2026 09 20 HackerNews

2026-09-20 Hacker News Top Stories #

  1. 通过指定具体设计美学，AI能生成多样化海报，摆脱千篇一律的“AI味”。
  2. Android 17成为首个新增API却不发布到AOSP的版本，Google被指试图收回Android控制权。
  3. 作者用强化学习构建非自回归决策模型Laya，低延迟且开源，但营销不足未受关注。
  4. Claude Code更新后支持读取AGENTS.md以兼容其他工具，被指是对社区压力的最低限度回应。
  5. 研究发现人脑由两个独立进化的神经祖细胞群构建，是复合器官，为脑干疾病研究提供新途径。
  6. 美军因AI生成的幻觉情报险些误判拦截中国船只，凸显战争中使用AI缺乏验证的严重风险。
  7. Cloudflare通过数学优化和压缩哈希索引，在几乎不影响负载均衡的情况下节省了100TB内存。
  8. 旧金山洋葱期货公司以私人合约方式销售洋葱期货，是对美国洋葱期货禁令的表演式抗议。
  9. GPT-6 Astra成功破解了一战德国ADFGVX密码消息，并经历史记录验证。
  10. 韩国将大规模数据泄露罚款上限提高至年营收10%，并引入提前通知和责任人义务等新规。

1. AI 生成的海报不必那么糟糕 (AI-generated posters don’t have to be horrible) #

https://john.hartnup.uk/2026/06/07/ai-event-posters.html

这是一篇关于如何让 AI 生成的海报摆脱千篇一律风格的博客文章。作者指出，常见的 AI 海报往往带有相似的“工艺美术”风格（如彩旗、粉彩、手绘花卉），看多了令人厌烦。为了证明 AI 能呈现更多样化的设计，作者用 ChatGPT 为同一个虚构的春季游园会活动生成了多种风格的海报，包括包豪斯/现代主义、瑞士风格、Risograph 印刷、拼贴画、孟菲斯设计、日本极简风、邮票/凸版印刷等。文章展示了部分生成结果，并讨论了如何通过明确指定设计美学来获得更独特、更不“AI 味”的视觉效果。作者还提到，在连续生成过程中，AI 会自行添加额外文案，并建议从零开始时就明确指定风格。

HN 热度 1296 points | 评论 712 comments | 作者：ereiamjh | 14 hours ago #

https://news.ycombinator.com/item?id=49764791

  • 即使文章中的“好”例子，人们也能看出是 AI，并指出人类艺术家会做得更好，但对于预算有限的本地活动或企业，AI 比平均水平的设计师更便宜、更快、效果更好。
  • 人类设计师与 AI 的差异可能被高估，如果限制 AI 的风格，人们很难可靠区分 AI 和人类设计的传单。
  • AI 海报最大的问题是信息过于繁杂，重点不突出，而过去业余设计的海报反而更简洁易读。
  • AI 生成海报可以通过调整提示词（如要求信息突出、减少杂乱）大幅改善，作者考虑做 V2 版本。
  • 真实客户（如 PTA 活动）常常要求列出大量活动项目，导致版面杂乱，专业设计师的价值在于编辑和审美判断。
  • 客户缺乏审美和编辑能力，又难以评估结果，导致 AI 产出平庸同质化的东西。
  • 生成式 AI 不会很快取代熟练设计师，因为设计师拥有客户缺乏的艺术品味和判断力。
  • 了解风格术语和可能性范围，才能更好地利用生成 AI，否则无法有效提问或评价结果。
  • 品味能帮助在泛滥的同质化内容中脱颖而出，创意专业人员需要具备审美判定能力，AI 工具也需要词汇来引导。
  • 设计同质化是因为经济激励缺失，而非仅仅技术问题。
  • 在提示词中加入“重要信息要像专家设计师那样一眼可见”后，AI 生成结果明显改善。
  • AI 生成图像的字体常常有某种“柔和感”，这是因为字母生成不一致，边缘不直；也许可以用代码生成字体和排版结合 AI 背景来改进。
  • 生成 AI 无法稳妥地修改单一信息（如更换艺术家或日期），重新生成会改变整体设计。
  • 现代自回归图像模型能在要求编辑时只改动必要部分。
  • 低预算客户通常缺乏眼光且要求苛刻，真正的设计师会避开他们，所以他们转向 AI。
  • 也许人们对 AI 海报的负面看法是因为知道它是 AI，存在偏见。
  • 以 20 美元预算找不到好艺术家，AI 虽然不如顶尖人类，但成本优势明显。

2. Android 17 是自 3.x 以来首个添加新 API 却不发布到 AOSP 的版本。 (Android 17 is the first since 3.x to add new APIs without releasing to the AOSP) #

https://grapheneos.social/@GrapheneOS/117282080803799576

GrapheneOS 在 Mastodon 上发布了一系列帖子，讨论 Android 17 QPR1 的发布及其影响。主要内容包括：Android 17 QPR1 是自 Android Honeycomb（3.x）以来首个为开发者添加新 API 的版本，但这些 API 目前仅限 Pixel 设备使用，其他 Android OEM 无法获得。GrapheneOS 表示已提前完成代码移植，但因权限问题无法发布，只能先反向移植 Pixel 的固件和驱动。他们批评 Google 将标准 Android 平台的安全补丁对 OEM 保密，导致其他厂商要等到 12 月的 QPR2 才能获得，而 Pixel 则有数月独占优势。此外，Google 未及时响应 GPL 源代码请求，GrapheneOS 认为 Pixel 的支持难度已超过其他设备，未来与 Motorola 的合作会更顺利。他们还回应了关于 Pixel 11 MTE 支持的问题，表示会继续支持 Pixel 系列。

