面向 AI 建设者、工程实践与产品趋势的中文个人情报雷达
从 54 条内容中筛选出 13 条重要资讯。
阿里巴巴通义千问团队发布了 Qwen3.8-Flash-Next，这是一款开源多模态 MoE 模型，也是 Qwen4 架构的早期预览。该模型包含 125B 参数的主模型和 51B 的 N-gram 嵌入，每个 token 仅激活 6B 参数。 此次发布意义重大，因为它将新颖的稀疏 N-gram 嵌入架构带入开源权重生态，有望在不按比例增加推理算力的情况下提升模型质量。由于每个 token 仅激活 6B 参数，这类高能力模型在本地硬件上运行变得更加可行，这对 AI 开发者和开源 AI 的普及至关重要。 该模型采用 GDN + QSA 混合注意力等四项升级，据称训练成本约为 Qwen3.7-Plus 的 1/9。社区成员指出，4-bit 量化版本可能超过 100GB，因此很可能无法在 128GB 统一内存中运行，而且 llama.cpp 支持尚未落地。
hackernews · tosh · 8月26日 12:52 · 社区讨论 · 中文阅读 · 3 个来源
核验: 多源印证
背景: Qwen3.8-Flash-Next 是一款混合专家（MoE）模型，意味着每个 token 只激活一部分参数，从而相比同等总规模的稠密模型降低推理所需的 FLOPs。N-gram 嵌入是一种新兴技术，近期研究如《Scaling Embeddings Outperforms Scaling Experts in Language Models》表明，加入 N-gram 嵌入可以用额外内存换取计算效率并提升性能。不过，推理的总内存需求还包括激活值和键值缓存，因此量化与硬件适配仍是重要的实际问题。
社区讨论: Hacker News 评论者讨论热烈但看法不一：有人对 6B 激活参数的设计感到兴奋，认为它有利于 Strix Halo 等设备的本地推理；也有人质疑约 176B 的总参数量能否量化到 100GB 以下。一些用户将输出与 Qwen3.8 27B 等模型对比，有人觉得新模型表现意外地好，也有人更喜欢 27B 的结果。此外，社区还在期待 llama.cpp 支持，并希望更清楚地解释 N-gram 嵌入的原理。
标签: #Qwen, #LLM, #open-source AI, #efficient inference, #model release
OpenAI 发布了首款自研推理 ASIC，专为大语言模型推理从零设计，从 2024 年年中开始设计到流片仅用了 16 个月。据称该芯片在每瓦吞吐量上击败了英伟达、AMD 和谷歌所有可比较的推理 ASIC。 这标志着 AI 硬件竞争的重大升级，OpenAI 开始从模型能力竞争扩展到成本与供应链整合。如果该芯片的能效表现属实，它可能动摇英伟达在 AI 推理领域的主导地位，并重塑数据中心的成本结构。 该芯片是通用推理 ASIC，并非只能运行 OpenAI 自家模型；测试中包括 DeepSeek R1 和 Kimi 2.5，甚至能运行 Doom 游戏。其每瓦吞吐量据称全面超越英伟达 Blackwell，甚至超过采用 HBM4 的 Rubin，DeepSeek R1 超过 700 token/s/用户；目前仅有工程样品，量产爬坡将于 2027 年开始，大部分产能预计在 2027 年底铺开。
twitter · 歸藏(guizang.ai) · 8月26日 03:10
核验: 多源印证
背景: 推理 ASIC 是为执行已训练好的神经网络而专门定制的专用集成电路，相比通用 GPU 速度更快、能效更高。Tape-out（流片）是芯片设计定稿并交付晶圆厂制造的关键里程碑。HBM4 是面向高性能 AI 计算的新一代高带宽内存。英伟达的 CUDA 软件生态常被视为其护城河，而数据中心的主要瓶颈正从预算和空间转向电力，因此每瓦性能变得至关重要。
