归档 - 个人成长抓手

一个开源浏览器引擎，靠每月捐款养了一年

Servo 用捐款请一位维护者做了一年贡献者体验，交出的不是新功能，而是 8 名新维护者和 1150 个被审阅的请求。

把后训练过程直播出来：一次百万美元班底的透明实验

小米把 MiMo v2.6 强化学习后训练过程实时公开，总花费 1,003,940 美元，pro 与 flash 并行，展示奖励、损失、梯度范数、分布差异、耗时、累计 token 及样本日志，连显存故障重跑也记录。批次构成显示代码约 68%、视觉 13%、通用 12%、安全 4%、对话 3%。文章指出，公开成本、失败和曲线使训练代价可比较，也抬高同行含糊解释的成本；但公开的是指标而非配方，透明不等于可复制。对 AI 落地团队，过程数据本身就是资产，训练日志、评测记录与失败样本积累起来，比多调一轮参数更有价值。

科技笔记

09-03

9月 Serenity

一只听得懂鸟叫的墨水屏：小硬件里的大生意

挪威开发者用树莓派、麦克风和13.3英寸彩色墨水屏做观鸟相框：持续收音，本地开源模型识别鸟种并写入数据库，屏幕仅在变化时重绘，以公有领域博物画显示，未听到时留空树枝，在线可看实时鸟况。无需用户操作，被视为AI进入家庭的现实形态：在物件里增加能力。技术上，本地识别、按需刷新和本地数据库兼顾省电、隐私与断网；效果取决于麦克风位置和鸟况，算力非瓶颈。授权：识别模型非商业相同方式共享，出售前须解决模型与插画许可。可迁移到景区解说等文旅科普场景。

科技笔记

09-03

9月 Serenity

把安全审计拆成六段流水线：AI 查漏洞，靠的是先学会怀疑自己

Cloudflare以MIT许可开源一个编码智能体技能，可将通用编码代理变为安全审计员，它源自内部全公司级漏洞发现系统的最早种子版本。流程含侦察、狩猎、验证、报告、结构化输出、独立复核六阶段：狩猎让代理从注入、访问控制、业务逻辑、密码学、功能滥用、链式攻击和野卡等角度并行挖掘；验证由独立代理证伪，再用新代理逐条核对结论与源码。项目承认单次运行约只能发现一半漏洞，需多次运行提高覆盖率。因此，AI安全扫描不是一次性交付，而应反复执行、逐步收敛；核心是让流程会怀疑自己，再谈自动化，该结构也可迁移到代码评审、对账、审核等找错类工作。

科技笔记

09-03

9月 Serenity

小技巧的复利：工程效率藏在细枝末节里

文章认为，日常研发效率很大部分来自零碎小技巧，如终端反向模糊搜索、执行计划加 analyze、指标取对数分桶、复用连接降延迟。大重构收益台阶式且高风险，小技巧则复利积累，门槛低、扩散快。但技巧常留在个人脑中，人走即失，应把高频命令写进脚本、关键参数写进模板、排查经验写进新人清单，转为团队资产。许多团队不做，是因为这类沉淀不产生可汇报进度，难进季度计划。与其等大改造，不如先记录团队里反复出现的顺手操作，工程能力往往是被攒出来的。

科技笔记

09-02

9月 Serenity

把“模型不对劲”写成例行报告：AI 治理开始补上披露这一环

OpenAI 九月发布“模型失配”报告框架，说明如何跟踪、调查和披露意外或令人担忧的模型行为，并公开过去六个月六份案例。此前做法较临时，常等凑成报告或塞进系统卡，披露频率不理想。新框架要求观察后尽快发布，即使尚未解释清楚或完成缓解；理由是行业对齐与监控仍不足，判断应让外部可逐条检视。例行披露如账本，须经得起前后对比和第三方重析。对企业而言，自动化系统应设“异常必须留痕”机制，确保能记录、复现并说明决策链。可追溯记录是产品可信度的一部分，早建比事后补说明更省。

科技笔记

09-02

9月 Serenity

十万张国产卡上的推理栈：模型开始参与修建自己的跑道

GLM团队发文称，已在超十万张国产AI加速器上从零搭建生产级推理服务，GLM-5.3-Flash全部生产推理运行其上，两周内吞吐量提升三倍；大量工程由GLM-5.3驱动的Infra Agent完成。该模型匿名上线两平台后一周内成为最高使用量模型，六天处理62万亿token。真正门槛是智能体工程闭环：让模型持续获得反馈、检验判断、修正动作；但目标选择、边界与风险仍由人负责。自建推理栈正从豪赌变成可做工程，壁垒转向反馈数据与运维经验。

科技笔记

09-02

9月 Serenity