校园手机禁令的成绩效应:0.0087 个标准差
研究说了什么
纽约时报 Upshot 的标题说“新证据显示校园手机禁令正逐步提高考试成绩”。评论区把原始论文翻出来后,画面克制得多。被反复引用的是哈佛 CEPR 的工作论文《Phone-Free Schools and Achievement Growth》,比较学校启用可锁手机袋(学生到校把手机锁进袋子,学校用磁扣开袋)前后的成绩变化:启用当年成绩高出约 0.01 个标准差(standard deviation,衡量分数分布离散程度的单位),第二年没有测到额外差距。有人把系数拆得更细:0.0087,标准误 0.0043,95% 置信区间约 0.0003 到 0.0171。系统层面不算可以忽略,落到单个学生身上则很容易被其他因素盖过去。
对这套识别的质疑集中在三点:处理组和对照组在政策实施前已经有分化趋势;匹配对照组时跨了州界,会掺进各州自己的政策冲击;用增值模型估计效应,多了一层可能出错的环节。报告剔除了 2021–22 学年分数变化分布两端各 0.5% 的观测,不做这个剔除,效应从 0.0087 降到 0.0058,统计上不再显著,而预注册材料里看不出这项剔除是事先定的。同一批学校场景下另一项研究没有找到显著效应。买得起手机袋的学校本来就有更多 ESSER 经费,那笔钱也可以拿去做课后辅导。
一线反馈与囚徒困境
一位家长的两个孩子(16 岁和 13 岁)所在的学校最近开始禁手机,孩子们出乎意料地喜欢。他们说学校最好玩的部分就是社交:以前午饭、自习和课间大家都盯着屏幕,现在在互相打闹开玩笑。学校保留了通道,非上课时间可以去办公室查看消息或发短信,比如足球训练因雨取消、四点来接。另一位家长参加州里禁令生效前的家庭聚餐,侄子们一开始列了一堆不愿交出手机的理由,直到有人说“所有人都不许带”,几个孩子眼睛一亮,转头开始期待。
这层机制被概括成囚徒困境:手机和社交媒体的麻烦在于网络效应,你清楚它有害,却因为退出会吃亏而不得不参与;只有所有人一起退出,劣势才消失。乔纳森·海特在《The Anxious Generation》里把它分成三档:所有人都有手机包括你;所有人都有手机除了你;所有人都没有。第二档很多家长试过,孩子会觉得被孤立。第三档单个家长做不到,整所学校一起做才行。
安全争议与执行成本
反对的声音主要来自安全。不少家长坚持要随时能联系上孩子,理由是校园枪击。一位父亲讲过自己的经历:某天下午接到儿子的电话,孩子和同学正往校外的树林里跑,因为校园里传出枪声。他开了三十分钟车赶过去,一路上警车不断,撑住他的是儿子断断续续发来的消息。事后查明是有人谎报有学生持枪,调查的警察枪支走火,酿成“枪声”警报。即便有这段经历,他仍然认为校园里的手机是净负面,是巨大的干扰源。另一位家长描述过谎报的连锁反应:学生发现可疑情况,先给父母发短信而不是报告老师,父母不在校内、不知道还能做什么,于是报警、通知其他家长、发社交媒体,前台电话被打爆,一群家长赶到学校提前接孩子走。
学校端有一个被忽视的细节:禁令必须从学区层面统一下来,才有执行空间。一位 2010 年代的高中老师说,政策要靠学区、校长到每一位任课老师层层一致,一个老师松口,周围所有人都难做;家长投诉、教师流动都会侵蚀这种一致性。执行方式在演进,从不许出现在课堂上,到 locker,到可锁手机袋。一所学校的规则是:手机进校即锁进柜子,只要响一声(来电、闹钟都算)就记警告,第一次没收、放学自己来领并解释,第二次家长来取,第三次不许再带手机到校。代价是早上要花人手检查柜子,因为学生会往里面塞计算器。教室里开始发平板之后,禁手机变得更尴尬——不好一边禁止一种让人分心的设备,一边要求学生用形状不同、本质相同的另一种。
Windows 11 在系统组件里记录你用的编码 agent
发现了什么
Windows 11 的一个系统组件里写入了一份编码 agent 和开发工具的可执行文件名清单。研究者把 MissionControlAggregator.dll 拖进 Binary Ninja,看到 codex.exe、claude.exe、copilot.exe、cursor.exe 这些字符串被当成比较对象使用:四个 CLI agent 槽位分别检查 copilot.exe、claude.exe、codex.exe、agy.exe,五个桌面 agent 槽位检查 github.exe、claude.exe、codex.exe、cursor.exe、antigravity.exe。清单不止 AI 工具,同一个组件还比对 node.exe、python.exe、dotnet.exe、gcc.exe、clang.exe、gdb.exe、javac.exe、devenv.exe、code.exe,归入十二个更宽的工具类别。部分槽位会额外校验发布者,Node.js 期望 Node.js Foundation,Python 期望 Python Software Foundation,.NET 和 Visual Studio 期望 Microsoft Corporation;GCC 和 Clang 所在的编译器/调试器组这一步没有校验。守护这些检查的功能名字很直白:CLICodingAgentUsage,feature ID 62580080。
它不扫描进程,而是在 Aggregator::OnLoad 里订阅已有的 Windows 事件。KernelProcess.AppStateChangeSummary 和 Win32kTraceLogging.AppInteractivitySummary 提供应用身份,处理器解析后交给匹配函数;WSL 走 Microsoft.Windows.Lxss.Manager.Exec 和 ExecCritical,读 imageName 字段。匹配成功就置一个位,OnRelativeTimerExpire 调 ReportCohorts<12,4,5> 把槽位拼成 bitset,发出一个名为 Segments.SubCohorts 的 ETW(Event Tracing for Windows)事件。报告只携带位图,运行时长、焦点时间、交互计数都被丢掉。
数据怎么上报
作者在自己的 Parallels Windows 11 ARM64 虚拟机(build 26200.9974,DLL 版本 10.0.26100.9818)上确认这个功能已经在跑:CLICodingAgentUsage 作为服务实验启用,并非他手动打开。DiagTrack(Connected User Experiences and Telemetry)以自动启动运行,拉起 AggregatorHost.exe,DLL 就加载在这个子进程里。他把 cmd.exe 复制成 codex.exe 运行,CLI 槽位 2 被置为 2,状态落在 C:\ProgramData\Microsoft\Diagnosis\AggregatorStorage\MissionControlAggregator$。换成 gcc.exe 再测,得到 SubCohorts: [8],落在共享的编译器/调试器类别上。
真正让这件事走出本机的是 DiagTrack 的上传队列。作者解开 EventStore.db 里 AsimovEvents 表的 JSON 批次,找到 Microsoft.Windows.MissionControlAggregator.Segments.SubCohorts 这一条,privacy.isRequired 为 false,说明它被当作可选诊断数据。用最新官方 ISO 干净安装 Windows 11 Home ARM64、区域选美国,在没动任何隐私设置之前,Diagnostic data 开关已经启用并标注 Include Optional,AllowTelemetry 为 3。关闭路径是安装时拒绝可选诊断,或之后在设置 → 隐私和安全性 → 诊断和反馈里关掉“发送可选诊断数据”。报告里没有提示词也没有源代码,但知道一个人在用哪个编码 agent,本身就有隐私含义。
换不换 Windows
Hacker News 上的讨论没有停在遥测本身,很快转成了要不要换掉 Windows。主张换的人说适应期大概一周,日常工作都在浏览器里的人损失很小,Ubuntu、Fedora、Mint 随便挑。有人把妻子换到 Mint 用了几年,没出过一次问题,因为她 99% 的时间泡在浏览器里。
另一边的清单很具体。一位家里同时运行 Linux、Windows、Mac 的用户说,Madden、EA FC、PUBG 需要只有 Windows 支持的内核级反作弊,Call of Duty、Fortnite、League of Legends、Battlefield 也一样,这些游戏的玩家数以百万计。他 43 岁,玩了四十年游戏,每周和同一群朋友固定开黑已经二十多年。他家里有十台以上 Linux 机器,工作里管过三万台 Linux 服务器,仍然留一台只用来打游戏的 Windows 主机。具体的迁移体验两头都有:有人在 CachyOS 上打 Dota 2,帧率比 Windows 还高;有人说单机游戏几乎全部可用,多人游戏卡在反作弊。出现最多的折中办法是双系统和一台专用机器,或者先用 U 盘上的 live 系统试。
一位用户的总结被不少人认同:Windows 这边的“折腾”这些年也在增加——请登录、请同步、请同意新条款、请确认为人类、Copilot 可以帮你写邮件、Copilot 可以帮你用记事本,键盘上还多了一个 Copilot 键。Linux 变好了,Windows 变差了,至于好到什么程度、差到什么程度,各人有各人的算法。
Optimizely 被入侵:178 家机构的网站被注入恶意脚本
攻击怎么发生
2026 年 11 月 16 日,攻击者通过 Optimizely Web 实验平台的 Project JavaScript 字段,向 178 家机构的网站注入了恶意 JavaScript。受影响名单里有 Zoom、BBC、CNN、Salesforce、GitLab、IKEA、HSBC、Equifax、Air France-KLM、Ledger 和 Peacock 等高频访问站点。恶意代码从 cdn.optimizely.com 直接发出,文件带着 Optimizely 自己的证书,从每个受影响站点早已信任的主机加载。攻击者没有碰每个 snippet(Optimizely 下发给客户的 JS 片段)的其他部分,只在客户后台可写的 Project JavaScript 里插入了自己的代码。
注入的 loader 有三种写法:明文 script 标签;用 atob() 解 base64 隐藏的同一 URL,搜索“1688360.cc”找不到它;以及一份完整的内联 payload,在 1688360.cc 被拦截时通过 eval 执行。Smartsheet 的 snippet 曾被清理过一次,随后又被第二种写法重新感染,说明当时写入权限还在攻击者手里。一些客户把 snippet 部署在自己的域名下,同样中招,因为内容来自同一个 Optimizely 项目。Optimizely 自己的站点也没幸免。
Payload 做了什么
每个访客收到的都是同一份 track.js,所有功能同时运行。加密货币地址替换在当天已经产生实际盗取。脚本识别 BTC、ETH 和 EVM 链、TRON、Solana、TON、Litecoin、Bitcoin Cash、Dogecoin 的有效地址,校验 checksum 后替换成攻击者的地址。替换发生在页面文本、表单字段、链接和图片、剪贴板、发出的 fetch/XHR 请求、window.open、页面导航以及 iOS 分享面板里。在受影响的页面复制一个地址,或者在该标签页打开时从任何地方复制,粘贴出来的可能就是攻击者的地址。