社区讨论: 评论区普遍认为这标志着 AI 竞争正走向软硬件结合，但也有不少谨慎声音。有评论指出，量产后能否真正降低自家服务的速度和成本，才决定 CUDA 护城河是否会松动；也有人算账后认为模型调用费用在实际内容生产总成本中几乎可忽略；还有人引用黄仁勋的金字塔理论，强调最终竞争核心是能源层和电力。
标签: #AI硬件, #OpenAI, #推理芯片, #能效, #AI基础设施
阿里巴巴通义千问团队发布了 Qwen3.8-Flash，这是一款开放权重的多模态 MoE 模型，也是 Qwen4 架构的早期预览。该模型总参数 125B，每个 token 仅激活 6B 参数，训练成本仅为 Qwen3.7-Plus 的 1/9，但性能全面超越后者。 此次发布意义重大，因为它以开放权重形式让开发者提前接触 Qwen4 架构创新，同时训练成本大幅降低。这也表明高效开源 AI 领域的竞争正在加剧，稀疏 MoE 设计正成为在不按比例增加算力成本的情况下扩展模型规模的主流方案。 生产版 API 在 QwenCloud 上的定价为每 100 万输入 tokens 0.16 美元、每 100 万输出 tokens 0.47 美元。模型原生支持 262K tokens 上下文，可扩展至 1M；模型卡还提到 125B 参数之外包含 51B 的 N-gram 组件。
aihot · X：通义千问 / Qwen (@Alibaba_Qwen) · 8月26日 15:32 · 中文阅读
核验: 多源印证
背景: 混合专家（MoE）是一种机器学习方法，将模型划分为多个专门的子模型（即“专家”），并针对每个输入只激活最相关的若干专家。这种稀疏激活方式相比每个 token 都使用全部参数的稠密模型，能节省大量计算资源并降低推理成本。开放权重发布意味着训练好的模型参数公开可用，开发者可以自行下载、微调和部署，但这并不等同于完全开源。
社区讨论: 社区评论总体积极，但也注意到这次发布很低调：有用户评论说，Qwen 几乎没有任何宣传就把 Qwen4 架构的早期预览作为附带发布推出，而其他实验室会提前数月预告下一代模型。还有用户询问该模型是否会纳入 QwenCloud 的 Token Plan，反映出开发者对实际定价的关注。
标签: #Qwen, #Open Source AI, #MoE, #Multimodal, #AI Models
智谱 AI 发布并开源了 GLM-5.3-Flash（320B-A18B），这是 GLM-5 系列首个原生多模态模型，在 Artificial Analysis 智能指数上取得 57 分，与 Claude Opus 4.8 持平。其 API 已接入 ZCode 等平台开放调用，定价为 GLM-5.3 的 1/10，限时折扣下为 Opus 4.8 的 1/40。 此次发布意义重大，因为它以远低于西方领先模型的成本开放了一个前沿级 320B 多模态模型，可能重塑开发者的选型和价格竞争格局。这也表明中国 AI 实验室能够在国产芯片集群上提供具有竞争力的基准性能。 该模型采用稀疏注意力与线性注意力混合架构，推理服务已运行在国产芯片集群上。’320B-A18B’ 表示总参数 3200 亿、每个 token 激活 180 亿参数，这种混合专家（MoE）设计有助于降低推理成本。
aihot · 公众号：智谱（GLM） · 8月26日 14:11 · 中文阅读 · 2 个来源
核验: 多源印证
背景: Artificial Analysis 智能指数是一个综合基准，聚合了数学、科学、编程和推理等九项高难度评测，最终给出单一模型级分数。GLM 是智谱 AI 的开源大语言模型系列，Flash 版本定位为快速、高性价比的档位。稀疏注意力将注意力计算限制在相关 token 上，而线性注意力降低了二次复杂度，两者结合可提升长上下文效率。像 320B-A18B 这样的混合专家（MoE）记法表示每个 token 只激活一部分参数。
社区讨论: 评论者大多欢迎这次发布，指出进展速度惊人——从“Kimi K3 时刻”到 GLM 5.3，再到几周后的 Flash——并引用独立基准显示其性价比很高。不过，也有评论者担忧 Z.ai 的服务条款，包括对输入和输出拥有广泛且永久的许可，以及对可能损害 Z.ai 或任何国家“国家利益”的内容的模糊禁令。
