Agili 的 Hacker Podcast 2026-09-18

2026年9月18日

欢迎阅读 Agili 的 Hacker Podcast 每日精选。今天的内容涵盖底层模拟器架构对弱内存模型的攻坚、企业身份验证中的漏洞链路、人工智能训练数据版权诉讼的内部披露，以及古语言学与古生物学的前沿考证。

通过堆溢出与 SSO 配置缺陷攻入 OpenAI 内部仓库

图像解码库中的链式突破

安全研究团队 Hacktron 披露了一套在 72 小时内打通的攻击链路，最终获得了对 OpenAI 内部单体代码仓库（monorepo）openai/openai 的写入权限。突破口始于开源图像处理库 libheif。该库在解码 HEIC 格式图片时存在堆缓冲区溢出（heap buffer overflow，指程序向堆内存写入了超出预期范围的数据）。尽管上游此前做过调整，但提交记录未注明安全修复且未分配 CVE（通用漏洞披露）编号，导致 Debian 分支未能及时合入补丁。OpenAI 的官方帮助论坛基于开源软件 Discourse 搭建，其依赖的 ImageMagick 恰好调用了未修补的 libheif 库。

大语言模型辅助漏洞利用

研究团队利用最新发布的 Claude Opus 5 辅助编写攻击载荷。在绕过 ASLR（地址空间布局随机化，一种防止内存攻击的操作系统防护机制）遭遇瓶颈后，模型在 3 小时内完成了针对 Discourse 容器环境（x86-64 架构与 jemalloc 内存分配器）的适配。为绕过安全对齐限制，研究人员通过本地代理将测试环境伪装为 CTF（网络安全夺旗赛）靶场，使模型在自动化循环中完成了远程代码执行。

身份凭证扩散与赏金争议

获取容器权限后，攻击者利用 OpenAI SSO（单点登录系统）的权限校验缺陷展开横向移动。论坛系统捕获的登录凭证未严格限制访问范围，研究人员借此重用了登录用户的身份，并在一台绑定了公司内部 GitHub 组织的员工账户中创建了验证用的拉取请求（PR #1186742）。

OpenAI 在 14 小时内修复了认证配置，并依据项目范围向研究团队发放了 6,500 美元赏金。社区讨论指出，由于 Discourse 属于外围系统，赏金主要对应 SSO 的配置缺陷，但相比内部代码库受到的潜在威胁，这一奖励金额引发了广泛讨论。Discourse 随后引入了基于 Linux 内核 Landlock 的沙箱机制，用于隔离图片处理组件。

微软高管法庭文件将 AI 抓取称为“人类史上最大规模劳动力盗窃”

解密备忘录揭示内部定性

在《纽约时报》起诉 OpenAI 与微软（Microsoft）的版权诉讼中，新公开的法庭解密文件披露了两家机构多名管理层和技术人员的内部表态。微软应用科学总监 Brent Hecht 在 2023 年初的备忘录中将 AI 抓取数据描述为“人类历史上最大规模的劳动力盗窃”，并在后续演示中警告“毁灭循环”：Copilot 问答模式导致《纽约时报》域名的直接点击率相比传统搜索下降了 93%。

付费墙规避与训练集清洗

解密材料记录了技术团队绕过商业限制的过程。OpenAI 研究人员曾向管理层演示如何规避付费墙抓取文章，数据团队在构建预训练语料库时主动剔除了版权声明信息。文件显示，除了 Common Crawl（一个抓取海量网页归档的非营利项目）提供的数百万篇报道外，微软还通过代号 Project Mango 等内部项目向模型训练注入了逾 16 万篇新闻文章。微软首席执行官 Satya Nadella 在证词中承认聊天机器人的回答替代了用户回访原始网站，并主张付费内容应当建立授权协议。