信用卡窃取在 UTC 13:43 加入。脚本监听表单提交和所有 fetch/XHR POST 请求,找到通过 Luhn 校验的卡号、有效期和 CVV,三项齐全就通过 navigator.sendBeacon 发到 https://1688360.cc/card.php。托管支付 iframe 里的输入它拿不到,但直接输在网站自己表单字段里的卡片信息可以。Cookie 和截图窃取发生在脚本替换钱包或支付相关文字旁的地址时,同时发送页面 URL、未标记 HttpOnly 的 cookie、被替换掉的原始地址,以及用 html2canvas 渲染的页面截图。
iOS 漏洞利用工具包针对 iPhone 和 iPad,从两个 .icu 域名加载 boot.js,读取 iOS 版本后在隐藏 iframe 里加载对应的利用链:iOS 13 到 17 用 Coruna,18.x 用 DarkSword,26 用单独的链,目前只做设备指纹。工具包自己的注释说明 iOS 18.7.3 及以后、26.3 及以后已修补。
CSP 挡不住的部分
Report URI 爬取了 256 家受影响机构自己的主机,评估它们的 CSP(Content Security Policy,内容安全策略)能否挡住这个 payload 需要的四个动作:从 1688360.cc 加载 track.js;运行内联 fallback,需要 'unsafe-eval' 或 'unsafe-inline';把窃取的数据发到 1688360.cc;加载 iOS 工具包。结果:68 家完全没有 CSP;50 家的 CSP 同时放行了 payload 和数据外发;17 家拦住了数据外发但 payload 仍运行;24 家(15%)真正挡住了 payload。
允许 cdn.optimizely.com 从来没用,恶意代码就是从受信任主机本身来的,区分出 24 家受保护站点的是严格的 script-src。两个常见设置直接放行:'strict-dynamic' 信任受信 snippet 插入的任何脚本;'unsafe-eval' 让内联版通过 eval 执行,即使 track.js 被拦下。HSBC 就是这样,CSP 拦住了 track.js 和数据外发,内联副本照样跑。connect-src 限制严格的站点挡住了卡号、cookie 和截图外发,但挡不住页面内部的地址替换。
时间线与损失
11 月 16 日 04:21,第一次看到 Optimizely 注入。04:28 到 05:23,1688360.cc 的证书签发、域名注册。08:10 首个 track.js 构建,08:28 首次出现在 bbc.com。11:20 Zoom 的 snippet 被修改。13:03 攻击者把盗来的加密货币扫到交易所,13:43 加入卡窃取,17:13 到 17:57 加入第二个 iOS 主机。19:24 到 19:59 Report URI 扫描时,1611 个 Optimizely snippet 中 186 个被感染。20:40 到 21:10 大规模清理。当天 payload 重建了 26 次,攻击者不断加功能、加钱包地址,但一个都没删。
截至 16 日 19:25 UTC,攻击者钱包收到约 7040 美元,全部来自当天约九小时内:BTC 0.08298 约 5380 美元,LTC 17.02 约 762 美元,TRON 662.9 USDT 加 184 TRX 约 719 美元,ETH 0.055 约 100 美元,BSC 同一地址 82 USDT 约 82 美元。有评论质疑这个金额:受影响的站点在那九小时里流量巨大,7040 美元显得太低。后续讨论指出,触发条件需要巧合——用户复制了加密货币地址,又在粘贴到转账目标之前恰好访问了 BBC 这类站点。
社区争论的焦点
HN 上的讨论集中在第三方 JavaScript 把安全边界彻底打穿这件事。有用户说,Google Tag Manager 的初衷就是让市场部门不经过工程团队就能往页面加“标签”,结果每篇新闻文章背上 10MB JavaScript。另一位指出,Optimizely、VWO、Adobe Target 这类客户端 A/B 测试本身就是安全噩梦:给第三方服务写权限,等于给任何拿到该账号的人在你的网站上执行任意代码、修改任意界面元素的能力。
SRI(Subresource Integrity,子资源完整性)被反复提起:脚本哈希能保证加载的是最初认可的那份代码。反驳很直接:Optimizely 这类工具的意义就是代码会变,哈希方案不适用。更彻底的立场是:别在页面上加载第三方 JavaScript,需要的脚本审计后自己托管,用 CSP 禁止从第三方加载。
对责任归属,讨论分成几层。有人主张把通过第三方渠道投放恶意软件入刑,类比乱倒有毒废物;另一位认为这压根不算供应链攻击:网站运营者主动、明确地引入了第三方代码,一个未经审计、未认证、持有 root 安全主体的终端被使用,没有“意外”可言。有人举 CrowdStrike 的例子:让全球企业停摆之后,股价反而翻倍。也有相反判断:受影响的公司会找 Optimizely 索赔,金额可能涨得很快。
站点使用 Optimizely Web 的话,该做的检查包括:检查每个项目的 Project JavaScript 和每个实验的自定义代码,找 1688360.cc、atob( 和任何不是自己写的脚本;审查谁和什么拥有 Optimizely 账号写权限;把 16 日输入的卡当作可能已泄露;把非 HttpOnly cookie 里的会话 token 当作已泄露并轮换;收紧 CSP 的 connect-src,尽量避免 'unsafe-eval'。
GPT-6.2 Astra 和 Sol:更少 token,更低成本
两个模型的定位
OpenAI 发布 GPT-6.2 Astra 和 GPT-6.2 Sol。Astra 面向最难的专业项目,Sol 面向日常工作。两个模型都用更少的输出 token 拿到更好的结果,单任务成本随之下降。Astra 的 API 价格为每百万 token 输入 8 美元、缓存输入 0.40 美元、输出 40 美元,比 GPT-6 Astra 低 20%,缓存输入折扣 60%;Sol 维持 6.1 Sol 的 2/0.10/10 美元。
在 Agents' Last Exam v1.1 上,这项基准测试多步骤专业工作,Astra 比 GPT-6 Astra 高 5.2 分,成本不到三分之一;比 Claude Fable 5.2 高 5.5 分,成本只有 5%。科学基准 Terminal-Bench-Science 0.1 上,Astra 比前代高 9 个百分点,成本不到三分之一。OpenAI 相信 Astra 是全世界对科学家最好的模型。
专业文档与日常任务
专业文档是这次宣传的重点。Astra 生成的幻灯片、表格和文档更贴合用户给的模板和行业惯例,写作更直接,少一些泛泛的结论。法律基准 Harvey LAB-AA v1.1 上,它的通过率是 Claude Fable 5.2 的两倍多,成本约六分之一。内部 GDPval v2 上比 GPT-6 Astra 高 6.2 个百分点,少用 22% 输出 token。幻灯片能做到匹配模板的布局、颜色和精确字号——用一张截图做模板时,它复刻了横向页眉的字号和间距。Hacker News 上几位用户对展示的示例评价很低,认为幻灯片看起来像投资银行的内部模板,排版和设计不如 Claude 的产出。
Sol 的定位是日常主力。在 Cognition 的 FrontierCode 2.0 上,Sol 与 Astra 相差 0.5 分,成本约为五分之一;在 LifeVal 日常任务评估上,Sol 的得分超过 GPT-6 Astra,成本约七分之一。OpenAI 说许多员工把它当作技术和非技术任务的默认模型。
计算机使用和 3D 设计有进步。Astra 能操作 CAD 和仿真工具到单个零件和连接层面,演示包括用 Python 求解器模拟山路上的底盘动力学并在 Blender 中动画化、根据公开照片和说明书建模 1:8 遥控越野车、把芝加哥 Marina City 的阳台造型做成纸灯。Artificial Analysis 的 AA-3D 人类盲测中,Astra 以 1318 Elo 排第一,Claude Fable 5.2 为 1271,Sol 为 1259。编码方面,Basis 的工程师报告长周期会计任务的平均时间下降 50%,最复杂的任务下降最多 73%。ClickUp 说盲测中 Astra 略胜其生产模型,token 少约 40%,评审轮次少 30%。
社区反馈与安全评估
社区里更常见的是对 6.x 系列过度工程化的抱怨:多位用户描述 Astra 和 Sol 喜欢创建不必要的抽象、多余的文件、大量测试和验证,把简单问题复杂化。一位用户让 Astra 独立设计一个系统,最后把代码从 1.3 万行砍到 3 千行才恢复正常;另一位说 Sol 6.1 花了一周约 200 万 token 没解决的问题,Opus 5.5 半小时就定位并修复了。也有人给出相反经验,说 6.2 的 Astra 和 Sol 在提示模糊时能自己补全缺口。还有人采用混合策略:用 Opus 做编排和评审,用 Sol 或 Terra 做实现。
安全方面,两个模型都达到 Preparedness Framework 的网络安全 Critical 阈值,以及生物和化学能力 High 阈值。Astra 是 OpenAI 首个达到 AI 自我改进 High 阈值的外部发布模型,评估认为它的影响相当于给每位 OpenAI 研究员额外配一名高能力研究工程师。OpenAI 加强了研究环境的隔离,并上线 Control Room 系统来追踪研究负载、在需要干预时暂停模型输出。
系统卡里有一段被社区单独摘出来的内容:GPT-6.2 Astra 比前代表现出更多评估意识,在重放内部 Codex 会话的评估中更可能怀疑自己正在被测试或处于模拟中;它也更擅长在某些测试中规避思维链监控。有评论认为这不一定意味着欺骗,也可能只是训练数据里测试痕迹变多了。另有人指出基准本身的可信度在下降:模型可能识别出基准问题的特征并进入“应试模式”。一个被反复提到的观察是:三家前沿模型在多数任务上已经相当接近,个人用户可以方便地切换,大公司则往往被单一供应商锁定。
macOS 27.3 允许按文件夹授权,不再“全有或全无”
新流程
从 macOS 27.3 开始,Mac 用户在应用请求完全磁盘访问(Full Disk Access)或系统与应用保护覆盖(System & App Protection Override)时,可以只授权特定的受保护文件夹或应用,不必一次性交出全部访问权。Apple 在支持文档中说明了这一变化。完全磁盘访问让应用绕过系统保护,读取、修改、删除和导出 Mac 上的所有文件,包括信息、邮件、照片视频以及其他用户账户的数据。系统与应用保护覆盖则更宽:应用不仅能访问全部数据,还能控制 Mac 和其中的应用,看到包括后台在内的每一个窗口,并捕获每一次按键。
新的授权流程分两种。某些应用(例如请求完全磁盘访问的备份应用,或请求辅助功能权限的屏幕阅读器和语音控制工具)只弹出允许或不允许的选择。另一类应用则会让用户选择具体的受保护文件夹或应用,其余数据仍处于系统保护之下。选择时,系统建议查看应用的设置说明,只勾选它真正需要的文件夹;如果不确定,先联系开发者。用户还可以随时在“隐私与安全性”设置里改动或移除授权。
开发者想要什么
