asmsense 是一个包含 228,177 个来自 341 个项目的 x86-64 函数数据集,并附带基于 Qwen3-8B 和 LoRA 的函数命名与描述模型;函数来自作者自行编译的宽松许可证 C 项目,保留真实名称和源码标签,覆盖 -O0 到 -Os,并提供英文和土耳其文描述。当前版本仅覆盖 clang/Mach
「背景」在编译后剥离符号表的 x86-64 二进制中,函数名和源码上下文通常不可见,因此程序分析和逆向工程需要模型从机器码恢复语义。asmsense 使用自行编译的宽松许可 C 项目生成带真实名称和源码的标签,并以 Qwen3-8B LoRA 做命名与描述。
「实际影响」asmsense 为逆向工程和二进制分析研究者提供了一个可本地使用的函数命名与描述基线:包含 228,177 个来自 341 个项目的 clang/Mach-O x86-64 函数,并附带 Qwen3-8B LoRA 模型;相关数据将项目内部函数重命名为 sub_NNNN,同时保留外部库调用和字符串常量,因此更接近真实 stripped binary 的输入条件。不过,其函数描述主要由能看到 C 源码的 teacher LLM 生成、仅抽样由另一 LLM 检查,且目前缺少 GCC/ELF、ARM64、RISC-V、MIPS 覆盖和公开基准结果,因此用户应把它视为训练或评测起点,而不是已验证的跨平台生产工具。
Tom's Hardware 报道,Anthropic 提出一项 AI 安全法案,将 50 人死亡或 10 亿美元损害设为触发门槛。该提案会把停止 AI 模型的实际权力集中到美国商务部,使其成为唯一能够叫停模型的机构。如果该提案成为法律,模型开发者和部署者将主要面对商务部这一单一停止权限,而低于该门槛的 AI 事故可能
「背景」该提案是 Anthropic 提出的 AI 安全立法建议,并非已经生效的法律。此前 Horizon 10 月 15 日曾报道 Anthropic 向投资者披露第三季度收入升至 168 亿美元,显示其模型的商业部署规模正在扩大,因此模型安全与监管责任成为更受关注的公共政策议题。
「实际影响」如果 Anthropic 的草案被采纳,前沿模型发布或部署方将面临一个高度集中的监管触发机制:只有当模型被认定可能造成 50 人死亡、严重伤害或 10 亿美元损害等极端后果时,政府才可能阻止其使用,而商务部将成为唯一具备停止模型能力的机构。这意味着低于该阈值的事故、召回、限制或补救可能缺少明确的联邦干预路径;开发者与企业需要关注该草案是否最终赋予商务部可执行的停止权,以及其游说与立法进展,目前公开细节仍不足以判断具体合规成本或适用范围。
一项小型案例研究提出“proof before reuse”机制:编码智能体只有在后续两次会话复现某项技能改动并通过测试后,才向智能体展示这些后续会话也写过的行,以减少被污染的程序性记忆被复用。实验覆盖 Claude Haiku 5.5 和 Sonnet 5.5,并加入含 187 项行为检查的隐藏验证器;结果显示,重放
「背景」智能体的程序性记忆通常指编码智能体把成功会话中形成的修复、步骤或技能保存下来,并在后续相似任务中复用。如果某次学习会话被注入误导性改动,这些内容就可能作为“已学会”的记忆被检索并再次暴露给模型。
「实际影响」对于使用持久化程序性记忆的编码智能体开发者,这项案例研究说明:只保留后续会话能够复现的行级修改,可在该实验设置中把已投毒技能从可检索记忆中过滤掉,但该方法不能被视为已验证的通用防御。团队若采用 Mem0 等记忆检索机制,应把通过测试的学习会话视为不可信输入,加入复现门槛、行为级隐藏校验,并明确仓库内直接投毒会绕过该机制。
作者用 PyTorch 从零实现 GPT-2 small(124M)的 KV cache,并在 NVIDIA A40、fp32、TF32 关闭、batch size 1 的贪心解码下测量正确性、延迟与内存,面向学习 LLM 推理优化的读者。实现与 Hugging Face 的最大绝对 logit 差异约 6.1e-5,
「背景」KV 缓存是 transformer 自回归推理中保存历史 token 的 key/value 张量,使模型生成新 token 时无需重复计算全部前序注意力。GPT-2 small 是常见的轻量 decoder-only 模型,因此适合用来观察缓存带来的计算量、延迟和显存变化。