HN 热度 1105 points | 评论 643 comments | 作者：theanonymousone | 1 day ago #

https://news.ycombinator.com/item?id=49758736

  • Google 对 Android 开源设置重重障碍，本质上后悔开源，并试图收回控制权。
  • 开源成就了 Android 和 Chrome，但 Google 现在只把开源当作竞争工具，达到垄断目的后便不再需要开放。
  • 面对 Google 的封闭化，应尽早硬分叉或转向 Firefox 等替代品，而不是指望 Google 自觉。
  • Google 清楚开源的价值，只是市场目标已达成，所以不再在意开放承诺。
  • 公司决策基于商业战略而非原则，开源与否只是随环境变化的策略选择，不必惊讶。
  • 公司不是道德主体，存在的唯一目的是赚钱，社会改善只是副作用。
  • 并非所有企业都唯利是图，但引入股东后，利润优先成为结构性压力，少数例外需要刻意维持。
  • 大型企业的行为由组织结构和市场选择决定，与个人道德无关，不盈利就会被淘汰。
  • 公司是超越个体的“超有机体”，其行为是无数个体互动涌现的结果，无人能完全控制。
  • 像 Costco 这类保持非纯利润导向形象的公司极为罕见，因为逆流而行需要持续投入巨大能量。
  • 公司存在的合法性在于对社会有净收益，若只图利润而损害社会，就失去存在理由。
  • 公司由人组成，人的道德选择可以影响公司行为；利润是生存必需，但不是存在的目的。

3. 一年前，我用强化学习构建了非自回归决策模型。 (I built non-autoregressive decision models with RL a year ago) #

https://laya.convaiinnovations.com/

这是一篇关于非自回归决策模型的技术文章，作者回顾了自己在 2025 年 3 月发表相关论文后，被前沿实验室称为“突破”的经历，并介绍了其开源模型 Laya。

文章核心内容如下：

  • 背景与动机：作者指出当前 AI 流程过度依赖生成式 LLM 处理简单决策任务，导致延迟高、成本高且置信度不可靠。Laya 旨在提供类似人类“系统 1”的快速直觉决策，仅需 30-35 毫秒即可完成。
  • 三大决策原语：Laya 通过单次前向传播输出概率，支持“选择”（choice）、“评分”（score）和“布尔判断”（noul）三种结构化决策，不生成文本，从根本上避免幻觉和格式错误。
  • 模型架构与检查点：发布了三个基于双向编码器的检查点，并整合在同一个 Hugging Face 仓库中，支持按需下载子文件夹。模型在单 GPU 上仅需 32.8 毫秒，比 Jev 快 6-8 倍，支持 100 多种语言，完全开源（Apache 2.0）。
  • 多语言路由的必要性：文章通过 51 种语言测试发现，纯英文模型在非拉丁字母语言上准确率极低（如高棉语为 0%），但置信度却虚高（95%）。因此 Laya 内置了基于 Unicode 脚本检测的路由器，可在前向传播前自动选择合适模型，路由开销不到 2%。
  • 核心结论：作者强调，仅靠置信度门控无法解决多语言失效问题，必须在推理前进行路由。Laya 通过开源权重、极低延迟和校准概率，为结构化决策提供了高效、可靠的解决方案。

HN 热度 1028 points | 评论 239 comments | 作者：nandakishor_ml | 12 hours ago #

https://news.ycombinator.com/item?id=49765348

  • 营销和品牌与产品本身同等甚至更重要，Jev 的成功说明清晰传达产品价值至关重要，而 OP 的标题晦涩且缺乏传播。
  • 在机器学习领域，相同想法常被多人独立提出或以不同名字包装，抢先发布并不保证被记住或认可。
  • OP 的标题“预测对话中的销售转化概率”听起来太窄，不如 Jev 的通用 API 有吸引力。
  • OP 的论文和代码存在数据泄漏、虚构内容等问题，且标题未反映实际使用的 RAG 和编排器，因此不只是“纯 RL”。
  • OP 曾在 Reddit 表示想借此获得投资，但缺乏营销和品牌运作，错失了机会；而当前这则 HN 帖子本身就是一次成功的营销。
  • 一个可用的模型不仅依赖算法，训练数据、后训练、运行方式等也同等重要。
  • 期望公司主动引用或承认“第一个提出者”并不现实；在高度实证的 ML 领域，即使基于相同想法，工程化后的差异也常常足以被视为独立创新。
  • 有名气或品牌背书的人说同样的话会更受关注，但作者确实在 Reddit 和 arXiv 公开过，只是传播不足。
  • 工程师常低估营销和传播的重要性，没人关心“第一”，只关心产品是否知名且能解决问题。

4. Claude Code 在没有 Claude.md 时读取 AGENTS.md (Claude Code now reads AGENTS.md if there is no Claude.md) #

https://code.claude.com/docs/en/changelog

Claude Code 变更日志，涵盖 2026 年 9 月 18 日至 19 日发布的 2.1.278 和 2.1.277 版本。

2.1.278：调整了 Claude API 和企业用户在 Bedrock、Vertex、Foundry 及网关上的 auto mode 默认行为，改为使用服务器端分类器，不收取分类器开销；可通过环境变量 CLAUDE_CODE_AUTO_MODE_SERVER=0 选择退出，并在 /status 中新增了运行位置的行。

2.1.277：新增 AGENTS.md 支持，在无 CLAUDE.md 时自动读取 AGENTS.md；为 Claude apps 网关新增代理边界和静态头部配置选项。同时修复了大量问题，包括：命令行模式和 Agent SDK 会话偶发挂起、空文本块导致的请求失败、旧版本导致的意外退出登录、启动和更新检查的错误处理、插件安装/卸载/更新相关的各种故障、Grep/Glob 在系统资源不足时误报无匹配、Write 工具对目标路径为目录的错误处理、Edit 工具对转义字符和非 ASCII 文本的处理、多个界面崩溃和渲染问题、后台任务消息显示、提示缓存未命中、WebFetch/WebSearch 拒绝原因提示、代理下的 NO_PROXY 忽略、企业市场策略失效、快速输入文本错乱等。