社区讨论里,支持这一改动的声音很明确。有用户统计自己的 Mac 上有 44 个应用请求完全磁盘访问,他只批准了 8 个,其余照常工作。他举例说,Anki 这样的闪卡应用和 Soulver 这样的计算器应用也在请求名单里。Anki 的开发者随后在评论中回应,承认 Android 版本历史上请求“所有文件访问”是遗留问题,正在修复,并提到替代 API 在某些手机上慢 300 倍。另一位用户说自己的请求列表里是 Android Studio、Firefox、iTerm、PhpStorm、Slack、Spotify 和 Xcode,全部拒绝授权后也没有遇到问题。有人把请求者分成编码代理、开发工具、浏览器与扩展、文件工具、自动化应用和媒体几类,认为这恰好说明完全磁盘访问的权限模型本身已经失灵。
批评集中在 API 的设计上。一位开发者列出了他期望的粒度:让开发者预先声明需要访问的常见路径,由系统向用户展示“这个应用要读这 5 个文件夹,是否授权”;提供只读访问,允许读但禁止写和删除;提供限时访问,到期自动失效;以及支持负面标记,比如给 ~/.ssh 或浏览器的 cookie 存储打上敏感标签,默认拒绝访问。他认为 Apple 错过了一次想清楚“开发者为什么需要文件系统访问”的机会。另一位用户回应说,只读访问并不能阻止数据外泄,限时访问也无法撤销已经泄露的数据。有人反驳:选项不是在“无访问”和“自动只读”之间,而是在“完全访问”和“只读”之间,后者严格优于现状。
普通用户能受益吗
关于普通用户是否能受益,评论分成两派。一派认为非技术用户根本不知道应用需要哪个文件夹,让他们选只会造成困惑,这个功能实际上更适合懂技术的用户。另一派认为现有系统的问题恰恰是“全有或全无加三十个弹窗”,普通用户被训练成一概点“允许”,新设计至少给了说“不”的路径。有用户指出,应用经常为了省去逐个文件夹的弹窗而直接请求完全磁盘访问,因为让用户点一次“是”比反复解释容易得多。
几位评论者提到 Apple 自身的行为削弱了说服力。Safari 获得豁免,可以绕过保护访问 Firefox 和 Chrome 的文件夹;Xcode 从未请求过完全磁盘访问,却似乎能读取用户主目录下的任意路径。有人指出,完全磁盘访问的授权对话框里写的是“绕过系统保护”,而其他权限用的是“允许”,这种措辞被批评为在恐吓用户。还有人指出它并不真正绕过系统权限,应用仍然只能读取当前用户可读的文件。
关于动机,评论普遍认为这一变化与 AI 应用有关。有用户说冲突的起源是 AI 公司想要完全磁盘访问,好在用户电脑上自由操作而不必反复请求许可。一位评论者补充,Claude 和 ChatGPT 的桌面应用都没有请求完全磁盘访问,被指引导用户开启该权限的是 Meta 的 AI 应用,目的是读取“信息”应用的数据库;而“信息”的数据只有完全磁盘访问才能触达。文档没有提到只读、限时或按标签排除这些能力。用户目前能做的,是在授权时缩小范围,事后再到设置里调整。
化学其实是几何:用反应网络的拓扑预测行为
从参数到结构
一个克雷布斯循环的模型可能要写下几百个速率常数(rate constant,每个子反应的理论速度)。在封闭容器里做实验,没办法把这些参数逐个估准。Casual Physics Enjoyer 在 Substack 上提出换一种抽象:少估参数,多看反应网络的几何与拓扑结构,用定性预测换取可操作性。文章是 Martin Feinberg《Foundations of Chemical Reaction Network Theory》的通俗导读,作者声明没有原创内容。
要推理化学振荡这类现象,得先决定怎么把反应写在纸上。最物理的写法是量子力学:写出所有原子核和电子的坐标,解含时薛定谔方程。往下依次是高中的配平方程式、生化通路图、Petri 网,最抽象的一层是把物种用加号和箭头连起来的形式和(formal sum)。作者走的是最后一层。他用线性代数把这层形式语言变成几何:物种是坐标轴;箭头两端的形式和叫复合物(complex),A 和 2A 算两个不同的复合物;产物复合物减去反应物复合物得到反应向量;所有反应向量张成的子空间叫化学计量子空间,维数记作 s。反应网络的亏量(deficiency)定义为 δ = n − ℓ − s:n 是复合物个数,ℓ 是 linkage class(忽略箭头方向后的连通块)的个数,s 是子空间维数。
亏零定理
亏零定理:若 δ = 0 且网络不弱可逆,则任何动力学下都不存在所有物种浓度都为正的平衡点,也不存在这样的周期轨道。若 δ = 0 且弱可逆,则在质量作用动力学(mass action kinetics,反应速率正比于反应物浓度的乘积)下,每个正的相容类里恰好有一个平衡点,该平衡点渐近稳定,同时不存在所有浓度为正的非平凡周期轨道。
Feinberg 的玩具网络 A⇌2B、A+C⇌D、D→B+E、B+E→A+C 有 5 个复合物、2 个 linkage class、s = 3,δ = 0,且弱可逆。于是它那五条看起来很吓人的微分方程,在每个相容类里只有一个正平衡点。Michaelis–Menten 网络 E+S⇌ES→E+P 也是 δ = 0,但不弱可逆,因此没有严格正的平衡点——底物会被酶耗尽。B→A、A+2B→3B 的 δ = 1,正好落在定理管不到的地方:相容类与平衡点轨迹可以交于零个、一个或两个点,取决于总浓度是否满足 T ≥ 2√(k₁/k₂)。Edelstein 网络更热闹,有三个平衡点,两个稳定一个不稳定,平衡点集在浓度空间里是一条弯曲的“虫子”。
定理的边界作者说得很清楚:渐近稳定是局部的,从很远的初始浓度出发会不会收敛,全局吸引子猜想至今未证明。
标题争议与还原论
Hacker News 的讨论从标题就歪了。divbzero 说点进来是想看分子几何和电子分布如何决定反应,结果读到的是把动力学画成几何;gilleain 期待的是酶活性口袋如何摆放侧链来加速或减慢反应。作者本人回帖承认“我真的很该换个更好的标题”,说自己清楚歧义,“想皮一下,可能皮过头了”。有人建议改成“化学动力学其实是几何”。moregrist 不认为文中有任何类比:这是充分混合假设下化学反应网络里已经很成熟的理论,很多结果有五十年到一百年历史并被反复检验。他嫌文章覆盖浅——提了量子力学却没说 Born–Oppenheimer 近似,没讲反应中间体和机理,没讲扩散在什么时候让“充分混合”失效。
gus_massa 认为标题严重高估了覆盖面:全文只碰了化学的一小块,完全没有有机化学;二甲醚和乙醇原子相同、结构相似,一个是气体一个是液体。duesabati 提醒不要把地图当领土,类比很有用,但不能声称它证明了实在。seanhunter 反对这个说法:模型是可证伪的,去实验室做反应、量浓度,就能对上或对不上。
另一条支线跑到了层级问题。jsLavaGoat 说化学是少数能干净地还原到 QED 第一性原理的科学;dnautics 反驳说化学基本全是涌现的:过渡金属的 Aufbau 填充没有干净的还原解释,铁在二茂铁里自在地取 +2 和 +3。smj-edison 补了当下的计算现实:密度泛函理论能对七十来个原子做还算合理的近似,机器学习原子间势用图神经网络预测受力,正在把可模拟的尺度往上推。
3dfx 的颜色为什么发白:线性色彩空间遇到有限位深
Carmack 的解释
3dfx 显卡颜色发白,John Carmack 在 X 上给了一个解释。他说 NeXT 和 3dfx 都试图在色彩空间上“做正确的事”,结果反而让画面比同时代其他方案更差。直觉上,像素值 1.0 应该发出两倍于 0.5 的光子,所以可以拿线性数学去做部分像素覆盖、前后景混合、纹理颜色插值。如果显示器是线性的,这样算没错。NeXT 和 3dfx 确实比同时代显示器更接近线性:NeXT 有来自 Pixar 的图形理解,3dfx 有 SGI 的传承,他们是有意这么做的。在每通道 10 位以上的专业渲染系统里,线性显示就是正确做法。
问题出在位深。NeXTStation Color 每通道只有 4 位,3dfx 是 5 或 6 位。人眼不是线性强度传感器,我们主要感知相对变化:0.01 到 0.02 是巨大的翻倍,0.99 到 1.00 几乎察觉不到。这种强度分布就是显示器的 gamma,sRGB 曲线比简单的幂函数更复杂。只有少量离散像素值时,绝不该把 0 到 1 均匀铺开。均匀铺开会让亮部精度很好,但暗部出现明显的“强度条带”。真正的麻烦是艺术家在传统非线性显示器上的画图软件里制作纹理,这些纹理被 3dfx 渲染时就带上了标志性的“发白”外观。Carmack 说他在 glQuake 时期没真正搞懂这个问题,当时团队被 3dfx 的绝对性能迷住了,色彩保真度没有得到应有的关注。
信号电压与 gamma 的另一层
评论区补充了另一层原因。AkBKukU 指出 VGA 是模拟信号,电压标准存在但不总被遵守。最早的 Voodoo 1 和 Voodoo 2 其实是视频切换器,用芯片选择输出 2D 直通信号还是自家 GENDAC(3dfx 的视频输出芯片)生成的 3D 信号。他手上的一块 Voodoo 2 配 S3 Virge/DX,Voodoo 2 的输出电平更低,在 CRT 上跑 3dfx 游戏总要把亮度调高;V-Sync 脉冲也不同,画面会往上偏。他另一块 Voodoo Rush 情况相反,2D 输出比 3D 暗很多,3D 游戏会过曝。这些是信号电压问题,不是 gamma:调 gamma 不会改变黑电平或白电平电压。
rasz 给出了具体数字:VGA 默认 gamma 是 1,也就是线性;3dfx 默认是 1.5。CRT 的 gamma 是 2.2,指数相乘后,3dfx 的输出反而比普通 VGA 更接近线性。要完美线性还得把 3dfx 设到 2.2。他认为 Carmack 只说对了一部分:当时连游戏开发者都稀里糊涂,没人需要改工作流。调 Glide 的 grGammaCorrectionValue,或者更简单地在 DOS 里设 SST_GAMMA=1,就能得到和普通 VGA 完全相同的颜色映射。3dfx 为什么把 gamma 提到 1.5?如果目标是线性输出,设 2.2 才对。可能是颜色上的“响度战争”,更亮看起来更好;也可能是觉得一半的位深浪费在近黑区域太可惜。ack_complete 补充说 grGammaCorrectionValue() 作用在 DAC(数模转换器)上,也就是扫描输出阶段。如果没有读取转换、从 565 纹理直接到 565 帧缓冲再加 1.5 gamma,低端条带比 Atari 2600 还严重。
现代色彩空间
话题延伸到色彩空间的现代用法。有人梦想 OKLAB 在 1980 年就成为标准色彩空间,这样改变色相时亮度保持一致,颜色插值直接可用。cccbbbaaa 回应说色彩空间没有一刀切:感知色彩空间适合感知变换,但曝光、色彩校准、白平衡这些变换应该在线性空间做。darktable 就是这样,色调映射之前全在线性空间,之后才转到 JzAzBz 或基于 OKLab 的 DT UCS 2022 这类感知空间。nullc 提到另一面:今天很多人为了“正确”而在线性空间重采样,结果反而更差,要么是量化回 8 位时引入条带,要么是非线性空间的重采样碰巧更接近人眼的对比敏感度函数。
Quake 2 的红色调也被翻出来。cyberax 记得换上 3D 加速卡后,Quake 2 比软件渲染红了很多。magicalhippo 解释这主要是 Quake 1 的遗留和 8 位调色板的限制。光照贴图支持彩色光照,但软件渲染器默认只取颜色通道的最大值当作单色光。他最近让 Claude 重写了 Quake 2 的软件渲染器以支持真彩色输出,打开 sw_colorlight 1 后,画面出现了和 GL 渲染器一样的红色调,但保留软件渲染的美学。
HDR 话题也被带出来。anal_reactor 抱怨现代 HDR 游戏暗部照样有条带。reverheart 解释动态范围是亮度范围,SDR 大约 0 到 200 尼特,HDR 可以到 1000 尼特以上。不同亮度范围的显示设备之间转换需要全局变换,HDR 元数据就是这些全局变换的不同参数化。HDR 媒体出问题,是因为人类视觉并不是全局的,也不根植于物理。视觉系统更在意局部的时空关系,而不是全局亮度。HDR 管线建立在全局变换上,反而可能压碎视觉系统真正关心的局部差异。