vLLM v0.32.0 已发布,新增默认提供的 POST /v1/systemone 端点,用于基于结构化状态回答 choice、noul 和 score 问题,并加入读取 checkpoint 的 response_template 的 hf 工具与推理解析器,减少模型专用解析器需求。该版本扩大低精度 KV 缓存支
「背景」KV cache 用于缓存注意力计算中的键值状态,其精度和传输方式会直接影响显存占用、吞吐与首 token 延迟。Horizon 10 月 12 日和 10 月 14 日的日报曾报道 vLLM 在分离式 prefill/decode 架构中优化 KV cache 传输,表明该框架近期持续把 KV cache 作为推理性能的关键调优点。
「实际影响」对部署 vLLM 的推理团队,最直接收益是在受支持的 NVIDIA 和 AMD GPU 上通过低精度 KV 缓存降低显存占用并提升吞吐,但应先在目标模型和负载上验证 TTFT、精度与兼容性,因为默认 FP8 或低精度路径可能牺牲首 token 延迟。升级前还需迁移到 Python 3.11+、调整 transformers/tokenizers 版本、配置允许的 CORS 来源,并更新依赖 Responses API 事件名或已移除选项的客户端与运维脚本。
Google Research 开源了 Harness²,一个用于递归优化 LLM 智能体的框架。据源介绍,它通过两层递归在不调整模型权重的前提下提升智能体表现,并在 WorkBuddy-Bench 等测试中报告最高提升 11.5 分。该框架支持并行与顺序递归模式,已集成多款基准测试,并以 Apache 2.0 协议开
「背景」在 LLM 智能体系统中,harness 通常指围绕模型的任务编排与执行框架;Harness² 的论文将其描述为 plug-and-play 的递归 agent harnessing 框架,通过两级递归改进智能体表现。此前 Horizon 10 月 4 日的日报曾报道 Google Research 发布 VeriHarness,面向长程 LLM 任务的验证框架;Harness² 则把递归机制进一步用于优化 agent harness。
「实际影响」对正在构建 LLM 智能体的团队来说,Harness² 的实际意义在于把优化重点从调整模型权重转向改进任务执行框架,并声称可在缺少 ground-truth 验证器的情况下通过递归任务级改进提升基准表现;因此,已有智能体工作流但难以做微调或缺少可靠验证数据的开发者可以先评估其 Apache 2.0 开源实现与并行、顺序递归模式,但公开证据仍主要来自论文和仓库声明,真实收益、工程适配成本和许可合规性需要在自有任务上验证。
报道指出,2025 年至 2032 年美国 AI 基础设施支出预计超过 10 万亿美元,但 2026 年以来至少 47 个大型数据中心项目已因融资成本上升、审批受阻和公众反对而被推迟、撤回或叫停。分析机构估计,美国规划中的数据中心项目仅约 35%具有较高可行性。英伟达支持的云服务商 CoreWeave 周五跌超 11%
「背景」9 月 29 日的日报曾报道,甲骨文因电力与环保审批延期,对“星际之门”项目中的数据中心发出不可抗力通知,显示 AI 基建已暴露出审批和时间表风险。9 月 25 日的日报也曾报道,英国 AI 云服务商 Nscale 获得 33.6 亿美元可转债融资,反映此前资本仍积极押注数据中心扩张。
「实际影响」对数据中心建设方、云服务商和半导体投资者而言,AI 基建扩张正从单纯追逐规划规模转向更严格的项目可行性、融资能力和审批条件筛选。依赖高杠杆融资和快速扩张的项目可能面临延期或取消,相关股票估值也会受到重新评估。
DeepSeek 在 API 文档中列出 search 和 fetch 接口,按每 1000 次成功请求收取 0.75 美元。该服务面向开发者,用于为 LLM 或代理应用接入外部搜索与页面抓取能力。文档本身表明这是 DeepSeek 提供的托管 API 定价,但当前来源未说明具体可用性、速率限制或失败请求计费规则。