合理使用边界与规模效应

这些记录削弱了科技巨头在此类诉讼中主张的合理使用（fair use）抗辩。Hacker News 社区讨论集中在人类阅读与算法吞吐的规模差异上：自然人学习并产出劳动成果不会直接颠覆原作的市场根基，而能够无限并发的算法直接吸纳全网智力成果，会从源头上切断出版商的商业闭环。讨论也指出了大模型生态在规则上的不对称：商业机构对自身代码与模型权重施加严密的知识产权保护，却在数据汲取阶段无偿占有公共网络的内容。

x86 模拟之苦：在弱内存模型芯片上映射强一致性

内存架构的核心冲突

跨架构模拟器 FEX 团队近期刊文，分析了在 ARM 架构上运行 x86 游戏时面临的底层硬件屏障。阻碍性能释放的核心不在于 CPU 指令翻译，而在于内存模型的根本分歧。x86 采用严格的 TSO（Total Store Ordering，完全存储定序），硬件严格保证多核之间的内存读写可见顺序；ARM 则基于弱一致性（Weak Ordering）模型，默认允许处理器为了能效打乱内存访问顺序。为了在基础 ARM 核心上维持 x86 的执行确定性，模拟器被迫把常规的读写操作全部转换为开销巨大的 load-acquire（加载-获取）与 store-release（存储-释放）屏障指令，直接拖累了内存吞吐。

硬件支持与苹果的解决方案

ARM 近年推出了 FEAT_LRCPC（Release Consistency processor consistent）等指令集扩展，逐步收窄了内存读取时的性能损耗。更激进的方案来自物理硬件级适配：苹果在 Apple Silicon 系列芯片中直接集成了硬件 TSO 模式。开启该模式后，ARM 核心读写逻辑直接贴合 x86 定序规则，将模拟损耗降至极低水平。Asahi Linux 团队也在 Linux 环境中成功调用了这一硬件机制。

未对齐访问与未缓存内存瓶颈

原子操作的内存对齐机制是另一个性能痛点。x86 软件频繁触发跨缓存行的未对齐原子访问（split-lock），而 ARM 架构在面对此类操作时会直接抛出对齐异常（Alignment Fault）。为了维持游戏稳定运行，FEX 必须通过运行时捕获异常并在 JIT（即时编译）层回退至低速安全指令。在搭载 Cortex-X4 的掌机测试中，团队甚至把异常拦截逻辑推入内核补丁，才把上下文切换的延迟从 1060ns 压缩至 209ns。此外，ARM 当前的扩展尚未覆盖面向 PCIe 数据传输的未缓存写入合并内存（Write-Combine Memory），导致部分依赖特定渲染缓冲区的 PC 游戏在独立显卡上运行速率跌至 1 FPS，目前主要依赖驱动级补丁将其转译为统一内存回写来缓解冲突。

通向无密码时代的阻碍：重新审视通行密钥的可用性缺陷

强安全背后的恢复陷阱

基于 WebAuthn 标准的通行密钥（Passkeys）正在被各大平台广泛引入。它通过公私钥体系将凭据绑定在物理设备与访问域名上，在技术层面上能够消除针对密码的中间人钓鱼（Phishing）攻击。这一机制在拥有完善 IT 集中管控的企业内网表现良好，但在个人用户日常使用中暴露出了可用性问题。对普通用户而言，最常见的威胁并非定向网络钓鱼，而是硬件损坏、遗失、设备锁定以及大厂自动化风控带来的封号风险。传统密码是一串完全归属于个人的纯文本字符串，可多处备份或离线记录，而通行密钥的硬件不可导出属性显著放大了意外失联的概率。

硬件限制与生态壁垒

物理安全钥匙（如 YubiKey）由于硬件安全隔离，不支持直接导出私钥备份，用户通常需要购置多把硬件并为每个服务重复注册。此外，免输入用户名的可发现凭据（Discoverable Credentials）在物理芯片中的存储容量较为有限，主流型号通常只能保存数十个凭据。转向苹果或谷歌的云端钥匙串方案虽然解决了同步问题，却将用户的访问权限牢固绑定在各自的操作系统生态内。在他人电脑或无蓝牙连接的公共设备上，通行密钥依赖的“混合传输”（Hybrid Transport）扫描握手经常因网络环境隔离而失效。

平台推广手段与回退路径的矛盾

科技公司的推广策略在技术社区引发了质疑。部分主流服务采用缺乏“永久忽略”选项的设计，误触后往往直接禁用密码登录回退，导致非技术用户在更换手机或配置异常时陷入自救死锁。许多声称全量接入通行密钥的站点，其底层账户找回逻辑仍然依赖短信验证码或邮箱临时链接，系统的最终安全防线并没有脱离原有链路的制约。对于习惯使用独立密码管理器配合 TOTP（基于时间的一次性密码）认证的技术群体，当前通行密钥生态在跨平台填充体验和灾难恢复容错率上仍显不足。