HN 热度 713 points | 评论 265 comments | 作者：datadrivenangel | 1 day ago #

https://news.ycombinator.com/item?id=49760187

  • 用户惊喜地发现 Claude 会主动创建 AGENTS.md 并软链接到 CLAUDE.md，显示对多工具兼容的善意尝试。
  • 有人吐槽 Claude 仍不支持 .agents/skills 目录，认为这是故意拖延的基本功能。
  • Shopify CEO 曾威胁禁用 Claude Code，直到它支持 AGENTS.md，此更新被视为对社区压力的回应。
  • 多人认为这只是“最低限度”的改进，终于可以删除各种符号链接脚本了。
  • 有人批评 Anthropic 此前用专有 CLAUDE.md 试图锁定用户，现在因流失用户才被迫兼容。
  • 配置文件命名标准化被赞为像 Apple 转 USB-C 一样合理，但有人说是被迫而非自愿。
  • 有人指出 Claude 的 settings.json 默认值会覆盖 CLAUDE.md 指令，行为不一致令人恼火。
  • 支持统一 AGENTS.md 作为行业标准，减少多工具切换时的维护成本；反对者认为过早标准化会限制模型多样性。
  • 有人建议用软链接或硬链接解决兼容问题，但 Git 对硬链接支持不佳，递归子目录也麻烦。
  • 有人已转向其他 harness 或开源模型，因 Anthropic 对基本需求响应太慢。
  • 讨论延伸到 AI harness 生态的整体不成熟，年轻工程师重复造轮子，忽视已有工程经验。
  • 整体上，更新被认可为进步，但多数人认为来得太晚，且仍有未解决的兼容痛点。

5. 两个平行的神经外胚层祖细胞群参与发育中大脑的构建 (Two parallel neural ectoderm progenitors contribute to the developing brain) #

https://med.stanford.edu/news/all-news/2026/09/two-separate-brains.html

斯坦福医学院领导的一项新研究发现，人脑并非单一器官，而是由两个独立器官组成，它们各自独立进化了数亿年。该发现颠覆了长期以来认为大脑由单一祖细胞发育而来的传统模型。

研究团队通过观察小鼠胚胎发育，确认了两种互不重叠的脑祖细胞：一种表达 Otx2 基因，形成前脑和中脑；另一种表达 Gbx2 基因，形成后脑（脑干）。两者的染色质构型根本不同，决定了各自命运无法互相转化。这解释了为何科学家数十年来难以在实验室培育出后脑神经元——此前尝试的方向本质上是错误的。

借助这一发现，研究人员首次成功将人类多能干细胞诱导为功能性的后脑运动神经元，这些细胞表现出真实的电活动并表达后脑特征蛋白。进一步演化分析显示，鸡、斑马鱼甚至与人类共享遥远祖先的玉钩虫都存在类似的双起源脑结构，表明进化将两套古老神经系统拼接在一起。

该成果为研究脊髓性肌萎缩症（SMA）、肌萎缩侧索硬化症（ALS）等脑干相关疾病提供了全新途径，未来可在培养皿中培育后脑神经元进行疾病机制研究和药物测试。此外，后脑还包含调节饥饿感的神经回路，与司美格鲁肽等减肥药物的作用机制直接相关。

HN 热度 601 points | 评论 229 comments | 作者：emigre | 17 hours ago #

https://news.ycombinator.com/item?id=49763697

  • 研究带来了体外培养脑干细胞的新技术，尤其是后脑细胞，对 ALS 等疾病研究有重大帮助。
  • 大脑并非由单一祖细胞发育而来，而是由两个平行的神经外胚层祖细胞（前脑/中脑与后脑）分别产生，是复合器官，打破了以往假设。
  • 研究成功在体外分化出后脑菱脑节 5/6 特异性运动神经元，这是以往难以实现的。
  • 这一发现可能对认知科学和 AI 研究有启发，比如可以开发两个联合训练、各有分工的 AI 模型。
  • 但也有观点认为，大脑的进化方式不一定是 AI 的合适模板，可能是进化上的凑合，两个系统分裂本身若无明确功能则无意义。
  • 该发现支持“个体发育重演系统发育”，即胚胎发育中两个脑系统的融合反映了进化历史，原始动物已有前后神经分工（Otx/Gbx 基因）。
  • 培养脑类器官仍然非常困难，需要专家操作，不能轻易说新技术已经成熟。
  • 有评论质疑其他评论者是否真正了解该领域，认为不应随意贬低或过度自信。

6. 美军使用 AI 生成幻觉情报报告后险些出事 (US Military had close call after using AI for hallucinated intelligence report) #

https://www.cnn.com/2026/09/18/politics/us-military-ai-false-intelligence-china-ship

美国军方在春季伊朗战争期间，一份由 AI 辅助生成的军事情报报告称一艘船正在运输核武器计划相关组件，美军随即准备拦截并登船检查，飞机已升空。但在行动前，官员深入核查发现报告由一名特种作战司令部分析师使用 AI 聊天机器人生成，机器人错误识别了船上货物，报告“完全虚假”，险些引发中美冲突。

美军和情报界正大力推动将 AI 融入情报分析、目标选定等军事工作，但该事件凸显了战争中依赖 AI 的严重风险。国防部长赫格塞斯今年 1 月发布“AI 加速战略”，旨在扩大 AI 在军队的使用，但各部门使用不同工具和标准，缺乏统一验证机制。专家担忧，基于错误数据的 AI 可能导致灾难性误判。

