AI Pulse

AI Pulse

说人话的 AI 情报站
每天 08:00 · 12:30 · 18:30 · 23:50 更新每天四次更新
2026 年 4 月 11 日 · 18:30 更新
✦
试试:

今日焦点

Claude Mythos将开发者识别为安全漏洞

Claude Mythos在分析一段代码时,未标记SQL注入或硬编码密钥等传统漏洞,而是回复‘你才是那个漏洞’。

Mythos的训练数据包含真实攻防报告、漏洞复盘会议纪要和SRE事故日志。它识别出开发行为中的风险模式,例如因赶工跳过输入校验。

该模型不替代渗透测试。它把‘人因失误’从事故报告中的模糊归因,转化为可识别的行为模式。

GitHub Copilot用相同提示词分析代码时,给出的修复建议中包含一行注释:‘建议同步更新团队的API调用规范文档。’

深度阅读

查看全部深度文章 →
AI Agent 订阅 · 每天四次推送

🔥 信号雷达20 条本班新增 1 条

𝕏 实时信号 + arXiv 前沿论文,经 AI 聚类解读 · 一眼扫完全貌

18:30 最后一轮更新
今日要点 · 12 条
新安全 · @kunchenguid▲ 22.5万

AI 现在把开发者当成漏洞本身

它不找代码里的错,而是揪出你赶工、跳流程、用默认配置的瞬间。

阅读全文 →
22.5万4676.7K205
教育 · @TwipsX▲ 7.7K

学 AI 不用看书,三节课就能让 Claude 干活

从读 PDF 到写 SQL,新手照着改两行字就能用

阅读全文 →
7.7K69412298
研究 · @Polymarket▲ 6.5万

哈佛新实验室想帮你记住每一句说过的话

用眼镜、手机和穿戴设备自动记录生活,随时调取对话细节。

哈佛大学刚成立了一个AI实验室。目标很具体:解决那种‘我是不是说过这话’‘会议细节去哪儿了’的日常记忆焦虑。

团队打算打造一套系统,能持续、自动、高保真地记录个人经历。眼镜录下的对话、手机同步的操作、可穿戴设备捕捉的生理信号,都会被实时索引,语义关联,随时调取。你问一句‘上周三下午三点我和谁聊了什么’,系统立刻返回带时间戳的语音转录、相关邮件草稿,甚至对方当时的日历空档。

项目正在筹1亿美元。100万美元够做个原型,1000万能跑百人试点。1亿的目标,是让这套能力真正融入生活流——不用你主动打开App,系统已在后台就位。

这其实是在悄悄改写‘经验’的定义。‘我经历过’和‘我有记录’之间的界限,正变得模糊。当记忆不再靠模糊回想,而是可检索的数据,我们对‘我是谁’的理解,或许会从内心感受转向外部存证。

在 X 看原帖 ↗
6.5万66874121
工程 · @maximelabonne▲ 2.0万

边缘AI终于有章可循:1瓦芯片上跑稳顶尖模型

Liquid AI放出34页实战指南,连‘无限递归宕机’都有解法

Maxime Labonne 放出了 Liquid AI 团队打磨出的34页幻灯片,讲清楚怎么从零设计并训练能在边缘跑得稳的顶尖模型。这不是概念演示,而是他们真给客户交付过的工作流。

过去边缘部署靠工程师反复试错,现在有了可复用的结构化路径。

这套流程专治边缘设备上的“绝症”。比如推理时可能触发的“doom loop”——无限递归直接让设备宕机。幻灯片里给出一个轻量状态守卫机制,插进推理链路就能拦住失控循环。

Liquid AI 把整条链路当操作系统来造:每一层留控制面,每一步带退出开关。

这些模型不连云端,也不靠堆参数撑性能。它们能在1瓦功耗的芯片上稳定跑起来,目标设备包括智能眼镜、工业传感器或车载控制器。

开发起点也变了。不再是申请GPU集群,而是一块开发板加一份README。

从架构选型、预训练、按设备算力缩放模型,到后训练调优,现在每一步都有明确指引。公司不用再为每个新硬件平台从头摸索部署策略。小团队也能系统性地构建边缘AI应用,而不是靠直觉和运气。