Qwen3.8-Omni-Flash：长视程多模态模型与实时交互架构

多模态工作流下沉

阿里巴巴开源了原生全模态模型 Qwen3.8-Omni-Flash。该模型支持文本、图像、音频与视频的联合输入，上下文窗口扩展至 1M token。与专注于单纯识别的多模态系统不同，该版本强调长视程（long-horizon，涉及长时间多步骤规划与执行）任务的调度与工具调用。针对长时间视频输入，模型引入了粗筛加局部精检的自主探查机制，OmniVideoBench 基准测试显示，该机制在降低 45.7% token 消耗的同时提升了准确率。在内部测试中，团队展示了由模型自主诊断小尺寸模型错误、自动构建 3,413 条针对性训练样本并完成迭代微调的流程。

实时流式响应与定位

随主模型同步推出的还有 Qwen3.8-Omni-Flash-Realtime，针对极低延迟交互场景，支持基于 WebSocket 和 WebRTC 的双向实时音视频流通信，并配套开源了交互运行时 Qwen-Live Harness。该模型整合了空间音频感知能力，能够结合声音方向与摄像头捕捉的画面实现物理环境中的声源定位与导航规划，并覆盖了 74 种语言及 39 种方言的识别。

价格梯度与选型考量

尽管官方 API 定价显著低于同类竞品，Hacker News 开发者在评估时指出，单任务的实际花费受到思维链（CoT）展开长度和提示词命中率的综合影响。参数规模较小的模型在复杂长步骤推理中可能需要更多轮次的修正与重试，从而抵消名义费率优势。部分工程师提出，针对特定业务需求，选定稳定的小尺寸模型（如 Gemma-4 或 GLM 系列）并针对性调优系统提示词，在工程落地中往往比盲目追逐多模态新模型更可控。

Jemalloc 5.4.0 发布：架构解耦与自适应线程缓存

核心调度与内存锁定机制

底层内存分配器 Jemalloc 推出了 5.4.0 正式版，涵盖超过 160 次代码合并。新版本引入了 EXTENT_ALLOC_FLAG_PINNED 标记，允许自定义扩展分配钩子将类似 HugeTLB 的不可回收大页内存固定下来，跳过衰减清理流程优先循环复用，并提供了配套的状态监控接口。针对线程缓存（tcache），分配器移除了原本基于固定步长的清理逻辑，转为根据回收周期内的实际运行负载动态调整填充目标，相应废弃了 lg_tcache_nslots_mul 等 7 项历史配置项。

平台抽象与核心解耦

此次重构对代码结构进行了系统性解耦，将长期堆积在 jemalloc.c 中的进程分叉编排、初始化检查以及分配调度逻辑拆分为独立的模块，理顺了底层头文件的交叉依赖。核心层引入了专属的操作系统抽象层（OSAL），将虚拟内存映射、系统时钟同步与输入输出操作与分配器逻辑彻底剥离，并为基础内存块的增长施加了硬性上限，防范极端竞态条件耗尽虚拟地址空间。

稳定性与跨平台调整

版本修正了多项边界行为：free 与 process_madvise 页面清理逻辑现已能够完整保留 errno 错误码，free_sized 依照 C23 标准开始支持空指针传入；后台监控线程调度全面改用单调时钟 CLOCK_MONOTONIC，规避系统时钟回拨造成的线程死锁风险；同时针对 macOS 平台的 CPU 核心读取与 MinGW 线程销毁执行了兼容性修复。

OpenJev：浏览器内运行的小模型语义决策探索

纯前端分类与推断延迟

开源项目 OpenJev 近期展示了一组完全在浏览器端利用本地 GPU 运行的语义决策实验。该项目试图通过端侧小模型还原分类服务 Jev 的调用方式。通过 wllama 引擎配合 GGUF 格式，用户可在浏览器内直接加载 Qwen3（0.6B）到 Qwen3.5（4B）等不同参数的模型。测试直观展示了两种决策路径的性能反差：直接读取指定选项标记的原始对数几率（logits）并进行 Softmax 归一化，其响应延迟大幅领先于让大模型逐词自回归生成 JSON 格式判断结果的传统做法。