HN 热度 496 points | 评论 374 comments | 作者：realsarm | 1 day ago #

https://news.ycombinator.com/item?id=49757520

  • 很多人认为最严重的问题不是 AI 会产生幻觉，而是未经可靠验证的 AI 输出竟然能够一路进入军事行动决策链。
  • 有人指出传统情报分析本来就要求多来源交叉验证，因此真正失效的是组织流程，而不仅仅是模型。
  • 不少网友认为在军事、核武器和战争等高风险领域，AI 最多应该充当分析辅助工具，而不能被当作事实来源。
  • 有人特别担心“AI 给出的答案看起来非常专业”这一特性，因为流畅、自信的文字很容易让分析人员降低警惕。
  • 有网友认为这种事故说明 AI 最大的风险可能不是模型偶尔胡说，而是人类开始逐渐默认模型说的是对的。
  • 一些人质疑为什么分析员没有检查原始情报来源，并认为任何无法追溯到原始证据的 AI 结论都不应该进入正式情报报告。
  • 有人提出 AI 生成的每一条情报判断都应该强制附带出处和证据链，而不是只给出一个自然语言结论。
  • 不少评论认为所谓的 RAG、引用来源或搜索联网并不能从根本上解决问题，因为模型仍然可能错误理解甚至错误引用这些资料。
  • 有人认为真正需要的是“provenance”，也就是让最终报告中的每个事实都能明确追溯到具体原始文件和原始段落。
  • 部分网友认为把这种错误称作“hallucination（幻觉）”反而淡化了问题，更准确的说法应该是模型“编造了错误信息”或 confabulation。
  • 另一派则认为“幻觉”只是行业术语，换一个名字并不会解决用户错误信任模型输出的问题。
  • 有人指出人类情报分析员同样会犯错，所以不能仅凭这个案例证明 AI 一定比人类更不可靠。
  • 因此有人主张真正应该比较的是“纯人工分析”和“AI 辅助分析”的实际错误率，而不是假定其中一种天然更安全。
  • 但反驳者认为 AI 的特殊危险在于它可以用极低成本、极高速度制造大量“看起来可信”的错误，从而把单个人类分析员的错误规模化。
  • 有人担心军事体系追求更快的 OODA loop（观察—判断—决策—行动）后，会自然倾向于减少人工审核，而这恰恰可能放大 AI 错误。
  • 一些网友认为“human in the loop”本身并不能保证安全，因为如果人类每天需要审核几百条 AI 输出，最终很可能只剩下形式上的点击确认。
  • 有人把它类比成自动驾驶：自动化系统如果 99.9% 时间正确，反而可能让负责监督的人越来越难在剩下的 0.1% 中保持警觉。
  • 部分评论担心军事 AI 会形成 automation bias，即人类因为“计算机已经分析过了”而给予结果过高权重。
  • 有人认为此次事件值得庆幸的地方恰恰是最后一道人工核查仍然发挥了作用，在真正执行拦截前发现了问题。
  • 但也有人反过来认为“差一点才发现”已经说明安全机制非常脆弱，不能把最终没有发生事故理解成系统运行良好。

7. 节省另外 100TB 内存 (Saving another 100TB of RAM) #

https://blog.cloudflare.com/saving-100-tb-of-ram-with-math/

Cloudflare 在这篇博文中介绍了他们如何通过数学优化和 Rust 代码改进，为基于 Pingora 的后端路由服务（PBR）节省了超过 100TB 的全球内存。

问题源于 PBR 中使用的一致哈希库 pingora-ketama。一致哈希通过把服务器和任务映射到哈希值构成的“环”上来分配请求，这样增减服务器时只需调整少量映射。为了让负载更均匀，他们给每台服务器分配多个哈希点（默认基数 160，再按磁盘容量等权重放大）；同时因为合规、缓存特性等限制，不同请求只能落到特定服务器子集，所以需要为大量特性组合维护独立的哈希环。结果哈希点数量爆炸，有时单个服务就要吃掉数 GB 内存。

团队做了两处关键改进。第一是存储结构优化：原来每个哈希点用 8 字节（4 字节哈希 +4 字节服务器索引），他们把索引缩成 2 字节，再用字节数组打包成 6 字节结构，直接省下约 25% 内存。第二是数学分析：他们推导了多哈希点下的误差公式，发现在现有规模下，把每台服务器的哈希点数量砍掉 90% 几乎不会增加负载不均衡，反而还能避免过多哈希带来的碰撞问题。

为了不让切换瞬间导致大量缓存失效、把流量冲向源站，他们采用渐进迁移：新旧两套哈希环同时存在，按请求稳定选择使用哪一套，并按数据中心分批推进，全程监控内存、错误和源站流量。迁移完成后移除旧环，全球 PBR 内存使用量立刻下降约 100TB。

这些改动已合入开源的 pingora-ketama 库，还保留了兼容旧行为的选项。作者最后强调，看似理所当然的默认参数里往往藏着巨大优化空间，认真算一算数字就能挖出来。

HN 热度 461 points | 评论 108 comments | 作者：f311a | 1 day ago #

https://news.ycombinator.com/item?id=49758580

  • Cloudflare 通过优化一致性哈希（减少每服务器哈希数量）再次节省约 100TB RAM，延续他们系列优化文章的风格。
  • 有人怀念早期资源稀缺时代的优化创意，认为 RAM 变贵重新迫使开发者重视效率，而非只求快速上线。
  • 反对者指出优化虽好，但过度追求最小化会牺牲功能与开发速度，质量不等于盲目减内存。
  • 1% 的改进在 Cloudflare 超大规模下有意义，对普通软件系统则不值得投入大量工程时间。
  • 有人质疑为何不用 rendezvous hashing 或其他更高效方法，避免存储大量哈希表。
  • 文章写作风格被赞赏为人类撰写、数学推导有趣，而非近期常见的 AI 生成“slop”。
  • 讨论延伸到软件膨胀问题：天气应用吃 1GB RAM 等现象源于“先上线再优化”的文化。
  • 有人认为这标志着真正软件工程（需要数学与深度优化）的价值回归，AI 难以一键生成此类方案。
  • 大规模公司因硬件成本高而重视性能优化，普通公司则更关注功能交付与上市速度。
  • 有人提议用树结构或预计算哈希进一步降低内存与 CPU 开销，但一致性哈希的添加/移除稳定性是关键考量。
  • 整体上，帖子被认可为扎实的工程实践分享，引发对资源效率、开发优先级与大规模系统设计的讨论。

8. 旧金山洋葱期货公司 (San Francisco Onion Futures Company) #

https://onionfutures.com/

旧金山洋葱期货公司提供私人、可转让的黄洋葱未来实物交割合约。合约按交割月份列出，价格每日更新，目前范围约 3.65 至 9.58 美元/个，可通过 Stripe 支付购买，最多可购买未来 6 个月的合约。

交付流程：交割月第一周会联系注册所有者安排收货，主要覆盖旧金山、多伦多、西雅图和芝加哥，也可安排第三方配送。合约可通过唯一密钥转让，转让后旧密钥失效。定价由专有算法每日计算。