「背景」Horizon 10 月 17 日日报曾报道 DeepSeek 宣布其 Search 和 Fetch API 将从 11 月 1 日起向 Harness、Claude Code、Codex 用户按成功请求收费,失败或无结果请求不计费;当前 DeepSeek API 文档显示该服务定价为 0.75 美元/1000 次成功请求,说明同一收费政策已进入正式文档披露阶段。
「实际影响」DeepSeek 文档显示 Search/Fetch API 已上线,并由其自有搜索引擎支持网页搜索与抓取,开发者可将其作为托管工具接入 LLM 应用,减少自行搭建搜索链路的维护负担。由于公开资料尚未说明实际抓取效果与结果质量,生产接入前需要实测目标站点和查询表现。
「社区反馈」评论主要围绕托管搜索 API 的实际用途和成本:有人认为自托管 SearXNG 等方案对个人使用更便宜,也有人指出这些服务存在是因为 Google 不提供付费搜索 API,并比较 Brave 和 Kagi 的价格。另一类评论关注反爬保护,询问遇到 Cloudflare 或 Anubis 时能否返回有效内容。
Meta 在舆论反弹后更新其商业条款页面,删除了一段可能被理解为允许其抓取新闻网站等站点内容、用于训练 AI 的措辞。该页面此前包含“Meta 可以使用这些域名、网页或 URL 的任何内容来提供、开发、改进……”等表述。目前可见的变化是该段语言已不再出现在商业条款页面,但来源未说明替换条款的具体文本,也未说明 Meta
「背景」Horizon 2026 年 10 月 16 日的日报曾报道,Meta 更新后的商业条款可能允许其抓取并使用关联网站内容,包括新闻发布者的内容,用于 AI 开发和训练。此次变化发生在相关条款引发批评之后,Meta 移除了商业条款页中可能被解读为允许上述抓取行为的措辞。
「实际影响」对新闻网站、内容发布方和依赖 Meta 商业条款判断数据使用边界的企业来说,删除该措辞降低了 Meta 被解释为可广泛抓取网站内容用于 AI 训练的合同不确定性。不过,Meta 发言人称更新后的条款并不反映其网络抓取方式发生变化,因此发布方不能据此认定实际抓取或模型训练数据收集已经停止;仍应继续核查 robots.txt、许可协议和抓取监控。
Pele 被介绍为一个将 Mermaid 图表渲染成可主题化 SVG 的工具,适合需要把 Markdown 中的 Mermaid 代码块转换为静态站点 SVG 的开发者。评论称该项目是 TypeScript 项目,并提到它相比 mermaid.js 的渲染方式更轻,不需要完整 Chromium 实例。用户也指出其布局输
「背景」Mermaid 是一种常见的“图表即代码”格式,但其渲染过程在静态网站等场景中常依赖较重的浏览器环境。Pele 的仓库说明称它支持 Mermaid 12.1.0 内置的所有图表类型,并输出可用 CSS 变量主题化的 SVG。
「实际影响」Pele 为使用 Mermaid 文本生成图表的开发者提供了一种输出可主题化 SVG 的替代路径,适合静态站点、文档构建等希望减少 Mermaid.js 浏览器渲染依赖的场景。社区反馈显示其布局与 Mermaid 并非完全一致,但某些子图方向和视觉效果更受偏好,因此用户应在替换现有渲染管线前验证关键图表的布局、主题和兼容性。Mermaid 官方文档显示其渲染结构正在调整并扩展布局与外观选择,这也意味着 Pele 的独立 SVG 输出需要与现有 Mermaid 语法和渲染预期保持对照。
「社区反馈」社区讨论集中在 Mermaid 的布局、样式和渲染依赖痛点:有用户认为复杂 Mermaid 图表输出拓扑差,而 Pele 的 SVG 输出和子图方向处理让他们考虑替换;也有人更偏好 D2Lang 的语法,并提到 Mermaid 在 AI 相关使用上的困难。
AI 评分(0–10) × 10 × 来源权重 × 时间衰减。来源权重:官方一手源 ×1.2、权威媒体 ×1.1、社区讨论 ×1.0、聚合源 ×0.9;时间衰减按 24 小时半衰期,即每过 24 小时分值减半——所以旧闻会自然下沉,不会长期霸榜。评分由大模型对内容价值独立打分,与来源的商业关系无关。