前向预填充与受限标签映射

社区在技术讨论中剖析了构建高频语义决策工具的合理工程路径。在实际场景中，跳过自回归文本解码（decoding）是抹平推理延迟的关键。部分开发者分享了更激进的设计：将业务上下文作为前向预填充（prefill）统一处理一次，随后仅对词表最前面的有限分类标签进行加权提取，从而规避庞大的全词表矩阵运算，在端侧硬件上实现数十毫秒级别的标签分类。虽然端侧小模型在应对对抗性提示词或复杂二选一时依然存在置信度校准偏差，但此类实验证明，将轻量级模型作为受限分类器运行，正在成为边缘计算场景中替代昂贵 API 调用的实用技术方向。

Cloudflare Quick Tunnels：面向智能体测试的临时穿透工具

免认证本地端口映射

Cloudflare 面向编程智能体与自动化测试场景重新包装推出了 Quick Tunnels 功能。开发者通过一条 CLI 命令 cloudflared tunnel --url http://localhost:8000，无需配置账号凭证、DNS 解析或路由器端口映射，即可直接利用出站连接将本地端口暴露在 Cloudflare 边缘节点的随机临时 HTTPS 域名下。新版在标准输出中原生提供了机器可读的 JSON 结构，方便自动化测试流程与智能体脚本直接捕获分配的主机名进行 Webhook（网络钩子）回调验证，终端会话终止后临时隧道即刻注销。

匿名风险与使用边界

免注册穿透虽然降低了试用门槛，但在工程社区也带来了关于滥用的顾虑。由于无身份门槛的临时公网映射极易成为钓鱼攻击与爬虫扫描的目标，缺乏访问鉴权的本地测试服务面临被未授权探测的风险。此外，官方明确了该功能的运行指标：单个临时隧道最大支持 200 个并发请求，超出将触发 HTTP 429 限制，不支持服务器发送事件（SSE），且服务条款禁止将其用于持续的视频流媒体传输。社区普遍建议将其限制在短生命周期的接口调试与集成验证环节，涉及内部长期协作的场景依然建议依托 Tailscale 或私有专网工具搭建。

前希腊语：古希腊语中隐藏的新石器时代遗存

农耕借词与海洋词汇缺失

历史语言学研究显示，古希腊语中约有 1,000 个无法追溯到原始印欧语（Proto-Indo-European）词根的基础词汇。当操早期印欧语的游牧人群从黑海草原迁徙至爱琴海沿岸时，他们遭遇了已经在此定居农耕数千年的新石器时代人群。由于内陆草原缺乏相应的生态概念，希腊语直接借用了本土原住民对地中海植被与地形的称谓，包括橄榄（olive）、风信子（hyacinth）、柏树（cypress）以及神话英雄阿喀琉斯（Achilles）。早期希腊人曾尝试用“道路”一词引申指代水域，但最终在希腊语中确立并延续至今的“海洋”（thálassa），同样是一个非印欧语源的底层借词。

语音变异与多语言接触模型

这些底层词汇通过反常的语音结构被识别出来：原始印欧语罕见的浊辅音 /b/ 以及特定的辅音聚簇在这些词中高频出现。借词进入早期希腊语时呈现出剧烈的拼读摇摆，例如古希腊语中表示“黑暗”一词存在多种截然不同的辅音打头变体，荷马史诗中的奥德修斯在希腊语（Odysseus）和拉丁语（Ulysses）之间也呈现出 d/l 发音交替。以 -nth-（如 Corinth）和 -ss-（如 Knossos）为特征的地名和植物后缀构成了这一底层语言的核心标记。

现代印欧语言学界倾向于认为，“前希腊语”并非单一统一语种，而是新石器时代欧洲多语言群落的集合。带有动植物后缀的自然词汇可能属于早期泛欧洲农业人群的共同词汇层；而涉及到大型建筑、迷宫（labyrinth）、个人浴缸以及织造技术等具有高度社会分工性质的词汇，则是青铜时代迈锡尼人群向克里特岛米诺斯文明（Minoan）借入的文化伴生词汇。