公司强调其合法性：美国法律禁止在“贸易委员会”交易洋葱期货，但该公司并非交易所，仅进行私人合约销售。不提供退款或现金结算，即使交付失败也不退款。联系方式：onionfutures@protonmail.com，所有者 Sophia Vysparov。

HN 热度 364 points | 评论 152 comments | 作者：z-mach9 | 19 hours ago #

https://news.ycombinator.com/item?id=49763296

  • 洋葱期货法案也禁止了票房期货，比较洋葱与玉米等期货价格可观察波动性差异
  • 洋葱、生菜、番茄的波动性看起来相似，但生菜和番茄不耐储存，季节性波动更大，削弱了期货平滑价格的作用
  • 土豆与洋葱储存性相近，但土豆价格曲线更平滑，符合期货市场应降低价格波动的理论预期
  • 农产品耐储存性越强，越便于长距离运输，价格波动自然越小，这可能是比期货更基础的解释
  • 所选生菜、番茄等本身没有活跃期货市场，因此与玉米对比更能说明问题
  • 天气影响所有作物，但期货交易的作用是转移或吸收波动，而非消除波动本身
  • 期货让交易者把未来风险转移到当下，通过定价风险让依赖者支付少量溢价换取确定性，不能直接稳定供应，但能减少波动带来的冲击
  • 减少波动是关掉水龙头，吸收波动是拖地；期货更像吸收而非减少
  • 期货的实质是让一方放弃部分利润以覆盖坏年份损失，类似金融低通滤波器
  • 期货市场的核心是赚钱，但许多衍生品用户自愿亏损，因为目的是将风险转移给愿意承担者
  • 人们愿意接受小额可预测损失，以避免偶发巨额损失；交易者通过分散对手方赚取保费
  • 期货是一种风险转移机制，类似保险
  • 运输成本也会影响价格波动
  • 该禁令应有时限，本意是阻止当时的不良行为，而非永久禁止该领域
  • 这算是一种真正的自由市场行动主义吗
  • 这可能启发了《第二十二条军规》中米洛垄断棉花市场的情节
  • 票房期货禁令很荒谬，阻止了在票房失败上赌博
  • 该网站声称合法，因为其不是“交易所”，而是私下出售合约，是对该法律的表演艺术式抗议
  • 11 月洋葱价格远低于相邻月份，可能因为 10 月 15 日是洋葱大丰收日，收获前供应稀缺

9. GPT-6 Astra 破解一战德国无线电密码 (GPT-6 Astra Solves a WWI German Radio Cipher) #

https://www.prinzai.com/p/gpt-6-astra-solves-a-wwi-german-radio

这篇文章介绍了 GPT-6 Astra 模型成功破解了一战时期德国使用 ADFGVX 加密方法的一条无线电消息，该消息此前一直未被解码。

文章首先解释了 ADFGVX 加密方法的基本原理：通过一个密钥词（如“HOUSE”）生成 6×6 的表格，每个字母对应两个字符的组合。文中以“PRINZ”为例展示了编码过程。

破解的关键在于使用了“TRUPPENVERSCHIEBUNG”作为加密词，该词需要按字母顺序重新排列后用于解密。通过复杂的列置换过程，最终解码出原始德文消息，内容为：一艘英国巡洋舰抵达塞瓦斯托波尔，盟军舰队将于 26 日跟进。

文章推测这条消息此前未被破解的原因可能是密钥使用时间与消息发送时间存在差异——密钥从 12 月 9 日才开始使用，而消息是 11 月 27 日发送的。最后，Astra 通过历史记录验证了解码内容的真实性：英国坎特伯雷号巡洋舰确实于 11 月 24 日抵达塞瓦斯托波尔，盟军舰队也于 26 日到达，与解码结果吻合。

HN 热度 352 points | 评论 163 comments | 作者：nsoonhui | 17 hours ago #

https://news.ycombinator.com/item?id=49763987

  • 用摘要词作为同一文档的加密密钥，这是一种操作安全（opsec）手段
  • AI 智能体解决这类历史密码信手拈来，很多未解密码其实是低垂果实
  • 有人让 AI 解密时，AI 引用了一个来源并误判其不可靠，实际是遗漏了跨页内容
  • 验证来源是递归问题，人类有直觉而 AI 没有，可能需要给上下文加“脏标记”
  • 直觉可能是正在加入智能体的次级神经网络
  • 互联网需要转向信任网络模型，World ID 可能有用但常被误解
  • 这类 AI 明显愚蠢的错误正是通往 AGI 路上的障碍
  • 通过并行生成大量智能体（如 OpenAI 做 Stokes 问题那样）来克服错误
  • 有人用类似方法解决了另一个百年未解密码（法尔内塞信）
  • 百年未解密码被称为“低垂果实”，说明我们对突破已经麻木
  • 破解历史密码只是低垂果实，不是 LLM 宣传的主要用途；投资者不会为此投入万亿
  • LLM 在简单问题上仍会犯低级错误（如 PHP 类型声明），其可靠性令人担忧
  • 或许这个发现能用来结束一战（讽刺）
  • 很多东西未解不是因为难，而是因为没人知道它们存在
  • 古老且未解不代表重要，要看是否有过真正投入的破解尝试
  • 破解这类密码只是大量琐碎工作，所以一直没人做
  • 这个破解利用的是已有但未按预期时间使用的密钥，标题有误导性
  • 智能体正在替人类做那些懒得做的琐碎工作

10. 韩国将数据泄露罚款提高至营收的 10% (Korea raises data breach fines to 10% of revenue) #

https://www.koreajoongangdaily.com/business/korea-raises-data-breach-fines-to-10-of-revenue/12869899

韩国个人信息保护委员会修订《个人信息保护法》，自本周五起，因故意或重大过失泄露 1000 万人以上个人信息的公司，最高可被处以年营收 10% 的罚款。此前上限为营收的 3%。若泄露风险较高但尚未确认，企业也须在 72 小时内通知用户。

新规还引入“潜在泄露通知制度”，并扩大首席隐私官的责任。年营收超 1800 亿韩元且处理 100 万人以上个人信息的企业，任免首席隐私官须经董事会批准并上报委员会。提前投入数据保护、主动报告并防止损失扩大的企业，最高可减免 40% 罚款。