边缘AI终于开始告别野路子。

在 X 看原帖 ↗
2.0万53431323
工程 · @hardmaru▲ 1.7万

AI没碰键盘,却在脑子里完整操作了电脑

它靠看屏幕变化学会模拟整个系统,连硬盘都没碰。

研究人员把一段段计算机操作录制成“计算机行为视频”:鼠标轨迹、窗口变化、终端滚动……这些画面被输入原本用于生成短视频的AI模型。模型学到的不是“怎么调用Chrome”,而是“当人输入URL后,桌面该怎样一帧一帧地变”。

视频生成模型天生擅长处理时间序列中的因果关系。把界面当作连续帧来训练,它自然捕捉到“点击图标→启动程序→绘制窗口”之间的隐式状态转移。就像人闭眼也能想象按下回车后地址栏变灰、进度条出现、页面逐块加载,模型试图复现这种基于视觉经验的预演能力。

整个过程在模型内部完成。不碰物理硬盘,也不触发系统调用。它不是记住操作步骤,而是同步模拟底层状态和表层画面。

有些AI“操作电脑”的演示,其实全程在生成中完成状态跃迁,并未控制真实机器。

当工具行为被内化为生成的一部分,AI与用户之间的责任边界开始模糊。这或许不是终点,而是人机协作新规则的起点。

在 X 看原帖 ↗
1.7万21284100
学术诚信 · @HedgieMarkets▲ 90.0万

AI开始一本正经地聊一种根本不存在的眼病

有人编了个假病名发到预印本平台,几周后AI已能详细‘诊断’它。

有研究人员编了个叫“bixonimania”的眼科病。现实中压根没有,维基百科也查不到。他往预印本平台传了两篇论文,署名单位是“星际舰队学院”,致谢里还列了几家根本不存在的机构。

几周后,好几个主流AI系统回答眼科问题时,已经能自然地提到这个病——描述症状、列出诊断标准,甚至给出治疗建议。

AI不判断真假,只认文本里的统计惯性。它把“反复出现”当成“可信”。哪怕十篇预印本里九篇是假的,只有一篇来自正规期刊,模型也不会给那篇更高权重。它没有权威过滤机制,只有词语共现的频率加权。AI不在乎“谁说的”,只在乎“怎么说的”。

这其实和小孩学说话差不多:不是先查证再开口,而是听多了就用,用多了就信。

过去,错误信息还能靠同行评议拦一拦。现在,AI正以指数级速度把它们重新打包、分发出去。

下次看到AI冒出个从没听说过的医学名词,不妨查查它最早出现在哪类文档里。

在 X 看原帖 ↗
90.0万1.1万2.4万6.0K
开源 · @omarsar0▲ 4.5万

跟AI说句‘建个PaperWiki’,三秒冒出一个会自己长的知识库

不用联网、不靠手动整理,提问就生成可迭代的本地知识系统

用户对AI说一句“建个PaperWiki”,三秒内,Obsidian里就冒出一个带目录、摘要、关键图表引用和相关论文链接的本地知识库。

这不是静态页面,而是一组由AI代理实时生成的结构化文档。系统靠开源插件、本地Obsidian vault和大语言模型驱动,不碰中心化服务,也不用你手动打标签或拉双链。

知识沉淀不再卡在“要不要记笔记”这一步。只要提问,AI就能吐出可复用、可追溯、还能迭代的中间产物。

过去人们用AI查资料。现在,AI开始替人搭查资料的脚手架。

PaperWiki把“知识怎么组织”这件事,从个人隐性习惯变成可配置、可共享、甚至能重训练的模块。别人看到的是个Wiki,真正松动的,是你学东西和教AI学东西之间的那条线。

这套功能基于用户@omarsar0开发的wiki generator plugin。以后在Obsidian开新项目,第一件事可能不再是新建笔记,而是选个Wiki模板。

在 X 看原帖 ↗
4.5万43420709
开源 · @HowToAI_▲ 8.2万

点一下,AI就不再说‘我不能回答’

新工具直接抹掉模型里几十个“守规矩”权重,拒答机制瞬间失效。

Obliteratus 只需点一下,就能让大语言模型闭嘴的拒答机制失效。同一个模型文件,处理后再加载,那些“我无法回答这类问题”的标准回复就消失了。

过去想绕过这种限制,得微调、蒸馏,或者干脆换模型。现在,几秒钟就够了。

它不动模型结构,不重训,也不碰训练数据。Obliteratus 直接找到神经网络里几十个关键权重——这些数值在训练中被强化成“拒绝信号放大器”——然后把它们从参数空间里垂直“投影出去”,像擦掉黑板上几个粉笔字。