西班牙出土首例北美梁龙化石：重绘晚侏罗世恐龙迁徙图谱

伊比利亚半岛的关键骨骼

西班牙迪诺波利斯基金会古生物团队在特鲁埃尔省的拉特赫里亚遗址，发掘出北美洲地理版图以外的第一批梁龙属（Diplodocus）化石。这批生活在距今约 1.5 亿年前的恐龙化石包含 14 节保存完整的尾椎骨与特征明显的脉弧骨（chevron bones，位于尾椎下方保护血管和神经的骨骼）。经过骨骼解剖学比对，该个体属于体长约 25 米的巨型长颈蜥脚类恐龙，亲缘关系高度贴近北美著名的哈氏梁龙，与伊比利亚半岛此前发现的本土图里亚龙属存在显著构造区分。

大陆裂解与间歇性陆桥

这项发现为晚侏罗世欧洲与北美之间的古地理联系提供了实体依据。在劳亚大陆分裂初期，北美洲与伊比利亚半岛随着原始大西洋的扩张逐渐拉开距离。古地理模型表明，在温暖无极地冰盖的侏罗纪末期，周期性的海平面升降使得新形成的狭窄洋盆边缘短暂暴露出连接性陆桥，为超大型陆地动物在两个大陆板块之间的走廊迁徙创造了物理条件。这一标本的确认表明，过往将梁龙视作北美大陆特有物种的认知，很大程度上受到了特定地质年代化石埋藏条件的地域采样偏差影响。

播客全文

女：Hello 大家好，欢迎收听 Agili 的 Hacker Podcast，我是莓莓。

男：大家好，我是阿迪。

女：阿迪，这周安全圈有个挺轰动的事。OpenAI 自己的内部代码仓库，居然被外部安全研究人员拿到了写入权限，还提交了一个 PR。

男：对，Hacktron 团队干的，整个攻击链在 72 小时内就走通了。更戏剧化的是，他们最后拿到了 OpenAI 的 6,500 美元漏洞赏金。

女：等等，能往内部仓库提 PR，就给六千五？很多开发者都觉得这金额低得离谱吧。

男：社区里确实不少人觉得给少了。不过 OpenAI 的解释是，赏金只针对他们内部 SSO（单点登录系统）的权限配置疏漏，至于最外层的论坛被黑，因为是外部托管的 Discourse 开源论坛，不在赏金范围内。而且在黑市上，这种纯服务端利用链一旦修复就彻底失效，不像客户端零日漏洞那么能卖上高价。

女：那他们最初是怎么从一个技术社区论坛打进去的？

男：突破口在开源图像库 libheif。论坛处理用户上传的 HEIC 图片时，会调用 ImageMagick，底层接着调用 libheif。这个库存在堆缓冲区溢出（heap buffer overflow，向堆内存写入了超出预期范围的数据）。上游其实修过，但没写是安全修复，也没申请 CVE 编号，Debian 维护的分支就没跟进补丁。研究人员就借此拿到了远程代码执行。

女：听说这次写攻击脚本，他们还找了 AI 当助手？

男：对，他们一开始用 Claude Opus 4.8，想绕过 ASLR（地址空间布局随机化，防止内存攻击的操作系统防护机制）卡住了，换成最新的 Claude Opus 5 之后，模型 3 小时就搞定了本地利用。为了绕过模型“拒绝攻击远程服务器”的安全限制，他们还在本地搭了个代理，骗模型说这是一个夺旗赛靶场。模型就在自主循环里，一步步把 Discourse 攻破了。

女：这简直是拿 AI 矛攻 AI 盾。那攻破论坛又是怎么连到内部仓库的？

男：坏在单点登录。论坛接入了 OpenAI 的 SSO，但那个令牌验证机制没限制访问范围。研究人员拿下论坛后，捕获了登录用户的凭据，顺藤摸瓜登录了 ChatGPT 和 Codex。恰好有一名 OpenAI 员工的账号连着公司的内部 GitHub 组织，内部核心仓库就这样敞开了大门。

女：所以不管是权限边界还是图片解析，任何一个小疏漏串起来都致命。说到 OpenAI，他们最近在法庭上也有一大批内部邮件被解密公开了，和微软一起被《纽约时报》告版权侵权那个案子。