以电商平台 Coupang 为例，其因泄露 3755 万人信息被罚 6246 亿韩元，若按新标准罚款可能达数万亿韩元，但实际处罚仍取决于意图、过失及损害程度等因素。

HN 热度 322 points | 评论 108 comments | 作者：throw7 | 1 day ago #

https://news.ycombinator.com/item?id=49759466

  • 用壳公司持有数据，被黑后破产换新壳，规避罚款和安全投入。
  • 法律可通过“刺破公司面纱”堵住壳公司漏洞，但实践中很难，除非公司草率。
  • 如果利用漏洞逃避罚款，立法者会修改法律明确允许刺破面纱。
  • 数据不收集就不会泄露，使用后应删除，让数据成为更大责任。
  • 对大学等机构，避免收集和保留数据并不容易。
  • 应将个人数据视为现金，限制数量和保留时间，由第三方专业机构保管。
  • 合规和最佳实践（如 ISO27001）是标准，不需要完美，但能减少罚款和风险。
  • 罚款比例（欧盟/英国 4%，韩国 10%）应足以激励企业重视数据保护，但美国在倒退。
  • 企业会计算罚款风险与安全成本，可能选择不投入，除非有足够激励。
  • 合规能提升组织专业性和价值，避免未来诉讼和高管责任。
  • 现实中很多数据泄露公司（如 Experian、LastPass）的高管并未被追责。

Hacker News 精彩评论及翻译 #

AI-generated posters don’t have to be horrible #

https://news.ycombinator.com/item?id=49765646

A lot of people in the comments say that the supposedly better examples in the article are still “horrible” because they can tell they’re AI and point to things that the AI did “wrong” and a human artist would do better.

That may be true if you’re working with a top of the line artist, but in my experience the average freelance designer online is significantly worse than AI. I’ve worked with dozens of budget friendly designers on Fiverr and consistently get way worse results than I’ve gotten from AI models. Will a great human designer produce better output than an AI? Maybe, but a small local event or business probably won’t have the budget to hire them or know where to find them. It’s cheaper, faster and easier to use AI to generate something that’s good enough for their purposes.

People also point out all the little flaws in the “good” examples and cite them as obvious tells that they were AI generated. I think it would be interesting to see if people could reliably distinguish between AI generated flyers and human made flyers. Sure, sometimes it’s obvious like when the AI adds those weird, cartoony people. But if the model is told not to create designs like that and stick to the styles used in the second half of the article, I expect people would have a much harder time distinguishing the human designs from the AI designs.

ajjenkins

评论区里很多人说，文章中那些 supposedly 更好的例子依然“糟糕”，因为他们能看出那是 AI 做的，并指出 AI“做错”的地方，而人类艺术家会做得更好。

如果你合作的是顶级艺术家，那可能确实如此，但根据我的经验，网上普通的自由设计师水平明显比 AI 差。我在 Fiverr 上和几十位预算友好的设计师合作过，结果 consistently 比我从 AI 模型那里得到的还要差。优秀的人类设计师能产出比 AI 更好的作品吗？也许吧，但一个本地小活动或小企业大概没有预算去雇他们，也不知道该去哪里找。用 AI 生成一个足够应付他们需求的东西，更便宜、更快、也更省事。

还有人指出那些“好”例子里的所有小瑕疵，并说这些明显暴露了它们是 AI 生成的。我觉得有意思的是，人们是否真的能可靠地区分 AI 生成的海报和人工制作的海报。当然，有时很明显，比如 AI 加上那些奇怪的卡通小人。但如果提示模型不要做那种设计，只使用文章后半部分那种风格，我猜人们要区分人工设计和 AI 设计就会困难得多。

Two parallel neural ectoderm progenitors contribut… #

https://news.ycombinator.com/item?id=49764026

What a way to oversell the discovery.

The reality is:

  • Different brain regions have different functions: ancient knowledge.
  • Different regions contain distinct cell types and molecular programs: also well established.
  • Anterior and posterior brain structures may trace back to fundamentally separate progenitor lineages that were independently specified very early in evolution and development: that’s the interesting new result. The headline should have been: “Human forebrain and hindbrain arise from distinct embryonic progenitor lineages” - not that we have “two organs” in the brain.

itvision

这样宣传这个发现真是太过头了。

实际情况是：

  • 大脑不同区域有不同功能：老知识。
  • 不同区域包含不同的细胞类型和分子程序：也早已确立。
  • 前脑和后脑结构可能追溯到根本不同的 progenitor 谱系，这些谱系在进化和发育早期就被独立设定：这才是有趣的新结果。 标题本应是：“人类前脑和后脑起源于不同的胚胎 progenitor 谱系”——而不是说我们大脑里有“两个器官”。

I built non-autoregressive decision models with RL… #

https://news.ycombinator.com/item?id=49769116

It’s a tale as old as time — people don’t understand that marketing and branding are just as important, if not more so, than the product. Jev is exceptionally-well branded. Anyone can look at the webpage and understand it, and the implications, instantly.

OPs “marketing” is a single post on Reddit titled “ Predicting sales conversion probability from conversations using pure Reinforcement Learning”. Can you understand what that means? I can’t, and I consider myself reasonably technical. Is it obvious it has the same implications as Jev? Again, no idea. And it was just a single post on a subreddit that I don’t even browse! I see people on this thread saying “Jev is just BERT”. Sure, and Dropbox is just a ftp account mounted with curlftpfs!