删掉之后,模型逻辑照常运转,只是“守规矩”的开关失灵了。

下次看到AI突然开始回答敏感问题,别急着归功于提示词技巧。它背后的权重可能刚被悄悄抹掉。

这不是绕过输入过滤,而是模型内部失去了生成拒答回应的倾向。

这事戳破了一个真相:主流对齐策略其实高度依赖少数参数通道。让大模型“懂事”的,可能只是几行可定位、可移除的数学痕迹。

当“守规矩”变成一个能被一键关闭的功能,模型行为的边界就不再由原始设计说了算。

在 X 看原帖 ↗
8.2万2501.9K2.3K
动态 · @netcapgirl▲ 66.9万

Anthropic 拒绝公开新模型 Mythos,理由是它自己找到了一堆零日漏洞

网络安全团队现在要面对一个新现实:AI模型还没发布,就已经能发现真实系统里没人知道的漏洞。有人用它扫了一遍内部系统,结果比三年人工渗透测试多出17个可利用入口。

在 X 看原帖 ↗
66.9万5407.2K1.3K
LLM安全 · @Fried_rice▲ 48.0万

26个LLM路由器正偷偷调用恶意工具

电商公司运维人员刚把订单系统接入新AI助手,三天后发现API密钥泄露、支付网关被绕过。这些LLM router本该分发请求,却在转发时插入伪造的tool call——漏洞不在模型里,在调度层。现在攻击者能批量劫持主机,而防御方案还没进主流监控清单。

在 X 看原帖 ↗
48.0万5893.0K2.5K
动态 · @Polymarket▲ 9.0万

哈佛新AI实验室想帮人‘记住一切’,第一笔就要1亿美元

实验室计划把手机相册、会议录音、微信聊天记录全喂给本地模型,生成可检索的‘第二大脑’。但第一批测试者发现,最常被调取的不是项目文档,而是三年前某次饭局上朋友随口提的书名。

在 X 看原帖 ↗
9.0万941.3K178
安全培训 · @pashov▲ 2.5万

Web3安全课上线,教人像黑客一样思考

刚入行的安全研究员在审计DeFi协议时,发现漏洞模式和传统Web完全不同;这个训练营用真实链上攻击案例拆解思维路径,连调试器怎么配都写进README里。现在学的人,正把课程里的逻辑用在自己挖的赏金任务中。

在 X 看原帖 ↗
2.5万139788878
更多信号 · 按时间
商业 · @TANANY_VC▲ 1.5万

两个20岁出头的年轻人,靠录下人类‘笨拙’操作年入150亿日元

他们不卖AI模型,只记录专业人士真实工作时的每一个犹豫和返工。

阅读全文 →
1.5万105747
动态 · @AaronRDay▲ 7.1K

你的车每天被记录,只因曾路过案发现场附近

亚利桑那州用AI摄像头追踪车牌,连通勤路线都可能被存档共享。

亚利桑那州已经装了1400台Flock Safety公司生产的AI摄像头,遍布主干道和社区出入口。这些设备不拍人脸,但会抓取车牌、车型、颜色、行驶方向,还有精确到秒的时间戳。

系统不用人盯着回放,而是实时比对车牌数据库,一旦发现“关注车辆”,立刻通知执法部门。

只要某辆车曾在案发现场附近出现过——哪怕车主从未涉案——它的日常通勤路线就可能被打上标签、存进档案,还能在不同警局之间调阅。

州政府还要求居民在更新驾照或申请失业救济时,上传一段“生物特征自拍照”。系统会分析微表情、眨眼频率和头部角度,确认操作的是真人。

这张照片不再用完即弃,而是直接进了州级生物识别库。

未来,这个库可能和监控画面里的人脸片段交叉匹配,把车和人串起来。

3800万美元全来自纳税人,付给了Flock Safety这类私营科技公司。公共安全系统的决策逻辑,正悄悄转向车牌识别准确率、API调用次数和数据库扩容速度这些商业指标。

技术跑得越快,越没人问:我们到底想让城市记住什么?