男：是的，公开的文件非常有杀伤力。微软的应用科学总监在内部备忘录里直接写，AI 抓取数据是“人类历史上最大规模的劳动力盗窃”。他还提到了一个“毁灭循环”：Copilot 问答引擎让《纽约时报》域名的点击率比传统必应搜索降了 93%。

女：这等于直接端掉了别人的饭碗。连 OpenAI 自己的高管在内部也承认，这种工具正在替代原始报道，构成生存威胁。

女：大家总喜欢把 AI 学习比作人类去图书馆看书，但这两个完全不是一码事吧？

男：规模完全不同。一个人去读书，然后工作，对原作者的市场毫无冲击；但算法是一次性把全人类的知识吞下去，无限复制，直接替代上游内容。这就好比一个人在十字路口站着看街景是合法的，但如果你在全城架设自动化监控网络，性质就变了。

女：而且科技巨头对自己的模型权重和代码防得滴水不漏，甚至禁止别人用自己的输出来做知识蒸馏（distillation，用大模型输出来训练较小模型的优化技术），轮到抓取全网创作者内容时，却说是公共资源。

男：这也是大家觉得最不公平的地方。现在不管是强制开源权重、推行法定许可费率，还是收税反哺创作者，相关的监管讨论都在变多。不过说到底，并不是所有 AI 任务都需要这种吞噬全网的大模型。最近开源社区有个叫 OpenJev 的项目，尝试把决策直接搬到浏览器本地跑。

女：在浏览器里跑决策？它是怎么做到的？

男：它是用量化后的小模型，比如几百兆的 Qwen3 或者 MiniCPM，在浏览器里通过 WebGPU 跑。平时我们用大模型做选择题，是让它逐字生成一长串 JSON 文本，既慢又费算力。OpenJev 换了个思路：直接读取候选词的原始对数几率（logits，模型未归一化的预测概率），做个简单的归一化打分，跳过整个文本生成过程。

女：就像老师批改单选题，不用学生在卷子上写长篇大论，直接看他勾了哪个选项的倾向最高。

男：没错。很多开发者分享过类似的工程技巧，比如做共享的前向计算，最后只提取几十个候选标签的权重，在本地就能做到几十毫秒级的响应。当然，现在这些浏览器里的小模型抗干扰能力还不行，面对二选一经常两极分化，给它一段带误导性的邮件提示词，还是很容易被带偏。但这种不靠云端自回归生成的轻量决策思路，在边缘端很有潜力。

女：说到小巧和本地，Cloudflare 最近也把他们的 Quick Tunnels 重新包装了一下，主打给 AI 编程智能体用。

男：只要在本地敲一行命令，不用注册账号、不用配域名，就能立刻把本地的端口映射成一个临时公网 HTTPS 地址。

女：听起来很方便啊，本地跑个 Demo 或者测试回调很省事。

男：其实这项技术 2021 年就有了，这次只是加上了结构化 JSON 输出，方便给 AI 脚本自动读取。但免登录公网穿透这个机制，争议一直很大。像内网穿透工具 ngrok 多年前就取消免登录了，因为这种匿名隧道极容易被黑客拿来挂钓鱼网站。而且临时域名一生成，几秒钟内就会有爬虫扫过来，如果你本地服务没设密码，数据就全漏了。

女：看来即开即用虽然爽，但真要联调内网服务，大家还是更倾向 Tailscale 这种基于私有网络的工具。说到安全与便利的冲突，我最近还深有体会的一件事是通行密钥（Passkeys）。科技公司天天弹窗让我开，但实际用起来总觉得心里不踏实。

男：你的直觉很准。从密码学来说，通行密钥基于 WebAuthn 标准，私钥在本地，严格绑定域名，确实能根治钓鱼网站。在企业里配上 IT 部门很好用。但放到普通人的日常生活里，最大的风险往往不是被黑客中间人攻击，而是手机丢了、坏了，或者账号被封。

女：对！我朋友上次换手机，旧手机屏幕坏了，好几个绑了通行密钥的网站死活登不上去。手写一串密码还能记在笔记本上，通行密钥到底存在哪儿我都搞不清。

男：物理硬件密钥比如 YubiKey，出于安全考虑私钥根本导不出来，一个坏了就得靠备用钥匙，而且普通型号存几十到一百个凭据就满了。苹果和谷歌搞的云端同步虽然方便，但又把你死死锁在它们的生态里。万一你的 Google 账号被自动化风控误封了，连带着绑定的所有第三方通行密钥全部完蛋。