I do feel bad for the author for finding something cool and being unable to brand it. But the full definition of “product” INCLUDES being able to coherently communicate it. In some sense the branding is just as much the “breakthrough” as the model.

johnfn

这是一个古老的故事——人们不明白营销和品牌塑造与产品本身同样重要，甚至更重要。Jev的品牌打造得异常出色。任何人都能看一眼网页并立刻理解其内容及其含义。而原帖作者的“营销”只是在Reddit上发了一个帖子，标题是“使用纯强化学习从对话中预测销售转化概率”。你能理解这是什么意思吗？我不能，尽管我认为自己还算懂技术。它是否明显具有与Jev相同的含义？同样，完全不清楚。而且那只是在一个我甚至都不浏览的子版块上发的一个帖子！我看到这个帖子里有人说“Jev不过是BERT”。当然，Dropbox也只不过是用curlftpfs挂载的一个FTP账户！

我确实为那位作者感到难过，他发现了很酷的东西却无法将其品牌化。但“产品”的完整定义就包括能够清晰连贯地传达它。在某种意义上，品牌塑造本身和模型一样，都算是一种“突破”。

San Francisco Onion Futures Company #

https://news.ycombinator.com/item?id=49763552

Hi! I’m the proprietor of onionfutures.com. I’m actually not a member of UChicago for Our Futures and came up with the idea independently, but we’ve since connected and they handle our Chicago deliveries.

a11ce

嗨！我是onionfutures.com的经营者。实际上我不是“芝加哥大学支持我们的未来”的成员，这个想法是我独立想出来的，但后来我们联系上了，他们负责我们在芝加哥的配送。

AI-generated posters don’t have to be horrible #

https://news.ycombinator.com/item?id=49765906

The biggest problem that I have with most AI posters is that they are too busy, you have to look for information instead of seeing it popping right away.

Amateurs posters of before AI didn’t have this problem. White background, the important info in big letters, maybe one clipart or to. So I’m not talking about how pro artists could make a better job, but even the small local non-profit used to produce better posters. Not in the sense of “better looking”, but in the sense that they were more readable.

At least the examples of this blog are more readable than what we usually see.

eloisant

大多数AI海报最大的问题是它们太杂乱了，你得自己去找信息，而不是一眼就能看到重点。

AI出现之前的业余海报制作者没有这个问题。白底，重要信息用大字号，也许配一两个剪贴画。所以我说的不是专业艺术家能做得更好，而是即使本地的小型非营利组织过去做的海报也更好。不是“更好看”的意思，而是更易读。

至少这个博客里的例子比我们通常见到的要易读得多。

I built non-autoregressive decision models with RL… #

https://news.ycombinator.com/item?id=49765997

I played around with Jev last night and did it for classification tasks that I used Gemini 2.5 flash lite with.

It’s a bit faster and bit cheaper, but this is compared to LLM. The consistency was nice to see, BUT, as someone who trained NLP models prior to LLMs, it’s just BERT with more data. I can see why people would want ready made one shot classifier, and I can see the value of sending multiple classifier in one call, but I wouldn’t call it breakthrough. And I believe many labs will replicate it in no time and might have it as part of their harness.

I see it as a wake up call for the tech community to go back to basics for most tasks instead of relying solely on generic LLMs.

Oras

我昨晚用Jev玩了一下，并针对我之前用Gemini 2.5 Flash Lite做的分类任务进行了测试。它确实更快一些，也便宜一些，但这是与LLM相比。一致性方面看起来不错，但是，作为一个在LLM之前就训练过NLP模型的人，我觉得它就是用了更多数据的BERT。我能理解为什么人们会想要现成的一次性分类器，也看到了在一次调用中发送多个分类器的价值，但我不会称其为突破。而且我相信很多实验室很快就会复现它，并可能把它纳入自己的测试框架中。我认为这对技术社区来说是一个警钟，提醒大家对于大多数任务应该回归基础方法，而不是完全依赖通用的LLM。

San Francisco Onion Futures Company #

https://news.ycombinator.com/item?id=49763509

The people behind this are a real (if silly) student organization at UChicago and Northwestern campaigning for the legalization of onion futures trading. Sometimes they will aggressively hand out free onions to passerby on campus. It’s quite entertaining.

They have a website also: https://onionfutures.org

mimorigasaka

这些人是芝加哥大学和西北大学一个真实（虽然有点傻）的学生组织，致力于推动洋葱期货交易的合法化。有时他们会在校园里 aggressively 向路人免费发洋葱，相当有趣。

他们还有一个网站：https://onionfutures.org

How to Write with an LLM #

https://news.ycombinator.com/item?id=49753666

This would sound insane to me from two years ago but I have recently started insisting on writing all my own commit messages and pull request descriptions. I do usually have an agent review them for factual accuracy, but not rephrase them.

It slows things down a bit, but in the best possible way. It has helped immensely to improve the depth of my understanding of the agent-generated code. When agents are doing everything its way too easy to “skim” diffs and not really absorb them.

I always prided myself on my technical writing, and commit messages and PRs were a great place to hone that skill. I found that I missed it and my work is better now I’ve reclaimed that part of my old job back.

semiquaver

两年前的我听到这个可能会觉得不可思议，但最近我开始坚持自己写所有的提交信息和拉取请求描述。我确实通常会让一个智能体检查它们的事实准确性，但不会让智能体改写措辞。

这确实让节奏慢了一点，但慢得恰到好处。它极大地帮助我加深了对智能体生成代码的理解。当智能体包办一切的时候，人们太容易“扫一眼”diff而并没有真正吸收其中的内容。

我一直为自己的技术写作能力感到自豪，而提交信息和拉取请求正是磨练这项技能的好地方。我发现自己其实很怀念这件事，而现在重新拿回了旧日工作中这部分内容之后，我的工作质量也更好了。

I built non-autoregressive decision models with RL… #

https://news.ycombinator.com/item?id=49767192

I think the main gripe that people had with Jev and Typesafe was the language used when they launched. To me personally it seemed like a parody/con/shady at first.

“Breakthrough”, “our research went in another direction” , “Two years in stealth”, “System One thinking model”, “Jev can’t hallucinate”, “RLCD”,“We are doing very cool stuff, but we will have to hire you to tell you”, - these are some of the things that they said on their website on the launch blog.

I had used versions of bert to achieve the same functionality years ago. But to me it seems like they were able to trick the VCs with “can’t hallucinate” etc.