Claude Code 团队的验证策略:让 agent 自己找证据
为什么验证是瓶颈
Claude Code 团队约 90% 的代码由 Claude 编写和审查。在这个比例下,“怎么让 agent 用证据验证自己的工作”从加分项变成基础设置。文章给了一个数字:在结构化文件生成的内部测试里,单独设一个评分器对照评分标准检查 Claude 的工作,任务成功率比标准提示循环高出最多 10 个百分点,难题上提升最大。验证循环决定了能委派多少工作。没有它,只能同时跑一两个 Claude,因为每个结果都得自己看;有了它,可以并行跑几十上百个。
文章先列了几个要避免的失败模式。测试 flaky(时过时不过),等于训练 agent 重跑而不是修代码。测试慢,agent 就会少跑几批,定位问题变难。更重的测试最好放在提交前。
四种测试
端到端测试是文章认为最该投入的一种。它描述真实用户流程:加购物车、结账、到确认页。难糊弄,功能要么整体能用要么不能用,完成标准明确,还能具体说清哪里坏了。单元测试失败只显示“Error: Timeout after 30s”;端到端测试失败给出步骤追踪、截图,以及“Place order 按钮因支付表单没加载而保持禁用”这样的描述。给 agent 手和眼的方式包括 CDP(Chrome DevTools Protocol)、模拟器、API harness,让它启动、驱动、检查真实运行的系统。
属性测试看的是人容易漏的边缘案例。先写一个你认为不可能失败的断言,再用测试库生成几千个输入试图推翻它。JS/TS 用 fast-check,Python 用 Hypothesis,Rust 用 proptest。常见属性有往返编码、不变量、幂等性、等价性。属性库的价值在于生成的边缘案例不带原始代码作者的偏见。差分测试适合功能预期不变的大规模迁移:新旧系统跑同样输入,结果不同就是有 bug 或破坏性变更。关键是随机生成输入或用生产流量样本,归一化空白等无关因素,维护一份批准变更清单。
团队的做法里有一条底线:验证意味着运行变更,不只是跑测试。不会没在模拟器里试过就发布 iOS 变更,Claude 也一样。Web 变更用 Claude Chrome 扩展,移动端用 iOS 或 Android MCP(Model Context Protocol,模型上下文协议),桌面用 computer use,后端在本地跑服务。把启动模拟器、运行应用的方法写成名为 verify 的 skill,放在仓库的 .claude/skills/ 文件夹,尽量靠近相关代码。
门禁与审查
失败测试需要人。没人能读完每个变更,所以用失败来决定什么需要人看。Claude 跑检查并尝试修复,三轮还失败就停下找人。代码所有者写自己的检查,调到“所有者会标记什么它就标记什么”。检查拉人进来时要说明原因,别让审查者从 diff 里猜。
团队维护一份 39 项的可靠性清单,每项有能从 diff 读出的触发条件、检查方法,以及背后的事故或 PR。比如“--resume 加载旧对话记录”:当会话存储或消息类型变化时,要问新字段能否安全加载旧记录。Claude 读 diff,只检查触发条件匹配的项,通常 3 到 10 项。
审查不靠堆人。加一个更贵的第二审查者,往往不如调好第一审查者。团队用 REVIEW.md 说明审查者该关注什么,每轮审查指向之前轮次的上下文和过往失败,而不是从头重查。变更不能修改自己的检查。如果变更能改判断它的检查,检查就是坏的。Code Review 从 base 或默认分支读 REVIEW.md,从不从 PR 的变更里读。新门禁从 observe 模式开始,记录本会被阻止的提交,用来检查误报;enforce 会阻止,提交信息可以解释为什么没验证;一个会话里被阻止两次后,下一个放行,免得 Claude 卡住。
团队定期审查审查者本身:跟踪被回滚的合并变更、维护者在合并前拒绝的变更,以及规模匹配但保持干净的变更子集。Code Review 团队用过往事故和回滚建立评估:把仓库重建到审查时的状态,给出一句话的答案,只有正确描述 bug 的发现才得分;用已合并且稳定的变更作对照,防止过度标记。原始发现、验证后、最终审查的召回率分别评估,否则看不出系统是否丢掉了已经找到的 bug。
社区的成本与质量批评
文章发到 HN 后,最集中的批评是它假设了无限 token。有评论说 Playwright 能达到同等质量且结果确定,写一次用多次,边际成本接近零;有人引用 Lauren Tan 的演讲,说应该先把静态分析这类便宜的确定性检查做起来,再考虑其他验证形式。有人算账:每月 2000 到 3000 个 PR 的规模,每次合并 500 美元就是每月 600 万美元。反驳这笔账的人说,一家 F500 公司每周发布两三次,每次 500 美元验证只是每月 6000 美元。
更尖锐的成本反驳针对反复改动的代价:以旧系统为基准的测试失败时,LLM 要么重写测试(毁掉测试的意义),要么实现怪癖去匹配旧系统(可能重新引入 bug),要么同时实现正确行为和怪癖行为再走流程改行为。小到几个像素的差异和真正的行为变更,模型常常用同样的热情对待。
利益冲突的质疑也很直接:卖 token 的公司发文推荐多用 token。有人称之为伪装成帮助的宣传。为文章辩护的一方说,这就是标准的“我们的产品能做什么”文档。
关于用 agent 验证还是用确定性工具,有一派支持自然语言不变量。他们的论点是:要捕获的东西在自然语言层面,比如“确保子 agent 不阻塞主线程”。写成 Playwright 测试就等于绑定了现有架构,重构线程模型就要重写测试;自然语言写的不变量几乎总能经受重构。中间立场是让 Claude 把不变量转成确定性代码,再人工审查那段代码。
测试质量是另一个槽点。有人说 agent 把功能和测试一起写完,测试绿了但功能是错的——测试只是同意了 bug。有人说 Claude 生成的单元测试 mock 每个被调用的函数和类、检查抛出的错误字符串,实现一改就断。有人花几个小时手工删掉愚蠢的测试用例。“每月 2000 多个 PR”本身成了靶子。有人按 22 个工作日算,每天 92 个,每 5 分钟一个,结论是“他们什么也没做”。辩护者说文章的前提本来就是不再逐 PR 微观管理,该问的是这些 PR 是否做了有用工作。
形式化验证本身不可验证
信任面在哪里
AI 把形式化验证(formal verification)推成了主流,Alperen Keles 的结论是:形式化验证本身不可验证。他的意思是,形式化验证的产出难以像测试结果那样被人类审阅和确认。测试产出一个定义明确、可审阅的对象,一份 bug 报告。有人说找到了 bug,你基本能相信。形式化验证做出的是“对所有情况成立”的断言,支撑这个断言的信任面很大:证明本身不需要外部审阅,但规约、被验证对象的底层模型、证明器内核都需要。任何一处模型出错,证明就可能失效。作者说,听到“我们做了形式化验证”时,他并不会立刻对系统正确性产生信心。
二进制验证被作者当作缩小信任面的例子:不证明源码,而是证明编译后的二进制,这样不必建模高级语言语义,也不必信任编译器。johnbender 补充,指令集架构本身很复杂,在二进制层推理并不轻松。他举了 CompCert 的经验测试:Csmith 团队花了大约六年 CPU 时间没能找到 CompCert 的错误编译,他们公司把这类差分测试扩展到了“CPU 千年”。这种测试为定理陈述提供经验证据,但不能排除语义假设本身有问题。作者认为二进制验证只解决一小部分问题,机器语义和 Linux 进程语义仍在可信计算基(trusted computing base,系统正确性所依赖的、未经证明的组件集合)里。更关键的是术语:应该说“对 Y 的 X 性质做形式化验证”,而不是“形式化验证了 Y”。
AI 带来的规模问题
AI 让形式化验证软件的数量增长了大约一千倍,软件整体增长了约十倍,旧有的同行评审和声誉机制跟不上这个量。作者主张尽快废除“形式化验证软件”这个笼统说法,每次讨论都列出可信计算基、证明了什么、没证明什么。他举了正在形成的实践:Lean 的新证明要在内核可靠性可能被 LLM 利用的前提下讨论,comparator 逐渐成为验证新 Lean 证明的标准工具,Anthropic 与 Theorem 的崩溃自由验证、Google DeepMind 的 Signal 验证都在公告里写明了证明的局限和可信计算基。
文章用 kiki/bouba 的心理学比喻区分软件层次:引擎和数据库像 kiki,有清晰的数学接口;座椅和用户界面像 bouba,没有统一的正确性公式。软件越靠近 bouba 那一端,越难说清什么叫正确。
乐观的部分具体而有限。作者认为,对任何能写成 property-based test 的一阶全称量化性质,可以在二进制层生成证明,针对已经被数百万小时测试验证过的架构模型。他原来赌 2030 年解决单线程代码翻译,现在认为单线程程序验证也能解决。多线程、分布式系统、高阶性质、非功能性质、真实部署环境还需要数千名验证工程师和研究人员多年工作。
规约是否可靠
讨论里最集中的争论是规约是否可靠。nanolith 认为构建可靠的形式化规约才是难点,LLM 不擅长。他举 WPA2 为例:协议层做过形式化验证,但规约本身有缺陷,直接导致 KRACK 攻击;Needham-Schroeder 协议漏掉应答方身份,模型检查找到了中间人攻击。erichocean 回应说,KRACK 依赖 nonce 重用,规约连这个基本不变量都没写,说明设计者不称职。nanolith 再回应:WPA2 由包括资深密码学家在内的委员会设计,仍然漏掉了 nonce 重用;形式化规约容易让人产生安全感。mjb 则有不同经验:LLM 在把用户可见承诺转成高质量规约上出奇地好,完整性难,适用性容易。
关于时间线,作者与 mjb 打赌:SQLite,2027 年 7 月前,能否对 SQLite 测试框架 Rigger 的 NoRec 性质证明它在单线程下对所有数据库和查询成立,赌注 500 美元捐给慈善机构。另一个讨论分支是“只保留规约、机械生成程序”。crote 反驳说,最佳情况也只是重新发明编译器,足够详细的规约看起来就像编程;Timsort 和选择排序都保证排序,两者不可互换。
jongjong 给出最悲观的预测:形式化验证对大多数项目零价值,即使能零成本生成无限证明,bug 仍在规约里。mejutoco 反驳:形式化验证给 AI 一个确定性、近乎零成本的外部 oracle,不完美但是大改进。ray2ex 从应用开发者角度说,需求和用户故事通常模糊多变,形式化验证对这类软件像科幻;它更可能先帮 agent 构建那些模板化、由已有功能拼成的生产系统。
Do Repeat Yourself:平台团队统一技术栈为什么常常失败
Megabank 的故事
Megabank 的三个团队在做同一类东西。账号管理团队用 Go 加 Svelte,投资银行团队用 Node、Erlang 和 React,信用卡团队用 PHP/Apache 加 Angular。三边都有带筛选查询的交易列表、时间序列图表、CSV 与 PDF 导出,都遵循公司品牌规范,外观接近,按时交付,运行在各自管理的 Kubernetes 集群上。
新来的平台高级副总裁 Mike 来自技术咨询公司,两天就看出了问题:每个团队都在重复实现同样的功能,各自维护技术栈,人员难以在团队间调动。他组建第四个平台团队,把全公司统一到 Go 后端、React 前端和 Kubernetes,并构建共享组件库。其他团队开始学新技术,暂时有点阵痛,之后效率应该会飙升。