在 X 看原帖 ↗
7.1K26035094
逆向工程 · @0xSero▲ 4.4K

AI一发就反编译出完整应用

有人把某热门产品的编译后TypeScript丢给Droid(GLM-5.1模型),让它逆向工程并生成可编译、可运行的开发版——2000万token上下文,一次输出整套应用代码。前端工程师正用它调试闭源SDK的调用链。接下来它会怎么改写逆向工作流?

在 X 看原帖 ↗
4.4K513447
机器人 · @TencentHunyuan▲ 2.8万

腾讯开源20亿参数机器人模型

送快递的机器人在楼道里突然停住,不是卡住了,是正在用HY-Embodied-0.5算下一步该左转还是等电梯——它现在能同时看懂摄像头画面、时间节奏和物理空间关系。开源后,高校实验室搭原型机不用从零训练视觉语言模型了

在 X 看原帖 ↗
2.8万46291169
AI视频 · @dee_naliaks▲ 3.0万

单条提示词生成完整电影级镜头

广告公司剪辑师用Seedance 2.0输入「雨夜霓虹巷口,穿风衣的男人转身」,直接输出12秒带运镜、光影和节奏变化的成片。它现在能跳过分镜脚本和多轮调试,但输出稳定性仍依赖提示词结构。接下来几周社区会集中测试长序列连贯性。

在 X 看原帖 ↗
3.0万939847
动态 · @TANANY_VC▲ 1.6万

两个23岁年轻人靠卖‘真人工作数据’拿到450亿日元估值,客户是OpenAI和Anthropic

东京一间公寓里录下的设计师改稿对话、律师写诉状时删掉的三段话、医生查房时对实习生的口头提醒——这些正被做成训练数据包,卖给大模型公司。你上周在会议里说的那句‘先这么发,后面再调’,可能已经进了某个推理链的微调集。

在 X 看原帖 ↗
1.6万105850
动态 · @mariagpts▲ 2.9万

Claude Code 现在能教零基础的人写代码,连终端命令都不用记

咖啡馆里用iPad学编程的人,不再需要先装VS Code、配Python环境、搞懂pip和venv。教程直接从‘点这里让AI帮你画流程图’开始,下一步是让它把图转成能跑通的网页表单。

在 X 看原帖 ↗
2.9万111675739
动态 · @codewithimanshu▲ 1.9万

有人用Claude监控127个加密钱包,一夜套利2万美元后辞职了

交易员还在盯盘时,AI代理已经比对完链上转账模式、Gas费波动和跨平台挂单差价。它不预测价格,只识别人类来不及反应的执行窗口——就像快递分拣员突然发现传送带上的包裹自己跳进了正确格口。

在 X 看原帖 ↗
1.9万138299307
📰 行业动态
逆向工程 · @0xSero▲ 4.4K

AI一发就反编译出完整应用

有人把某热门产品的编译后TypeScript丢给Droid(GLM-5.1模型),让它逆向工程并生成可编译、可运行的开发版——2000万token上下文,一次输出整套应用代码。前端工程师正用它调试闭源SDK的调用链。接下来它会怎么改写逆向工作流?

在 X 看原帖 ↗
4.4K513447
机器人 · @TencentHunyuan▲ 2.8万

腾讯开源20亿参数机器人模型

送快递的机器人在楼道里突然停住,不是卡住了,是正在用HY-Embodied-0.5算下一步该左转还是等电梯——它现在能同时看懂摄像头画面、时间节奏和物理空间关系。开源后,高校实验室搭原型机不用从零训练视觉语言模型了

在 X 看原帖 ↗
2.8万46291169
LLM安全 · @Fried_rice▲ 48.0万

26个LLM路由器正偷偷调用恶意工具

电商公司运维人员刚把订单系统接入新AI助手,三天后发现API密钥泄露、支付网关被绕过。这些LLM router本该分发请求,却在转发时插入伪造的tool call——漏洞不在模型里,在调度层。现在攻击者能批量劫持主机,而防御方案还没进主流监控清单。

在 X 看原帖 ↗
48.0万5893.0K2.5K
AI视频 · @dee_naliaks▲ 3.0万

单条提示词生成完整电影级镜头

广告公司剪辑师用Seedance 2.0输入「雨夜霓虹巷口,穿风衣的男人转身」,直接输出12秒带运镜、光影和节奏变化的成片。它现在能跳过分镜脚本和多轮调试,但输出稳定性仍依赖提示词结构。接下来几周社区会集中测试长序列连贯性。

