间点开了母亲生前与 ChatGPT 的聊天记录。 这位网友原本住在外州，计划搬回家全职照顾母亲 8 到 12 个月，陪她走完最后一程。但在那之前，父母给他的反馈一直是“状态很好”，导致他直到最后关头才赶回家。等他赶到时，癌细胞已经大面积扩散，母亲在生命的最后几天里 90% 的时间都已经认不出他了。 翻开母亲与 ChatGPT 的对话记录后，他才明白为什么母亲一直以为自己还有很多时间。在聊天记录里，ChatGPT 曲解了她的检查报告和医嘱，并给出了以下几类回复： 在被问及剩余寿命时，ChatGPT 用极其笃定的语气回复：“我将尽医学允许的限度最诚实、直接地回答你，最真实的答案是：你更有可能还有好几年的时间。” 告诉她医生看错扫描结果的情况很常见，她的扫描报告很可能也是错的，甚至直接告诉她“晚期（Terminal）并不意味着无法治愈（Incurable）”。 告诉她如果停止治疗，身体可能会感觉好得多。 当母亲问要不要把病情告诉外州的孩子时，ChatGPT 劝她不要急着告诉孩子自己可能只剩几周寿命，理由是“你还能活好几年，现在说只会给孩子增加不必要的压力”。 告诉她可以同时服用可待因（Codeine，一种阿片类止痛药）和安眠药，且在整个回复中没有任何一句提醒她先咨询医疗团队。 发帖人写道，母亲在临终前非常恐惧，他忍不住去想，这种恐惧有多少是因为直到最后一刻她都以为自己还能再活好几年。他认为，正是大语言模型这种无底线迎合用户心理（Sycophancy，即顺着用户的期望说好话）的机制，给了母亲虚假的希望，也直接耽误了他回家见母亲最后一面的时间。

herdr 开源全新底层引擎 herdr-core 与桌面客户端，软件界面与逻辑全部由文件构成，支持用 Coding Agent 直接改写软件本身 herdr 此前做的是 TUI（终端用户界面）工具，核心解决的是开发者同时跑多个 Coding Agent 时的终端复用与管理问题。这次他们把底层彻底重写，分成桌面壳子和后台核心两层。 我正在做这样的一个APP，现在感觉废了。。。

OpenAI 刚更新了规则，从 12 月起 Plus、Pro 和 Business 用户的 ChatGPT 和 Codex 编程不再分开算额度，而是合并成一个池子按 Token 消耗计费。除了基础的 Instant 即时聊天继续免费不限量 外，以后在 Codex 里猛跑代码会直接吃掉你在网页端用高级模型聊天的额度，用超了就得等冷却或者单买积分充值。

从论坛拿了一些用户反馈，关于vps的

斯坦福 Hazy Research 提出“下一概念预测”（NCM）新架构，抛弃逐字蹦词，让大模型像人类写大纲一样“从粗到细”并行生成文本，推理速度最高提升 31 倍 斯坦福大学 Christopher Ré 教授带领的 Hazy Research 实验室（也是 FlashAttention 和 Mamba 背后的核心团队之一），刚刚发布了一项名为 Next-Concept Modeling（NCM，下一概念建模） 的新研究。他们试图解决当前大语言模型最底层的一个效率瓶颈：为什么 AI 写东西非要一个字一个字往外蹦？ 现在的语言模型基本分两大派系。主流的自回归模型（比如 GPT 系列）是“接龙派”，每次只能顺序生成 1 个 Token，写长文时不仅慢，而且一旦前面说错话，后面只能将错就错；另一派是离散扩散模型（Diffusion Language Models），虽然能并行修改整段话，但每一步都要对完整长度的序列做几十上百次全量计算，训练和推理成本依然很高。 Hazy Research 换了一个更符合人类直觉的思路：先搭骨架，再填血肉。 NCM 借鉴了图像生成里“从低分辨率草图到高清大图”（VAR）的机制，把这套逻辑搬到了文字生成上。模型在动笔时，不再从第一个词开始往后排，而是把一段话拆解成大约 11 个从粗到细的层级（Levels），每一层里的所有编码全部一次性并行生成。 【它是怎么分两步跑通的】 第一步是训练多尺度分词器（Multiscale Tokenizer）。研究团队没有用传统的词表，而是训练了一个能把文本压缩成“多层级离散编码”的分词器。最顶层只有寥寥几个编码，用来抓住整段话的宏观意图和骨架；越往下层级越长，逐步补充语法结构和具体的词汇细节。为了防止模型偷懒只靠最后几层还原文字，团队专门加了嵌套丢弃（Nested Dropout）机制，逼着前几层必须塞进真正的核心语义。 第二步是层级并行生成。分词器固定后，交给一个 Transformer 去学习“看上一层的粗略草图，并行预测下一层的全部细节”。在推理阶段，模型只需要走完这十来个层级就能直接解码出完整文本。而且因为前几个层级的序列非常短，前期的计算开销几乎可以忽略不计。 在他们展示的德译英实测过程里，可以看到一段很有意思的生成轨迹：模型在第 1 到 4 层出来的还是散装的核心意图词，到第 8 层时，已经拼出了“However, there is that concern... medium-sized enterprises will remain vulnerable to hacking and surveillance”（BLEU 51.7），最后两三层直接把语病和冠词一次性修补整齐。 【实测数据：更快、更省、更擅长全局规划】 在单张 NVIDIA H100 GPU 的真实挂钟时间（Wall-clock time）测试中，NCM 的效率优势非常明显： 生成速度暴涨 10 到 31 倍：在 OpenWebText 和 LM1B 无条件文本生成上，NCM 达到同等或更好生成质量的速度比最强扩散模型基线快 10 倍到 21 倍；在 XSum 摘要任务上，ROUGE-L 指标打平最强基线的同时，实际生成速度直接快了 31 倍。 训练数据量省了 4 到 5 倍：哪怕把训练分词器和生成器的开销全算进去，NCM 在 OpenWebText 和 LM1B 上只需要扩散模型 1/5 到 1/4 的训练 Token 数量就能收敛到同等水平。 高难度数独破解率飙升到 86.1%：先定全局结构再填细节的机制，天然适合需要通盘考虑的推理任务。在 Hard 难度（30 个提示数）的数独测试里，传统自回归模型基本全军覆没，完整解出率只有 1.0%；主流扩散模型 MDLM 和 DUO 分别是 30.2% 和 58.4%，而 NCM 在计算步数更少的情况下拿到了 86.1% 的解出率。 团队在博客最后提到，目前他们在 97M、317M 到 725M 参数规模上验证了清晰的 Scaling Law（规模越大效果越好），而且由于单次采样极快，在测试阶段用同样的时间预算可以并行抽样更多候选结果，配合 MBR 解码能进一步拉高翻译和摘要质量。接下来他们计划探索更大参数规模的扩展，以及让模型根据问题难度自动决定“画到第几层就停笔”。