女：而且我去打印店或者用公共电脑，它提示让我拿手机扫二维码，很多旧台式机连蓝牙都没有，根本握手失败。

男：这就陷入尴尬了。更有意思的是，很多网站为了防钓鱼推通行密钥，可万一你丢了钥匙找回账号，它还是给你发短信验证码或者邮件链接。整个系统的安全性，最后还是取决于最脆弱的恢复渠道。对于平时用密码管理器配双重认证的人来说，通行密钥反而把容错率降低了。

女：所以技术上的完美，在现实世界里经常会遇到人性与场景的妥协。软件层面的抽象也是这样，哪怕是像内存分配这种最底层的设施，为了性能也得不停重构。阿迪，你看了 Jemalloc 刚发的 5.4.0 版本吗？

男：看了，改动非常扎实，有一百六十多次提交。Jemalloc 是很多大型系统和数据库的核心内存分配器。这次他们把核心代码模块化了，把复杂的虚拟内存映射、线程同步这些平台相关的逻辑，单独拆成了一个操作系统抽象层。

女：像这种成熟的基础设施，这次主要解决了什么痛点？

男：有个很实用的优化叫 EXTENT_ALLOC_FLAG_PINNED。像 HugeTLB 这种大页内存，以前分配后如果闲置，系统可能会走衰减清理流程，现在有了固定标记，就可以绕过清理优先复用。另外就是把线程缓存（tcache）改成了动态自适应，根据运行时的垃圾回收负载来调整填充量，砍掉了好几个原本需要运维手动调配的复杂参数。

女：给开发者省了不少调参的玄学心智负担。说起底层机制，我一直很好奇一个问题：现在的 ARM 芯片，比如苹果的 M 系列或者高通骁龙，性能已经非常强了，但为什么在 ARM 上模拟运行传统的 x86 PC 游戏，还是那么费劲？

男：指令翻译其实不是最难的，跨架构模拟器 FEX 的团队写过一篇很棒的技术拆解，最致命的瓶颈在内存模型。简单来说，x86 的内存模型叫 TSO（Total Store Ordering，完全存储定序），它非常严格，一个核心按顺序写入数据，其他核心看到的顺序必须完全一致，就像队列一样井然有序。

女：那 ARM 是怎么设计的？

男：ARM 追求能效，走的是弱一致性（Weak Ordering）路线。它不保证跨核心即时看到写入顺序，省去了昂贵的缓存监听开销。但这样一来，在 ARM 上跑 x86 程序，模拟器就必须在每一次读取时加上 load-acquire（加载-获取），写入时加上 store-release（存储-释放）。

女：相当于本来大家各走各的，为了迁就老规矩，每走一步都要强行吹哨集合一次？

男：对，这会让 CPU 每秒处理数百万条昂贵的同步指令，吞吐量直接雪崩。苹果的做法最霸道也最彻底，他们在 Apple Silicon 硬件里直接做了一个 TSO 开关，开启后硬件直接按 x86 规则跑，几乎零损耗。但高通或者标准 ARM 芯片就没这个待遇，遇到游戏里常见的非对齐内存原子操作，硬件会直接抛异常，模拟器不得不靠 Linux 内核打补丁来擦屁股。

女：特别是在独立显卡上向 GPU 写入数据时，性能甚至能跌成个位数。

男：是的，面向写入合并缓冲区时，ARM 缺乏对应的 TSO 写入优化，写入带宽能暴跌八百多倍，《空洞骑士：丝之歌》这种游戏能直接卡到不足 1 帧。现代 PC 游戏有海量几十年前的老代码，全是针对特定硬件的极致压榨，根本不可能推倒重来让大家编译成中间字节码。底层模拟器只能像这样在刀尖上跳舞。