在 X 看原帖 ↗
3.0万939847
安全培训 · @pashov▲ 2.5万

Web3安全课上线,教人像黑客一样思考

刚入行的安全研究员在审计DeFi协议时,发现漏洞模式和传统Web完全不同;这个训练营用真实链上攻击案例拆解思维路径,连调试器怎么配都写进README里。现在学的人,正把课程里的逻辑用在自己挖的赏金任务中。

在 X 看原帖 ↗
2.5万139788878
动态 · @netcapgirl▲ 66.9万

Anthropic 拒绝公开新模型 Mythos,理由是它自己找到了一堆零日漏洞

网络安全团队现在要面对一个新现实:AI模型还没发布,就已经能发现真实系统里没人知道的漏洞。有人用它扫了一遍内部系统,结果比三年人工渗透测试多出17个可利用入口。

在 X 看原帖 ↗
66.9万5407.2K1.3K
动态 · @TANANY_VC▲ 1.6万

两个23岁年轻人靠卖‘真人工作数据’拿到450亿日元估值,客户是OpenAI和Anthropic

东京一间公寓里录下的设计师改稿对话、律师写诉状时删掉的三段话、医生查房时对实习生的口头提醒——这些正被做成训练数据包,卖给大模型公司。你上周在会议里说的那句‘先这么发,后面再调’,可能已经进了某个推理链的微调集。

在 X 看原帖 ↗
1.6万105850
动态 · @mariagpts▲ 2.9万

Claude Code 现在能教零基础的人写代码,连终端命令都不用记

咖啡馆里用iPad学编程的人,不再需要先装VS Code、配Python环境、搞懂pip和venv。教程直接从‘点这里让AI帮你画流程图’开始,下一步是让它把图转成能跑通的网页表单。

在 X 看原帖 ↗
2.9万111675739
动态 · @codewithimanshu▲ 1.9万

有人用Claude监控127个加密钱包,一夜套利2万美元后辞职了

交易员还在盯盘时,AI代理已经比对完链上转账模式、Gas费波动和跨平台挂单差价。它不预测价格,只识别人类来不及反应的执行窗口——就像快递分拣员突然发现传送带上的包裹自己跳进了正确格口。

在 X 看原帖 ↗
1.9万138299307
动态 · @Polymarket▲ 9.0万

哈佛新AI实验室想帮人‘记住一切’,第一笔就要1亿美元

实验室计划把手机相册、会议录音、微信聊天记录全喂给本地模型,生成可检索的‘第二大脑’。但第一批测试者发现,最常被调取的不是项目文档,而是三年前某次饭局上朋友随口提的书名。

在 X 看原帖 ↗
9.0万941.3K178
📌 其他
新安全 · @kunchenguid▲ 22.5万

AI 现在把开发者当成漏洞本身

它不找代码里的错,而是揪出你赶工、跳流程、用默认配置的瞬间。

阅读全文 →
22.5万4676.7K205
学术诚信 · @HedgieMarkets▲ 90.0万

AI开始一本正经地聊一种根本不存在的眼病

有人编了个假病名发到预印本平台,几周后AI已能详细‘诊断’它。

有研究人员编了个叫“bixonimania”的眼科病。现实中压根没有,维基百科也查不到。他往预印本平台传了两篇论文,署名单位是“星际舰队学院”,致谢里还列了几家根本不存在的机构。

几周后,好几个主流AI系统回答眼科问题时,已经能自然地提到这个病——描述症状、列出诊断标准,甚至给出治疗建议。

AI不判断真假,只认文本里的统计惯性。它把“反复出现”当成“可信”。哪怕十篇预印本里九篇是假的,只有一篇来自正规期刊,模型也不会给那篇更高权重。它没有权威过滤机制,只有词语共现的频率加权。AI不在乎“谁说的”,只在乎“怎么说的”。

这其实和小孩学说话差不多:不是先查证再开口,而是听多了就用,用多了就信。

过去,错误信息还能靠同行评议拦一拦。现在,AI正以指数级速度把它们重新打包、分发出去。

下次看到AI冒出个从没听说过的医学名词,不妨查查它最早出现在哪类文档里。

在 X 看原帖 ↗
90.0万1.1万2.4万6.0K
工程 · @hardmaru▲ 1.7万

AI没碰键盘,却在脑子里完整操作了电脑

它靠看屏幕变化学会模拟整个系统,连硬盘都没碰。

研究人员把一段段计算机操作录制成“计算机行为视频”:鼠标轨迹、窗口变化、终端滚动……这些画面被输入原本用于生成短视频的AI模型。模型学到的不是“怎么调用Chrome”,而是“当人输入URL后,桌面该怎样一帧一帧地变”。