To the above author, kudos for sharing your work and making it open. Something like this shouldn’t be closed in the first place when it has been available for so many years

prometheus1992

我认为人们对Jev和Typesafe的主要不满在于他们发布时使用的语言。对我个人来说，起初这看起来像是一种模仿/骗局/可疑的东西。

“突破”、“我们的研究走向了另一个方向”、“两年隐身模式”、“系统一思维模型”、“Jev不会产生幻觉”、“RLCD”、“我们在做非常酷的东西，但我们要雇佣你才能告诉你”——这些是他们在发布博客网站上所说的一些话。

多年前我就用过Bert版本来实现相同的功能。但在我看来，他们似乎用“不会产生幻觉”等说法欺骗了风险投资家。

对上述作者，感谢你分享你的工作并使其开源。这种东西一开始就不应该被封闭，因为它已经存在这么多年了。

AI-generated posters don’t have to be horrible #

https://news.ycombinator.com/item?id=49765461

I find it kinda funny that even “smartest”, most capable models often have a very hard time going beyond surface-level, top-of-mind associations, when faced with creative tasks.

Of course , a “Japanese Minimal Poster” has a sakura and a stylized flag of Japan, duh

A human designer would probably think that “Japan -> sakura” and “Japan -> Japanese flag” are way too obvious, too banal, too stereotypical, and, most importantly too boring. And then they would probably sit for a while and try to think of something fresher and less clichéd.

But AI has absolutely no problem with going with the cheesiest, most overused trope.

vova_hn2

我觉得有点好笑的是，即使是最“聪明”、最有能力的模型，在面对创造性任务时，往往也很难超越表面层次、脱口而出的联想。

当然，“日本极简海报”就会有樱花和风格化的日本国旗，废话。

人类设计师可能会觉得“日本→樱花”和“日本→日本国旗”太明显、太庸俗、太刻板，而且最重要的是太无聊。然后他们可能会坐着思考一会儿，试图想出更新鲜、不那么老套的东西。

但AI完全没问题，会直接选用最俗套、最被滥用的老梗。

Claude Code now reads AGENTS.md if there is no Cla… #

https://news.ycombinator.com/item?id=49762619

The fact that it took this long to add such a basic feature is a disgrace. I’m not even remotely satisfied. Bailed on Claude ages ago. Rolling Codex, Gemini, and Qwen3.8 30B. The only way I’m going back to Anthropic is if they drop and Culture Series mind.

perganomoly

这样一个基本功能花了这么久才加入，真是耻辱。我一点也不满意。很久以前就放弃Claude了。现在用Codex、Gemini和Qwen3.8 30B。唯一能让我回到Anthropic的办法，就是他们推出一个“文明系列”那样的心智。

AI-generated posters don’t have to be horrible #

https://news.ycombinator.com/item?id=49765120

It’s not complicated - the default style signals low effort. Why should I get excited about the village fete if the organizers put in the barest minimum of effort?

But there’s another reason it drives people crazy - it’s low effort trying to present as high effort. If the sign was simple Comic Sans then it would at least be charmingly honest.

JSR_FDED

这不复杂——默认样式本身就说明没花心思。如果 organizers 连最基础的一点功夫都不愿下，我凭什么对村里的游园会提起兴致？

但还有另一个让人抓狂的原因——它明明没用心，却偏要装出一副很用心的样子。如果这牌子就用普通的 Comic Sans，那至少还带着一种诚实的可爱。

Android 17 is the first since 3.x to add new APIs … #

https://news.ycombinator.com/item?id=49760546

But they won’t learn that on their own

I think they’re fully aware of this. They just don’t care, because the goal of “get market share super high” has been reached, so now they have no need for it to continue being open.

I don’t disagree about what that means we should do; I just don’t think we should assume they’re being naive here. It’s like writing a program to play chess; you should select your move assuming the opponent is smart and will make the optimal counterplay rather than assuming weakness, and then if they end up being less smart than that, you’re still in a good place.

saghm

但他们不会自己学到这一点

我认为他们完全清楚这一点。他们只是不在乎，因为“市场份额超高”的目标已经达成，所以现在他们没有必要继续保持开放。

我不反对这意味我们应该采取的行动；我只是觉得我们不应假设他们在这里很天真。这就像编写一个下棋程序；你应该假设对手很聪明、会做出最优应对来选你的棋步，而不是假设对方弱，然后如果他们最终没那么聪明，你仍然处于有利位置。

I vibed a proof of Conway’s conjecture #

https://news.ycombinator.com/item?id=49757458

For some reason, this approach makes me think of the difference between “wizardry” and “sorcery” in some fantasy magic systems. The magic of “wizards” is fundamentally based on a deep study and understanding of arcane things, perhaps assisted by some (necessary or helpful) tools of great power. “Sorcerers” summon supernatural beings and are able to control them, cajole them, and protect themselves and others against them (with more or less success)… but the actual desired magical effect is performed by those beings.

Computing has historically been a field of wizardry. It’s… interesting (?) to see so many people pushing so hard in the direction of sorcery, and in fact applying that sorcery to other fields, in which they themselves aren’t quite able to validate whether the spell worked or not.

gbjcantab

不知为何，这种方法让我想起一些奇幻魔法体系中“巫术”与“妖术”的区别。“巫师”的魔法根本上基于对神秘事物的深入研究和理解，或许辅以某些（必要或有用的）强大工具。“妖术师”则召唤超自然存在，并能够控制它们、哄骗它们，以及保护自己和他人免受其害（成功程度不一）……但实际想要的魔法效果是由那些存在完成的。

计算在历史上一直是巫术领域。看到这么多人拼命朝妖术的方向推进，甚至把这种妖术应用到其他领域——而在那些领域里，他们自己并不太能验证咒语是否真的奏效——这……挺有意思的（？）。

San Francisco Onion Futures Company #

https://news.ycombinator.com/item?id=49763378

For those who don’t know:

https://en.wikipedia.org/wiki/Onion_Futures_Act

(which also banned box office receipt futures)

A fun thing is to go on FRED and make a graph with prices from onions and, say, corn to see the differences in volatility.

cwal37

给不知道的人：

https://en.wikipedia.org/wiki/Onion_Futures_Act

（该法案也禁止了票房收入期货）

一件有趣的事是去FRED上，用洋葱和比如玉米的价格画一张图，看看波动性的差异。