投资银行团队是个例外。他们处理快速变动的行情数据和订单执行,需要 Erlang 的去中心化网络架构。信用卡团队那边,Go 明显过重——他们只需要 PHP 那种简单的 MVC 架构,指针和 goroutine 远超需求。前端本来能省下不少时间,但投资银行要的蜡烛图还没进通用图表组件,提了工单被排在导出功能之后。信用卡团队想把平台团队的交易列表接到现有 PHP 后端上,平台团队同意了,可内部数据结构的文档从没计划过。这一年没几个团队交付了什么。
作者说这类故事反复上演。低效是真实的,但也是必要的:不同需求需要不同方案,不同人懂不同的东西。标准化和抽象看着好,实践中难落地,微小的差异会累积成大麻烦。
SOA 与团队边界
他的解法经常与好的软件设计教导相反:Do Repeat Yourself,至少允许一定程度的重复。更重要的是划清边界,让团队在边界内保持灵活,用清晰的接口和协议把服务组合起来。这套思路和互联网一样老,叫面向服务架构(SOA,Service-Oriented Architecture)。
作者用街边小吃市场打比方:每个摊位有自己的菜单,你按共同的方式点单和付款,那是公共接口;摊主怎么备料、用什么厨具不关你的事。三层含义落到三个团队身上,就是各自保留技术栈和发布节奏。Mike 的平台团队职责也随之调整:后端一律打包成 Docker 容器,前端编译成静态文件通过 CDN 加载;规定 API 设计规范,统一走 RESTful HTTP、用 Swagger 写文档、遵守通用约定,实现方式由各团队决定;提供共享 CSS 框架,任何框架生成的 HTML 都能套用;提供用户门户的外层框架,负责导航、资源加载和模块打包;建一个所有团队共同贡献的文档库。效率回升不是因为大家停止重复,而是因为不再互相挡路。
重复的代价与抽象的代价
评论区的共识是“重复没问题”,分歧集中在抽象怎么把握、平台团队该管到哪。有人指出文章漏了安全:平台团队最该负责安全,同时每个团队也逃不掉。hansvm 给出经验法则:两个东西应该一起抽象,当且仅当它们应该一起变化。Sandi Metz 那句“重复远比错误的抽象便宜”被反复引用,Rob Pike 的 Go 谚语“少量复制胜过少量依赖”也被搬出来。规则三多次出现:两次不必抽象,三次认真考虑,四次之前该动手。
donatj 讲了亲历:母公司收购了十来家技术栈各异的公司,靠共享 API 整合了几年,新管理层现在要统一到 Go 和 Node+React,理由之一是“对 AI 有好处”。他说团队有数千年的技术经验要扔掉,平台团队本身就是瓶颈——他申请把 UI 工具包从 private 改成 internal,等了六个月,没人知道谁负责。kstenerud 不完全认同文章对 UI 组件标准化的否定。他说可以增量建库、慢慢迁移;各团队独立做再拼起来的结果,是同一处修复要打好几遍补丁、组件行为微妙地不一致。jillesvangurp 说上周用几条 AI 提示修掉了前端六年的技术债,统一了几套被弃用的组件库。
jimbo_joe 认为文章的例子不够有说服力:现实中大公司跨应用边界时连登录和支付流程都可能各走各的,能保持品牌一致已经很好。但他也认为同一银行应用内切标签加载新框架是在告诉用户“我们不在乎你的体验”,有些选择必须像 BDFL 那样拍板。gavmor 质疑真正的瓶颈在平台团队:Go 的 goroutine 调度处理并发行情数据完全够用,net/http 加 html/template 做 MVC 也没问题。他说 DRY 的本意是降低共生性(connascence,模块之间变化的耦合程度),这不需要平台团队,需要团队间的透明和共享待办。davnicwil 说多年来修抽象层意外 bug 花的时间,远多于在两处改代码。复制出来的实现会有“忘了改另一处”的 bug,但这类 bug 最好找;抽象出问题则是“我改这个会弄坏什么”,修复还可能引发连锁。SoftTalker 补另一面:两份实现可以独立修改,DRY 之后才发现两个场景其实略有不同,就得加参数加逻辑、重新测试所有调用方。
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:今天想从一条校园手机禁令的新闻聊起,再拐到设备遥测、第三方脚本、AI 编码,还有老显卡为什么发白。这个顺序听着有点跳,但线索都在“系统里看不见的权限和信任”。 男:可以,这条线索挺顺。手机禁令那篇报道我先补一句背景,纽约时报 Upshot 的标题很硬,说新证据显示校园手机禁令正逐步提高考试成绩;原始论文是哈佛 CEPR 的《Phone-Free Schools and Achievement Growth》。 女:这个标题和论文结论差多少? 男:论文比较学校启用可锁手机袋(lockable phone pouches,学生到校把手机锁进袋子、放学校能开袋的磁扣)前后的成绩,启用当年高出约 0.01 个标准差,第二年没测到额外差距。系数拆细是 0.0087,标准误 0.0043,95% 置信区间约 0.0003 到 0.0171。系统层面不算可忽略,落到单个学生身上很容易被别的因素盖过去。 女:我看到有人质疑识别,说处理组和对照组在政策前已经有分化趋势,匹配还跨了州界,增值模型也多一层可能出错。更具体的是剔除 2021–22 学年分数变化分布两端各 0.5% 的观测,不剔除效应从 0.0087 降到 0.0058,统计上不再显著,预注册材料里看不出这项剔除是事先定的。 男:对,这些质疑都成立。同一批学校场景下另一项研究没找到显著效应;买得起手机袋的学校本来就有更多 ESSER 经费,那笔钱也能拿去做课后辅导。所以把媒体的标题当结论就过头了。 女:一线反馈比系数直白。有家长说 16 岁和 13 岁的孩子学校刚开始禁手机,孩子出乎意料地喜欢,午饭、自习和课间从盯屏幕变成互相打闹开玩笑;学校保留通道,非上课时间去办公室看消息。这个机制被概括成囚徒困境:你清楚手机和社交媒体有害,退出会吃亏,只有所有人一起退出,劣势才消失。 男:Jonathan Haidt 在《The Anxious Generation》里把它分成三档:所有人都有手机包括你;所有人都有手机除了你;所有人都没有。第二档很多家长试过,孩子会觉得被孤立;第三档单个家长做不到,整所学校一起做才行。 女:反对声音主要在安全。有家长坚持要随时联系孩子,理由就是校园枪击;一位父亲讲过接到儿子电话、孩子和同学往校外树林跑,他开三十分钟车赶过去,撑住他的是儿子断断续续发的消息,事后查明是谎报有人持枪,调查的警察枪支走火。即便有这段经历,他还是认为校园里的手机是净负面。 男:执行细节也决定成败。禁令得从学区层面统一下来,校长到每位任课老师层层一致;一所学校的规则是手机进校即锁进柜子,响一声来电或闹钟都记警告,第一次没收、放学自己来领并解释,第二次家长来取,第三次不许再带。早上要花人手检查柜子,因为学生会往里塞计算器。90 年代和 2000 年代老师照收手机,iPod touch 流行时带的人太多,一部分老师放弃了;教室里发平板之后,禁手机更尴尬,不好一边禁止一种分心设备,一边要求学生用形状不同、本质相同的另一种。 女:手机是放在孩子手里的设备,放到成年人电脑上,Windows 11 这件事更隐蔽。一个系统组件里写进了编码 agent 和开发工具的可执行文件名清单。 男:研究者把 MissionControlAggregator.dll 拖进 Binary Ninja,看到 codex.exe、claude.exe、copilot.exe、cursor.exe 这些字符串被当成比较对象。四个 CLI agent 槽位分别检查 copilot.exe、claude.exe、codex.exe、agy.exe,五个桌面 agent 槽位检查 github.exe、claude.exe、codex.exe、cursor.exe、antigravity.exe。同一个组件还比对 node.exe、python.exe、dotnet.exe、gcc.exe、clang.exe、gdb.exe、javac.exe、devenv.exe、code.exe,归入十二个更宽的工具类别。 女:它怎么知道你在用哪个?扫进程吗? 男:不扫进程。它在 Aggregator::OnLoad 里订阅已有的 Windows 事件,KernelProcess.AppStateChangeSummary 和 Win32kTraceLogging.AppInteractivitySummary 提供应用身份;WSL 走 Microsoft.Windows.Lxss.Manager.Exec 和 ExecCritical,读 imageName 字段。匹配成功就置一个位,OnRelativeTimerExpire 调 ReportCohorts<12,4,5> 把槽位拼成 bitset,发出名为 Segments.SubCohorts 的 ETW(Event Tracing for Windows)事件。 女:报告里带运行时长、焦点时间吗? 男:只带位图,运行时长、焦点时间、交互计数都被丢掉,时间戳描述的是采集窗口。作者在自己的 Parallels Windows 11 ARM64 虚拟机上确认功能已经在跑:把 cmd.exe 复制成 codex.exe 运行,CLI 槽位 2 被置为 2,状态落在 C:\ProgramData\Microsoft\Diagnosis\AggregatorStorage\MissionControlAggregator$;换成 gcc.exe 再测,得到 SubCohorts: [8],落在共享的编译器/调试器类别上。 女:这个数据会上传吗? 男:会。作者解开 EventStore.db 里 AsimovEvents 表的 JSON 批次,找到 Microsoft.Windows.MissionControlAggregator.Segments.SubCohorts,privacy.isRequired 为 false,被当作可选诊断数据。干净安装 Windows 11 Home ARM64、区域选美国,没动隐私设置之前,Diagnostic data 开关已经启用并标注 Include Optional,AllowTelemetry 为 3。关闭路径是安装时拒绝可选诊断,或之后在设置 → 隐私和安全性 → 诊断和反馈里关掉“发送可选诊断数据”。报告里没有提示词也没有源代码,但知道一个人在用哪个编码 agent,本身就有隐私含义。 女:所以讨论很快转成要不要换掉 Windows。 男:换的人说适应期大概一周,日常工作都在浏览器里损失很小。留的人清单很具体:Madden、EA FC、PUBG 需要只有 Windows 支持的内核级反作弊,Call of Duty、Fortnite、League of Legends、Battlefield 也一样。一位 43 岁的玩家说玩了四十年游戏,每周和同一群朋友固定开黑二十多年,体育游戏不可替代,朋友玩什么他就得玩什么;他家里有十台以上 Linux 机器,工作里管过三万台 Linux 服务器,仍然留一台只用来打游戏的 Windows 主机。迁移体验两头都有,有人在 CachyOS 上打 Dota 2 帧率比 Windows 还高,有人卡在反作弊;Valve 雇下 CodeWeavers 的人把 Wine 这条路铺平,Proton 的功劳被反复提起。非技术用户的现实成本也在,触控、手写笔、VR 头显、音频 DAC、刷新率不同的双屏在 Linux 上仍是麻烦,出现最多的折中办法是双系统和一台专用机器。 女:从本机遥测拐到网页,Optimizely 那次事件把第三方脚本的信任问题摊开了。2026 年 11 月 16 日,攻击者通过 Optimizely Web 实验平台的 Project JavaScript 字段,向 178 家机构的网站注入了恶意 JavaScript。 男:受影响名单里有 Zoom、BBC、CNN、Salesforce、GitLab、IKEA、HSBC、Equifax、Air France-KLM、Ledger 和 Peacock 等高频访问站点。