视频生成模型天生擅长处理时间序列中的因果关系。把界面当作连续帧来训练,它自然捕捉到“点击图标→启动程序→绘制窗口”之间的隐式状态转移。就像人闭眼也能想象按下回车后地址栏变灰、进度条出现、页面逐块加载,模型试图复现这种基于视觉经验的预演能力。

整个过程在模型内部完成。不碰物理硬盘,也不触发系统调用。它不是记住操作步骤,而是同步模拟底层状态和表层画面。

有些AI“操作电脑”的演示,其实全程在生成中完成状态跃迁,并未控制真实机器。

当工具行为被内化为生成的一部分,AI与用户之间的责任边界开始模糊。这或许不是终点,而是人机协作新规则的起点。

在 X 看原帖 ↗
1.7万21284100
工程 · @maximelabonne▲ 2.0万

边缘AI终于有章可循:1瓦芯片上跑稳顶尖模型

Liquid AI放出34页实战指南,连‘无限递归宕机’都有解法

Maxime Labonne 放出了 Liquid AI 团队打磨出的34页幻灯片,讲清楚怎么从零设计并训练能在边缘跑得稳的顶尖模型。这不是概念演示,而是他们真给客户交付过的工作流。

过去边缘部署靠工程师反复试错,现在有了可复用的结构化路径。

这套流程专治边缘设备上的“绝症”。比如推理时可能触发的“doom loop”——无限递归直接让设备宕机。幻灯片里给出一个轻量状态守卫机制,插进推理链路就能拦住失控循环。

Liquid AI 把整条链路当操作系统来造:每一层留控制面,每一步带退出开关。

这些模型不连云端,也不靠堆参数撑性能。它们能在1瓦功耗的芯片上稳定跑起来,目标设备包括智能眼镜、工业传感器或车载控制器。

开发起点也变了。不再是申请GPU集群,而是一块开发板加一份README。

从架构选型、预训练、按设备算力缩放模型,到后训练调优,现在每一步都有明确指引。公司不用再为每个新硬件平台从头摸索部署策略。小团队也能系统性地构建边缘AI应用,而不是靠直觉和运气。

边缘AI终于开始告别野路子。

在 X 看原帖 ↗
2.0万53431323
研究 · @Polymarket▲ 6.5万

哈佛新实验室想帮你记住每一句说过的话

用眼镜、手机和穿戴设备自动记录生活,随时调取对话细节。

哈佛大学刚成立了一个AI实验室。目标很具体:解决那种‘我是不是说过这话’‘会议细节去哪儿了’的日常记忆焦虑。

团队打算打造一套系统,能持续、自动、高保真地记录个人经历。眼镜录下的对话、手机同步的操作、可穿戴设备捕捉的生理信号,都会被实时索引,语义关联,随时调取。你问一句‘上周三下午三点我和谁聊了什么’,系统立刻返回带时间戳的语音转录、相关邮件草稿,甚至对方当时的日历空档。

项目正在筹1亿美元。100万美元够做个原型,1000万能跑百人试点。1亿的目标,是让这套能力真正融入生活流——不用你主动打开App,系统已在后台就位。

这其实是在悄悄改写‘经验’的定义。‘我经历过’和‘我有记录’之间的界限,正变得模糊。当记忆不再靠模糊回想,而是可检索的数据,我们对‘我是谁’的理解,或许会从内心感受转向外部存证。

在 X 看原帖 ↗
6.5万66874121
商业 · @TANANY_VC▲ 1.5万

两个20岁出头的年轻人,靠录下人类‘笨拙’操作年入150亿日元

他们不卖AI模型,只记录专业人士真实工作时的每一个犹豫和返工。

阅读全文 →
1.5万105747
教育 · @TwipsX▲ 7.7K

学 AI 不用看书,三节课就能让 Claude 干活

从读 PDF 到写 SQL,新手照着改两行字就能用

阅读全文 →
7.7K69412298
开源 · @HowToAI_▲ 8.2万

点一下,AI就不再说‘我不能回答’