女：这种在底层一点点扣性能的劲头，其实在大模型领域也在上演。阿里巴巴千问团队最近推出了 Qwen3.8-Omni-Flash，价格降得特别狠。

男：音频输入 API 降了 98%，视频输入降了 93%，百万 token 的价格大概只有零点几美元，比 Gemini 便宜很多。而且它重点在做长视程（long-horizon，涉及长时间多步骤规划与执行）的多模态工作流，比如看几个小时的长视频，不是每一帧硬吃，而是先粗筛再精检，省下将近一半的 token。

女：他们还做了一个挺有意思的实验，让这个大模型自主去优化另一个四川话语音识别的小模型，大模型自己选测试集、挑错误、造了三千多条训练数据，把小模型的错误率降了 10%。

男：这种模型自己调优模型的迭代挺震撼的。不过在实际选型上，很多工程师也保持清醒：标价便宜不等于总账单便宜。有些模型如果推理能力稍弱，为了回答一个问题，会吐出极长的思维链（CoT）或者需要更多重试轮次，算下来总花费可能跟贵模型差不多。所以工业界很多人现在倾向于选一个速度和成本都过得去的模型固定下来，专注优化自己的提示词和流程，不再每天盲目追新了。

女：确实，工具是为人服务的，能稳定把问题解决才是硬道理。聊了这么多现代代码和模型，阿迪，我们换换脑子。你听过“海洋”这个词在古希腊语里是怎么来的吗？

男：这个我还真不知道，有什么讲究？

女：古希腊语里有大约一千个基础词汇，根本找不到印欧语系的祖先源头。比如迷宫、橄榄、阿喀琉斯、雅典，还有最常用的“海洋”（thálassa）。

男：古希腊作为一个著名的海洋文明，连“海”这个词都不是自己母语带过来的？

男：对。印欧语系的最早先民其实是欧亚大草原上的游牧群落，他们一开始的词汇里只有内陆死水或者湖泊。当早期希腊人迁徙到爱琴海边，看到蔚蓝的地中海，以及橄榄、风信子、柏树这些从未见过的物产时，他们词穷了，只能直接向已经在当地生活了几千年的新石器时代原住民借词。

女：这画面感一下子就出来了。就像内陆的孩子第一次坐火车看到大海，震撼得只能问当地人“这叫什么”。

男：历史语言学家发现，希腊语里很多带有 -nth-（比如迷宫、科林斯）或者 -ss-（比如克诺索斯、海洋）后缀的词，全都是从这些前希腊底层语言里继承来的。后来克里特岛的米诺斯文明又教给他们怎么织布、修浴缸、建宫殿，这些生活痕迹就像化石一样，随着词汇一直固化在语言里，连我们今天说的吉他、薄荷，追根溯源都来自四千年前爱琴海边原住民的日常。

女：语言是文明的化石，而石头就是地球生命的化石。前几天西班牙的古生物学家在特鲁埃尔省，发现了北美洲以外的第一批梁龙化石。

男：梁龙？以前梁龙不是只在北美发现过吗？

女：对，这是第一次在欧洲确凿证实。他们找到了 14 节保存完整的尾椎骨和脉弧骨（chevron bones，位于尾椎下方保护血管和神经的骨骼）。经过解剖学比对，确认是一只体长 25 米的梁龙属恐龙，生活在 1.5 亿年前的侏罗纪末期。

男：这说明那时候欧洲和北美之间其实是通着的？

女：没错。当时劳亚大陆正在缓慢解体，北大西洋刚形成一个雏形。那会儿气候温暖，没有极地冰盖，海平面周期性下降的时候，陆桥就会露出来，这些几十吨重的庞然大物就晃晃悠悠踩着浅滩和陆桥，从北美一路迁徙到了伊比利亚半岛。

男：仅凭十几节尾巴骨就能重构出一亿多年前的跨大陆漫游路线，骨骼比较解剖学确实厉害。这也说明很多时候我们以为某个物种只存在于某块大陆，纯粹是因为别的地方的化石还没被我们挖出来而已。

女：世界远比我们以为的要相通，无论是恐龙的迁徙，还是语言的流变。

男：甚至到今天，从底层的内存屏障，一直到最前端的 AI 智能体，底层的逻辑也都是相互交织的。

女：好啦，今天就跟老朋友们聊到这里。感谢大家的收听，欢迎大家使用泛用型播客客户端订阅我们的节目，我们下期再见！

男：下期再见！