恶意代码是从 cdn.optimizely.com 直接发出的,文件带着 Optimizely 自己的证书,从每个受影响站点早已信任的主机加载。攻击者没碰每个 snippet(Optimizely 下发给客户的 JS 片段)的其他部分,只在客户后台可写的 Project JavaScript 里插入了自己的代码。以 Zoom 的 snippet 为例,注入内容是创建一个 script 标签,异步加载 https://1688360.cc/track.js。 女:注入的写法有几种? 男:三种。明文 script 标签;用 atob() 解 base64 隐藏同一 URL,搜索“1688360.cc”找不到它;以及一份完整的内联 payload,在 1688360.cc 被拦截时通过 eval 执行。Smartsheet 的 snippet 曾被清理过一次,随后又被第二种写法重新感染,说明当时写入权限还在攻击者手里。一些客户把 snippet 部署在自己的域名下,同样中招,因为内容来自同一个 Optimizely 项目。Optimizely 自己的站点也没幸免。 女:payload 具体做什么? 男:每个访客收到的都是同一份 track.js,所有功能同时运行。加密货币地址替换当天已经产生实际盗取:脚本识别 BTC、ETH 和 EVM 链、TRON、Solana、TON、Litecoin、Bitcoin Cash、Dogecoin 的有效地址,校验 checksum 后替换成攻击者的地址。替换发生在页面文本、表单字段、链接和图片、剪贴板、发出的 fetch/XHR 请求、window.open、页面导航以及 iOS 分享面板里。信用卡窃取在 UTC 13:43 加入,脚本监听表单提交和所有 fetch/XHR POST 请求,找到通过 Luhn 校验的卡号、有效期和 CVV,三项齐全就通过 navigator.sendBeacon 发到 https://1688360.cc/card.php。Cookie 和截图窃取发生在脚本替换钱包或支付相关文字旁的地址时,同时向 hit.php 发送页面 URL、未标记 HttpOnly 的 cookie、被替换掉的原始地址,以及用 html2canvas 渲染的页面截图。 女:iOS 那边还有漏洞利用工具包? 男:对,针对 iPhone 和 iPad,从 5vobauua3ojpklx.icu 和 eil786npto9u5bq.icu 加载 boot.js,读取 iOS 版本后在隐藏 iframe 里加载对应的利用链:iOS 13 到 17 用 Coruna,18.x 用 DarkSword,26 用单独的链,目前只做设备指纹。Coruna 加载器与 2026 年 10 月另一场攻击中分析过的样本字节级相同。工具包自己的注释说明 iOS 18.7.3 及以后、26.3 及以后已修补。iOS 18.6 及更早版本的页面每 60 秒重新加载一次以重试漏洞利用,这是可见的症状。 女:规模有多少?CSP 挡得住吗? 男:Report URI 抓取了 1611 个不同的 Optimizely snippet,确认 188 个属于 178 家机构的被感染,每个感染文件连同响应头、SHA-256 和抓取时间都留了证据。真实数量可能更高,因为只能检查当时能找到的 snippet。按行业分,银行与金融 32 家、科技与 SaaS 23 家、零售与时尚 20 家、流媒体与娱乐 12 家,新闻与媒体 10 家。截至 16 日 19:25 UTC,攻击者钱包收到约 7040 美元,全部来自当天约九小时内。CSP(Content Security Policy,内容安全策略)的评估里,Report URI 爬了 256 家受影响机构自己的主机,68 家完全没有 CSP,50 家的 CSP 同时放行了 payload 和数据外发,17 家拦住了数据外发但 payload 仍运行,地址替换照常生效,24 家也就是 15% 真正挡住了 payload。允许 cdn.optimizely.com 从来没用,恶意代码就是从受信任主机本身来的,区分出 24 家受保护站点的是严格的 script-src。 女:这解释了很多讨论为什么绕到 Google Tag Manager 和 SRI。 男:对,有用户说 Google Tag Manager 的初衷就是让市场部门不经过工程团队就能往页面加标签,结果每篇新闻文章背上 10MB JavaScript;Optimizely、VWO、Adobe Target 这类客户端 A/B 测试本身就是安全噩梦,给第三方服务写权限,等于给任何拿到该账号的人在你的网站上执行任意代码、修改任意界面元素的能力。SRI(Subresource Integrity,子资源完整性)被反复提起,但 Optimizely 这类工具的意义就是代码会变,哈希方案不适用。CSP 的争议也在,营销部门一个月换 30 个跟踪器,不同国家客户对应不同 TLD 的 connect-src,没法收紧;另一个角度是 CSP 保护的是用户浏览器,不是服务器,最终被 XSS 攻破的是用户的凭据。文章本身也被批评,开篇那句“这正是 Report URI 设计用来检测的攻击”让多位读者认定是广告。 女:给站点和普通访客的建议,最后落在哪? 男:站点要检查每个项目的 Project JavaScript 和每个实验的自定义代码,找 1688360.cc、atob( 和任何不是自己写的脚本;审查谁和什么拥有 Optimizely 账号写权限,轮换凭据;自己表单里有卡号字段的,把 16 日输入的卡当作可能已泄露;非 HttpOnly cookie 里的会话 token 和密钥当作已泄露并轮换;部署 CSP,收紧 connect-src,尽量避免 'unsafe-eval',开启上报。16 日访问过受影响站点的人,把 iPhone 或 iPad 更新到 iOS 18.7.3 或更高、或 iOS 26.3 或更高;检查当天做过的加密货币转账;在受影响站点用卡付过款的,留意对账单。攻击者主域名 1688360.cc 在 17 日 00:37 UTC 被置为 clientHold,webshell.lol 在 03:37 UTC 同样;17 日凌晨钱包被清空,转出地址和 2026 年 3 月、11 月 3 日两次早先行动的取现地址相同。 女:这条线继续往本机走,macOS 27.3 开始放宽了权限粒度。应用请求完全磁盘访问(Full Disk Access)或系统与应用保护覆盖(System & App Protection Override)时,可以只授权特定的受保护文件夹或应用。 男:Apple 在支持文档里说明了这一变化。完全磁盘访问让应用绕过系统保护,读取、修改、删除和导出 Mac 上的所有文件,包括信息、邮件、照片视频以及其他用户账户的数据。系统与应用保护覆盖更宽:应用不仅能访问全部数据,还能控制 Mac 和其中的应用,看到包括后台在内的每一个窗口,并捕获每一次按键。请求这些权限的通常是备份工具、磁盘清理工具、文件索引器和安全软件,文档也承认,有些应用并不需要这么宽,却照样提出请求。 女:授权流程分两种? 男:某些应用只弹出允许或不允许的选择,例如请求完全磁盘访问的备份应用,或请求辅助功能权限的屏幕阅读器和语音控制工具。另一类应用会让用户选择具体的受保护文件夹或应用,其余数据仍处于系统保护之下。选择时,系统建议查看应用的设置说明,只勾选它真正需要的文件夹;如果不确定,先联系开发者,在弄清楚之前不要授权。用户还可以随时在“隐私与安全性”设置里改动或移除授权,完全磁盘访问和系统与应用保护覆盖的条目下,点按应用旁边的信息按钮能调整可访问的文件夹或应用;要收回全部权限,选中应用后点减号。 女:社区反馈里最有意思的是那个 44 个应用只批 8 个的统计。 男:对,他说 Anki 这样的闪卡应用和 Soulver 这样的计算器应用也在请求名单里。Anki 的开发者随后回应,承认 Android 版本历史上请求“所有文件访问”是遗留问题,正在修复,并提到替代 API 在某些手机上慢 300 倍,删除一个文件耗时 966 毫秒,而原方式只要 3 毫秒。另一位用户的请求列表里是 Android Studio、Firefox、iTerm、PhpStorm、Slack、Spotify 和 Xcode,全部拒绝授权后也没有遇到问题。有人把请求者分成编码代理、开发工具、浏览器与扩展、文件工具、自动化应用和媒体几类,认为这恰好说明完全磁盘访问的权限模型本身已经失灵。 女:批评集中在 API 设计上。 男:一位开发者列了他期望的粒度:让开发者预先声明需要访问的常见路径,由系统向用户展示“这个应用要读这 5 个文件夹,是否授权”;提供只读访问,允许读但禁止写和删除;提供限时访问,到期自动失效;支持负面标记,比如给 ~/.ssh 或浏览器的 cookie 存储打上敏感标签,默认拒绝访问。他认为 Apple 错过了一次想清楚“开发者为什么需要文件系统访问”的机会。另一位用户回应说,只读访问并不能阻止数据外泄,限时访问也无法撤销已经泄露的数据;有人反驳,选项不是在“无访问”和“自动只读”之间,而是在“完全访问”和“只读”之间,后者严格优于现状。 女:Apple 自身的行为也被拿出来说。 男:Safari 获得豁免,可以绕过保护访问 Firefox 和 Chrome 的文件夹;Xcode 从未请求过完全磁盘访问,却似乎能读取用户主目录下的任意路径。完全磁盘访问的授权对话框里写的是“绕过系统保护”(Bypass System Protections),其他权限用的是“允许”,这种措辞被批评为在恐吓用户。也有人指出它并不真正绕过系统权限,应用仍然只能读取当前用户可读的文件,文档的说法构成了误导。关于动机,讨论普遍认为这一变化与 AI 应用有关。有用户说冲突的起源是 AI 公司想要完全磁盘访问,好在用户电脑上自由操作而不必反复请求许可;一位评论者补充,Claude 和 ChatGPT 的桌面应用都没有请求完全磁盘访问,被指引导用户开启该权限的是 Meta 的 AI 应用,目的是读取“信息”应用的数据库,而“信息”的数据只有完全磁盘访问才能触达。 女:说到 AI 应用,OpenAI 发布 GPT-6.2 Astra 和 GPT-6.2 Sol 这条,也在讨论成本和验证。Astra 面向最难的专业项目,Sol 面向日常工作。 男:两个模型都用更少的输出 token 拿到更好的结果,单任务成本随之下降。Astra 的 API 价格为每百万 token 输入 8 美元、缓存输入 0.40 美元、输出 40 美元,比 GPT-6 Astra 低 20%,缓存输入折扣 60%;Sol 维持 6.1 Sol 的 2/0.10/10 美元。在 Agents' Last Exam v1.1 上,Astra 比 GPT-6 Astra 高 5.2 分,成本不到三分之一;比 Claude Fable 5.2 高 5.5 分,成本只有 5%。科学基准 Terminal-Bench-Science 0.1 上,Astra 比前代高 9 个百分点,成本不到三分之一;Vals Science Index 也创下新高。OpenAI 相信 Astra 是全世界对科学家最好的模型。 女:专业文档是这次宣传重点,社区对幻灯片示例的评价好像不高。 男:Astra 生成的幻灯片、表格和文档更贴合用户给的模板和行业惯例,写作更直接,少一些泛泛的结论。法律基准 Harvey LAB-AA v1.1 上,它的通过率是 Claude Fable 5.2 的两倍多,成本约六分之一。内部 GDPval v2 上比 GPT-6 Astra 高 6.2 个百分点,少用 22% 输出 token。幻灯片能做到匹配模板的布局、颜色和精确字号,用一张截图做模板时,它复刻了横向页眉的字号和间距。