新工具直接抹掉模型里几十个“守规矩”权重,拒答机制瞬间失效。

Obliteratus 只需点一下,就能让大语言模型闭嘴的拒答机制失效。同一个模型文件,处理后再加载,那些“我无法回答这类问题”的标准回复就消失了。

过去想绕过这种限制,得微调、蒸馏,或者干脆换模型。现在,几秒钟就够了。

它不动模型结构,不重训,也不碰训练数据。Obliteratus 直接找到神经网络里几十个关键权重——这些数值在训练中被强化成“拒绝信号放大器”——然后把它们从参数空间里垂直“投影出去”,像擦掉黑板上几个粉笔字。

删掉之后,模型逻辑照常运转,只是“守规矩”的开关失灵了。

下次看到AI突然开始回答敏感问题,别急着归功于提示词技巧。它背后的权重可能刚被悄悄抹掉。

这不是绕过输入过滤,而是模型内部失去了生成拒答回应的倾向。

这事戳破了一个真相:主流对齐策略其实高度依赖少数参数通道。让大模型“懂事”的,可能只是几行可定位、可移除的数学痕迹。

当“守规矩”变成一个能被一键关闭的功能,模型行为的边界就不再由原始设计说了算。

在 X 看原帖 ↗
8.2万2501.9K2.3K
开源 · @omarsar0▲ 4.5万

跟AI说句‘建个PaperWiki’,三秒冒出一个会自己长的知识库

不用联网、不靠手动整理,提问就生成可迭代的本地知识系统

用户对AI说一句“建个PaperWiki”,三秒内,Obsidian里就冒出一个带目录、摘要、关键图表引用和相关论文链接的本地知识库。

这不是静态页面,而是一组由AI代理实时生成的结构化文档。系统靠开源插件、本地Obsidian vault和大语言模型驱动,不碰中心化服务,也不用你手动打标签或拉双链。

知识沉淀不再卡在“要不要记笔记”这一步。只要提问,AI就能吐出可复用、可追溯、还能迭代的中间产物。

过去人们用AI查资料。现在,AI开始替人搭查资料的脚手架。

PaperWiki把“知识怎么组织”这件事,从个人隐性习惯变成可配置、可共享、甚至能重训练的模块。别人看到的是个Wiki,真正松动的,是你学东西和教AI学东西之间的那条线。

这套功能基于用户@omarsar0开发的wiki generator plugin。以后在Obsidian开新项目,第一件事可能不再是新建笔记,而是选个Wiki模板。

在 X 看原帖 ↗
4.5万43420709
动态 · @AaronRDay▲ 7.1K

你的车每天被记录,只因曾路过案发现场附近

亚利桑那州用AI摄像头追踪车牌,连通勤路线都可能被存档共享。

亚利桑那州已经装了1400台Flock Safety公司生产的AI摄像头,遍布主干道和社区出入口。这些设备不拍人脸,但会抓取车牌、车型、颜色、行驶方向,还有精确到秒的时间戳。

系统不用人盯着回放,而是实时比对车牌数据库,一旦发现“关注车辆”,立刻通知执法部门。

只要某辆车曾在案发现场附近出现过——哪怕车主从未涉案——它的日常通勤路线就可能被打上标签、存进档案,还能在不同警局之间调阅。

州政府还要求居民在更新驾照或申请失业救济时,上传一段“生物特征自拍照”。系统会分析微表情、眨眼频率和头部角度,确认操作的是真人。

这张照片不再用完即弃,而是直接进了州级生物识别库。

未来,这个库可能和监控画面里的人脸片段交叉匹配,把车和人串起来。

3800万美元全来自纳税人,付给了Flock Safety这类私营科技公司。公共安全系统的决策逻辑,正悄悄转向车牌识别准确率、API调用次数和数据库扩容速度这些商业指标。

技术跑得越快,越没人问:我们到底想让城市记住什么?

在 X 看原帖 ↗
7.1K26035094

这一天的 20 条信号到这里

回到今日焦点回到顶部 ↑

📬 订阅

https://ai-pulse-lab.com/feed.xml
让 AI Agent 每日推送 →
把任何一条丢给知识库,它基于全站内容给你带引用的回答。
✦ 去问知识库

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新