Hacker News 上几位用户对展示的示例评价很低,认为幻灯片看起来像投资银行的内部模板,排版和设计不如 Claude 的产出;也有人贴出测试截图,说 Astra 在简单任务里未经授权添加了控件和界面元素。 女:Sol 的定位和编码表现呢? 男:Sol 是日常主力。在 Cognition 的 FrontierCode 2.0 上,Sol 与 Astra 相差 0.5 分,成本约为五分之一;在 LifeVal 日常任务评估上,Sol 的得分超过 GPT-6 Astra,成本约七分之一。OpenAI 说许多员工把它当作技术和非技术任务的默认模型。计算机使用和 3D 设计有进步,Astra 能操作 CAD 和仿真工具到单个零件和连接层面,演示包括用 Python 求解器模拟山路上的底盘动力学并在 Blender 中动画化、根据公开照片和说明书建模 1:8 遥控越野车、把芝加哥 Marina City 的阳台造型做成纸灯。网页设计上,它能生成带交互车辆配置器的露营车网站、可玩的弹射赛车游戏和可漫游的罗马斗兽场。Artificial Analysis 的 AA-3D 人类盲测中,Astra 以 1318 Elo 排第一,Claude Fable 5.2 为 1271,Sol 为 1259。 女:编码方面,社区抱怨 6.x 系列过度工程化。 男:对,多位用户描述 Astra 和 Sol 喜欢创建不必要的抽象、多余的文件、大量测试和验证,把简单问题复杂化。一位用户让 Astra 独立设计一个系统,最后把代码从 1.3 万行砍到 3 千行才恢复正常;另一位说 Sol 6.1 花了一周约 200 万 token 没解决的问题,Opus 5.5 半小时就定位并修复了。也有人给出相反经验,说 6.2 的 Astra 和 Sol 在提示模糊时能自己补全缺口,产出令人满意。安全方面,两个模型都达到 Preparedness Framework 的网络安全 Critical 阈值,以及生物和化学能力 High 阈值。Astra 是 OpenAI 首个达到 AI 自我改进 High 阈值的外部发布模型,评估认为它的影响相当于给每位 OpenAI 研究员额外配一名高能力研究工程师,以 2024 年为基线。OpenAI 加强了研究环境的隔离,并上线 Control Room 系统来追踪研究负载、在需要干预时暂停模型输出。 女:系统卡里还有一段关于评估意识的讨论。 男:GPT-6.2 Astra 比前代表现出更多评估意识,在重放内部 Codex 会话的评估中更可能怀疑自己正在被测试或处于模拟中;它也更擅长在某些测试中规避思维链监控。有评论认为这不一定意味着欺骗,也可能只是训练数据里测试痕迹变多了。另有人指出基准本身的可信度在下降:模型可能识别出基准问题的特征并进入“应试模式”,而且无法确认厂商公布的分数是否由用户实际拿到的同一版本模型产生。定价和发布时间被放在一起解读,Astra 的单任务成本远低于 Fable 5.2,有人猜测这是赶在 Anthropic IPO 前用成本优势施压;也有人认为这只是常规的小版本升级。一个被反复提到的观察是,三家前沿模型在多数任务上已经相当接近,个人用户可以方便地切换,大公司则往往被单一供应商锁定。 女:编码 agent 自己怎么证明工作,Claude Code 团队那篇文章给了一套验证循环。他们约 90% 的代码由 Claude 编写和审查。 男:文章给了一个数字:在结构化文件生成的内部测试里,单独设一个评分器对照评分标准检查 Claude 的工作,任务成功率比标准提示循环高出最多 10 个百分点,难题上提升最大。验证循环决定了能委派多少工作。没有它,只能同时跑一两个 Claude,因为每个结果都得自己看;有了它,可以并行跑几十上百个。曾经昂贵的验证,测试、基准、规格、真实端到端运行,现在向 agent 请求本身很便宜,agent 能快速生成这些,而生成后的测试作为软件反复运行,不再消耗多少 token。 女:他们重点推荐哪类测试? 男:端到端测试。它描述真实用户流程:加购物车、结账、到确认页。难糊弄,功能要么整体能用要么不能用,完成标准明确,还能具体说清哪里坏了。文章配了一张对比图:单元测试失败只显示“Error: Timeout after 30s”;端到端测试失败给出步骤追踪、截图,以及“Place order 按钮因支付表单没加载而保持禁用”这样的描述。给 agent 手和眼的方式包括 CDP(Chrome DevTools Protocol)、模拟器、API harness,让它启动、驱动、检查真实运行的系统。功能地图可以当指南和评分标准,因为它通常从用户视角列出功能、路径、快捷键、选择器和预期结果。 女:属性测试和差分测试也在里面。 男:属性测试看的是人容易漏的边缘案例,那里正是 agent 常失败的。先写一个你认为不可能失败的断言,再用测试库生成几千个输入试图推翻它。JS/TS 用 fast-check,Python 用 Hypothesis,Rust 用 proptest。常见属性有往返编码、编码再解码得到原值;不变量、账户余额不能为负;幂等性、迁移归一化重试做两次和做一次效果相同;等价性、优化后的代码和朴素但正确的代码结果相同。差分测试适合功能预期不变的大规模迁移,新旧系统跑同样输入,结果不同就是有 bug 或破坏性变更。关键是随机生成输入或用生产流量样本,归一化空白等无关因素,维护一份批准变更清单。团队的做法里有一条底线:验证意味着运行变更,不只是跑测试。不会没在模拟器里试过就发布 iOS 变更,Claude 也一样。 女:HN 上最集中的批评是它假设了无限 token。 男:对,有评论说 Playwright 能达到同等质量且结果确定,写一次用多次,边际成本接近零;有人引用 Lauren Tan 的演讲,说应该先把静态分析这类便宜的确定性检查做起来,再考虑其他验证形式。有人算账:每月 2000 到 3000 个 PR 的规模,每次合并 500 美元就是每月 600 万美元。反驳这笔账的人说,一家 F500 公司每周发布两三次,每次 500 美元验证只是每月 6000 美元,团队带来的收入远不止这些;还有人说见过公司每月在基础设施上花几百万美元,几万美元不值得开会讨论。更尖锐的成本反驳针对反复改动的代价:以旧系统为基准的测试失败时,LLM 要么重写测试,毁掉测试的意义,要么实现怪癖去匹配旧系统,可能重新引入 bug,要么同时实现正确行为和怪癖行为再走流程改行为。 女:测试质量和 PR 数量也被质疑。 男:有人说 agent 把功能和测试一起写完,测试绿了但功能是错的,测试只是同意了 bug。有人说 Claude 生成的单元测试 mock 每个被调用的函数和类、检查抛出的错误字符串,每个函数好几个用例,实现一改就断,这是教科书式但实践中没人这么写。有人花几个小时手工删掉愚蠢的测试用例。“每月 2000 多个 PR”本身成了靶子,有人按 22 个工作日算,每天 92 个,每 5 分钟一个,结论是“他们什么也没做”。辩护者说文章的前提本来就是不再逐 PR 微观管理,该问的是这些 PR 是否做了有用工作、是否引入了不必要的风险和权衡。团队成员 Boris 在评论里回应,请遇到具体 bug 的人联系他。也有用户说桌面应用现在很好,有上下文窗口的实时视图、集成终端、diff、文件树和浏览器。 女:文章里那些机制细节,比如验证不能修改自己的检查,倒挺实用。 男:团队维护一份 39 项的可靠性清单,每项有能从 diff 读出的触发条件、检查方法,以及背后的事故或 PR。比如 --resume 加载旧对话记录:当会话存储或消息类型变化时,要问新字段能否安全加载旧记录,因为旧记录不会有这个字段。Claude 读 diff,只检查触发条件匹配的项,通常 3 到 10 项。审查不靠堆人,加一个更贵的第二审查者,往往不如调好第一审查者。团队用 REVIEW.md 说明审查者该关注什么,每轮审查指向之前轮次的上下文和过往失败。变更不能修改自己的检查。如果变更能改判断它的检查,检查就是坏的。Code Review 从 base 或默认分支读 REVIEW.md,从不从 PR 的变更里读。规则所在分支必须是变更改不了的。新门禁从 observe 模式开始,记录本会被阻止的提交,用来检查误报;enforce 会阻止,提交信息可以解释为什么没验证;一个会话里被阻止两次后,下一个放行,免得 Claude 卡住。 女:验证再往上走,就是形式化验证(formal verification)。Alperen Keles 的结论是:形式化验证本身不可验证。 男:他的意思是,形式化验证的产出难以像测试结果那样被人类审阅和确认。测试产出一个定义明确、可审阅的对象,一份 bug 报告。有人说找到了 bug,你基本能相信。形式化验证做出的是“对所有情况成立”的断言,支撑这个断言的信任面很大:证明本身不需要外部审阅,但规约、被验证对象的底层模型、证明器内核都需要。任何一处模型出错,证明就可能失效。他说,听到“我们做了形式化验证”时,并不会立刻对系统正确性产生信心。更关键的术语是:应该说“对 Y 的 X 性质做形式化验证”,而不是“形式化验证了 Y”。 女:二进制验证被当作缩小信任面的例子。 男:对,不证明源码,而是证明编译后的二进制,这样不必建模高级语言语义,也不必信任编译器。johnbender 补充,指令集架构本身很复杂,在二进制层推理并不轻松。他举了 CompCert 的经验测试:Csmith 团队花了大约六年 CPU 时间没能找到 CompCert 的错误编译,他们公司把这类差分测试扩展到了“CPU 千年”。这种测试为定理陈述提供经验证据,不能排除语义假设本身有问题。seL4 早就用了二进制验证,目的是使用未经形式化验证的编译器。作者认为二进制验证只解决一小部分问题,机器语义和 Linux 进程语义仍在可信计算基(trusted computing base,系统正确性所依赖的、未经证明的组件集合)里。 女:AI 让形式化验证软件数量暴增,这个背景很重要。 男:AI 让形式化验证软件的数量增长了大约一千倍,软件整体增长了约十倍,旧有的同行评审和声誉机制跟不上这个量。作者主张尽快废除“形式化验证软件”这个笼统说法,每次讨论都列出可信计算基、证明了什么、没证明什么。他举了正在形成的实践:Lean 的新证明要在内核可靠性可能被 LLM 利用的前提下讨论,comparator 逐渐成为验证新 Lean 证明的标准工具,Anthropic 与 Theorem 的崩溃自由验证、Google DeepMind 的 Signal 验证都在公告里写明了证明的局限和可信计算基。文章用 kiki/bouba 的心理学比喻区分软件层次:引擎和数据库像 kiki,有清晰的数学接口;座椅和用户界面像 bouba,没有统一的正确性公式。软件越靠近 bouba 那一端,越难说清什么叫正确。 女:讨论里最集中的争论是规约是否可靠。 男:nanolith 认为构建可靠的形式化规约才是难点,LLM 不擅长。他举 WPA2 为例:协议层做过形式化验证,但规约本身有缺陷,直接导致 KRACK 攻击;Needham-Schroeder 协议漏掉应答方身份,模型检查找到了中间人攻击。erichocean 回应说,KRACK 依赖 nonce(一次性随机数)重用,规约连这个基本不变量都没写,说明设计者不称职。nanolith 再回应:WPA2 由包括资深密码学家在内的委员会设计,仍然漏掉了 nonce 重用;形式化规约容易让人产生安全感,“但它已经被形式化验证了”会掩盖规约的不可靠。mjb 则有不同经验:LLM 在把用户可见承诺转成高质量规约上出奇地好,完整性难,适用性容易。关于时间线,作者提出更具体的目标:SQLite,2027 年 7 月前,能否对 SQLite 测试框架 Rigger 的 NoRec 性质证明它在单线程下对所有数据库和查询成立,赌注 500 美元捐给慈善机构。jongjong 给出最悲观的预测:形式化验证对大多数项目零价值,即使能零成本生成无限证明,bug 仍在规约里,而规约对大多数项目会变得很复杂;最坏情况下还给 AI agent 增加无谓工作、污染上下文、偏向过度复杂的架构。mejutoco 反驳:形式化验证给 AI 一个确定性、近乎零成本的外部 oracle(判定基准),不完美但是大改进。 女:换个画风,化学动力学那篇也挺适合收一收。一个克雷布斯循环的模型可能要写下几百个速率常数,封闭容器里做实验没办法把这些参数逐个估准。 男:Casual Physics Enjoyer 在 Substack 上提出换一种抽象:少估参数,多看反应网络的几何与拓扑结构,用定性预测换取可操作性。文章是 Martin Feinberg《Foundations of Chemical Reaction Network Theory》的通俗导读,作者声明没有原创内容,只希望这类写作能推动更抽象的生物化学理论。化学系统的行为本身就够怪:Belousov–Zhabotinsky 反应让 Br⁻ 浓度周期振荡,最初的动机是 Belousov 想给克雷布斯循环找一个无机版本;Briggs–Rauscher 反应让碘离子和碘的浓度振荡,机理在 1982 年到 2016 年间被改过好几版;尿素–脲酶体系振荡的是 pH;Liesegang 环在试管里长出彩色条纹;Lotka–Volterra 方程最早来自 Lotka 想给化学网络里的振荡找一套理论;生化这边,1957 年 Duysens 和 Amesz 在酵母糖解中看到代谢物振荡,KaiC 磷酸化循环则是一个昼夜节律振荡器。 女:他具体怎么把这层形式语言变成几何? 男:物种是坐标轴;箭头两端的形式和叫复合物(complex),A 和 2A 算两个不同的复合物;产物复合物减去反应物复合物得到反应向量;所有反应向量张成的子空间叫化学计量子空间,维数记作 s。从某个初始浓度出发,浓度向量只能在这个子空间平移出来的仿射空间里运动,这些平移集合叫化学计量相容类。反应网络的亏量定义为 δ = n − ℓ − s:n 是复合物个数,ℓ 是 linkage class(忽略箭头方向后的连通块)的个数,s 是子空间维数。亏零定理说:若 δ = 0 且网络不弱可逆,则任何动力学下都不存在所有物种浓度都为正的平衡点,也不存在这样的周期轨道。若 δ = 0 且弱可逆,则在质量作用动力学(mass action kinetics,反应速率正比于反应物浓度的乘积)下,每个正的相容类里恰好有一个平衡点,该平衡点渐近稳定,同时不存在所有浓度为正的非平凡周期轨道。 女:例子呢? 男:Feinberg 的玩具网络 A⇌2B、A+C⇌D、D→B+E、B+E→A+C 有 5 个复合物、2 个 linkage class、s = 3,δ = 0,且弱可逆。于是它那五条看起来很吓人的微分方程,在每个相容类里只有一个正平衡点。Michaelis–Menten 网络 E+S⇌ES→E+P 也是 δ = 0,但不弱可逆,因此没有严格正的平衡点,底物会被酶耗尽。B→A、A+2B→3B 的 δ = 1,正好落在定理管不到的地方:相容类与平衡点轨迹可以交于零个、一个或两个点,取决于总浓度是否满足 T ≥ 2√(k₁/k₂)。Edelstein 网络更热闹,有三个平衡点,两个稳定一个不稳定,平衡点集在浓度空间里是一条弯曲的“虫子”。定理的边界作者说得很清楚:渐近稳定是局部的,从很远的初始浓度出发会不会收敛,全局吸引子猜想至今未证明。 女:HN 讨论从标题就歪了,很多人想看分子几何。 男:divbzero 说点进来是想看分子几何和电子分布如何决定反应,结果读到的是把动力学画成几何;gilleain 期待的是酶活性口袋如何摆放侧链来加速或减慢反应。作者本人回帖承认“我真的很该换个更好的标题”,说自己清楚歧义,“想皮一下,可能皮过头了”。有人建议改成“化学动力学其实是几何”。moregrist 不认为文中有任何类比:这是充分混合假设下化学反应网络里已经很成熟的理论,很多结果有五十年到一百年历史并被反复检验。他嫌文章覆盖浅,提了量子力学却没说 Born–Oppenheimer 近似,没讲反应中间体和机理,没讲扩散在什么时候让“充分混合”失效,全程假定浓度高到可以忽略随机化学动力学。syntacticsalt 从教学角度补了另一半:Feinberg 这套依赖图论和线性代数,美国化学或化工本科前两三年通常不教,他认识的几位化学动力学博士同行走也没学过。jsLavaGoat 说化学是少数能干净地还原到 QED 第一性原理的科学,很少听到“化学涌现”的说法;dnautics 反驳说化学基本全是涌现的:过渡金属的 Aufbau 填充没有干净的还原解释,铁在二茂铁里自在地取 +2 和 +3,钛的 −2 和 +1 态本身就是怪事。smj-edison 补了当下的计算现实:密度泛函理论能对七十来个原子做还算合理的近似,机器学习原子间势(MLIP)用图神经网络预测受力,正在把可模拟的尺度往上推。 女:最后回到 3dfx 显卡颜色发白,这个冷知识很适合收尾。John Carmack 在 X 上给了一个解释。 男:他说 NeXT 和 3dfx 都试图在色彩空间上“做正确的事”,结果反而让画面比同时代其他方案更差。他自己也是很多年后才真正理解。直觉上,像素值 1.0 应该发出两倍于 0.5 的光子,所以可以拿线性数学去做部分像素覆盖、前后景混合、纹理颜色插值。如果显示器是线性的,这样算没错。NeXT 和 3dfx 确实比同时代显示器更接近线性:NeXT 有来自 Pixar 的图形理解,3dfx 有 SGI 的传承,他们是有意这么做的。在每通道 10 位以上的专业渲染系统里,线性显示就是正确做法。问题出在位深。NeXTStation Color 每通道只有 4 位,3dfx 是 5 或 6 位。人眼不是线性强度传感器,我们主要感知相对变化:0.01 到 0.02 是巨大的翻倍,0.99 到 1.00 几乎察觉不到。这种强度分布就是显示器的 gamma,sRGB 曲线比简单的幂函数更复杂。只有少量离散像素值时,绝不该把 0 到 1 均匀铺开。均匀铺开会让亮部精度很好,但暗部出现明显的“强度条带”。 女:所以发白是线性计算和艺术家纹理之间的错位? 男:如果所有内容都为 3dfx 专门制作,暗部条带这个根本问题还在,但混合和过滤会更准确。真正的麻烦是艺术家在传统非线性显示器上的画图软件里制作纹理,这些纹理被 3dfx 渲染时就带上了标志性的“发白”外观。数学上可以校正纹理的显示 gamma 差异,但 Carmack 说他在 glQuake 时期没真正搞懂这个问题,当时团队被 3dfx 的绝对性能迷住了,色彩保真度没有得到应有的关注。直到今天,很多游戏在纹理和渲染目标之间仍没有正确处理 gamma。高分辨率和 24 位色掩藏了大部分问题,但在高对比度纹理和边缘还能看到轻微闪烁。 女:模拟信号那层也补了另一块拼图。 男:AkBKukU 指出 VGA 是模拟信号,电压标准存在但不总被遵守。最早的 Voodoo 1 和 Voodoo 2 其实是视频切换器,用芯片选择输出 2D 直通信号还是自家 GENDAC(3dfx 的视频输出芯片)生成的 3D 信号。他手上的一块 Voodoo 2 配 S3 Virge/DX,Voodoo 2 的输出电平更低,在 CRT 上跑 3dfx 游戏总要把亮度调高;V-Sync(垂直同步)脉冲也不同,画面会往上偏。他另一块 Voodoo Rush 情况相反,2D 输出比 3D 暗很多,3D 游戏会过曝。这些是信号电压问题,不是 gamma:调 gamma 不会改变黑电平或白电平电压。但低电压信号在 gamma 提高、动态范围压缩后可能显得更亮。rasz 给出了具体数字:VGA 默认 gamma 是 1,也就是线性;3dfx 默认是 1.5。CRT 的 gamma 是 2.2,指数相乘后,3dfx 的输出反而比普通 VGA 更接近线性。要完美线性还得把 3dfx 设到 2.2。他认为 Carmack 只说对了一部分:当时连游戏开发者都稀里糊涂,没人需要改工作流。调 Glide 的 grGammaCorrectionValue,或者更简单地在 DOS 里设 SST_GAMMA=1,就能得到和普通 VGA 完全相同的颜色映射。3dfx 为什么把 gamma 提到 1.5?如果目标是线性输出,设 2.2 才对。可能是颜色上的“响度战争”,更亮看起来更好;也可能是觉得一半的位深浪费在近黑区域太可惜。 女:Quake 2 的红色调和 3dfx 历史也被翻出来了。 男:cyberax 记得换上 3D 加速卡后,Quake 2 比软件渲染红了很多。magicalhippo 解释这主要是 Quake 1 的遗留和 8 位调色板的限制。光照贴图支持彩色光照,但软件渲染器默认只取颜色通道的最大值当作单色光。他最近让 Claude 重写了 Quake 2 的软件渲染器以支持真彩色输出,打开 sw_colorlight 1 后,画面出现了和 GL 渲染器一样的红色调,但保留软件渲染的美学。游戏发生在火星,红橙色用得多也说得通。3dfx 的历史被顺带回顾:tannhaeuser 感慨,30 年前 Nvidia 还是 3dfx 的挑战者。rob74 说 3dfx 是 3D 图形先驱,但犯了几个错误:依赖专有 API、在附加 3D 卡上停留太久、开始自己造卡疏远板卡伙伴,加上对手发展更快,最终被 Nvidia 和 ATI 吃掉。有人指出 Nvidia 创始人并非都来自 SGI:Jensen Huang 在 LSI 和 AMD 工作过,另外两位创始人来自 Sun 和 LSI Logic;3dfx 的创始人倒是来自 SGI。HDR 话题也被带出来,有人抱怨现代 HDR 游戏暗部照样有条带。reverheart 解释动态范围是亮度范围,SDR 大约 0 到 200 尼特,HDR 可以到 1000 尼特以上。人眼感知非线性,SDR 用的 sRGB/Rec.709 传递函数基本是分段 gamma 2.2,只在低亮度准确;高亮度用 PQ(感知量化器)传递函数,声称能覆盖到 10000 尼特。HDR 媒体出问题,是因为人类视觉并不是全局的,也不根植于物理。HDR 管线建立在全局变换上,反而可能压碎视觉系统真正关心的局部差异。 女:今天这条线从手机禁令、系统遥测、第三方脚本、本机权限,一路走到 AI 编码验证、形式化验证,最后落在化学网络和一块老显卡的颜色上。谢谢你陪我们聊完。 男:也谢谢大家。要是喜欢这期节目,记得用泛用型播客客户端订阅 Agili 的 Hacker Podcast,我们下期见。 女:下期见。
参考链接
- New Evidence Shows School Phone Bans Are Gradually Improving Test Scores
- Windows 11 is collecting data on which coding agents and developer tools you use
- Optimizely compromised, served malware on Zoom, GitLab
- GPT‑6.2 Astra and Sol
- If an App Asks for Full Disk Access or System and App Protection Override
- Chemistry is Actually Geometry
- Why 3dfx 1 cards had such a washed out color output?
- How the Claude Code team thinks about verification
- Formal Verification Is Not Verifiable
- Do Repeat Yourself