标签: #AI, #Open Source, #LLM, #Multimodal, #GLM
据 Business Insider 和 TechCrunch 报道，英伟达已同意以超过 130 亿美元收购开源 AI 模型中心 Hugging Face。若交易完成，这个开发者分享和部署开源 AI 模型的核心平台将落入英伟达手中。 这是 AI 行业的一次重大整合：英伟达已经主导 AI 硬件，收购 Hugging Face 将把其影响力扩展到软件和开发者工具层。这可能会重塑开源 AI 生态，并引发对一家公司同时控制 AI 算力和模型分发平台的担忧。 据报道，Hugging Face 去年底曾拒绝英伟达 5 亿美元的投资（当时估值 70 亿美元），此前在 2023 年也拒绝了 2.35 亿美元融资（估值 45 亿美元）。此次报道的 130 亿美元价格是此前估值的两倍多，且交易仍被描述为谈判阶段而非最终协议。
hackernews · mfiguiere · 8月27日 01:12 · 社区讨论
核验: 多源印证
背景: Hugging Face 是一家总部位于纽约的公司，以 Transformers 库和让机器学习开发者分享模型、数据集和演示的平台而闻名。它已成为开源 AI 生态的事实中心，托管着 Meta、Mistral 等广受欢迎的模型，并常被拿来与 OpenAI 等封闭提供商对比。模型仓库是集中存储、版本管理和部署训练好的 AI 模型的地方，而 Hugging Face 正是为 AI 社区扮演这一角色。
社区讨论: Hacker News 上的评论者持怀疑态度，指出英伟达在开源方面的记录不佳，并警告这笔收购可能在 AI 基础设施领域形成垄断。有人指出 Hugging Face 不久前还在较低估值下拒绝了英伟达的投资，颇具讽刺意味；也有人开玩笑说要烧光试用额度，并希望英伟达善待社区。
标签: #Nvidia, #Hugging Face, #AI acquisition, #open source, #AI ecosystem
亚马逊宣布其众包平台 Mechanical Turk（MTurk）将于 9 月 30 日关闭。该平台早在 7 月就已停止接受新客户。 MTurk 的关闭标志着一个开创性众包平台的终结，该平台二十年来为 AI 数据标注和人在回路（human-in-the-loop）工作流提供了支撑。这反映了 AWS 向 AI 驱动自动化和模型评估的战略转移，将影响依赖该平台获取微任务收入和进行数据标注的请求方与众包工人。 据一位长期使用该平台的请求方称，AWS 负责 MTurk 的高级项目经理大约两三年前已转至 Amazon Bedrock 和 SageMaker Model Evaluations，之后没有留下专门团队管理该项目。此次关闭之前，平台据称已被大量利用 AI 进行任务套利的行为淹没，而 MTurk 上的非技能型微任务如今也是 AI 能够处理得足够好的任务。
hackernews · tmp10423288442 · 8月26日 23:55 · 社区讨论
核验: 多源印证
背景: Amazon Mechanical Turk 于 2005 年上线，是一个众包市场，企业可以雇佣远程工作者完成计算机尚无法经济地完成的离散按需任务，例如数据验证和研究。在 AI 时代，MTurk 被广泛用于数据标注和人在回路工作流，即人类参与审查或监督 AI 输出以确保准确性和安全性。此次关闭反映了更广泛的行业趋势：AI 正在取代非技能型微任务，而需求正转向由领域专家对 AI 输出进行验证。
社区讨论: 评论者反应不一：一位长期请求方指出，MTurk 背后的 AWS 团队在负责人转至 Bedrock 和 SageMaker Model Evaluations 后实际上已解散；其他人则认为关闭并不令人意外，因为 AI 如今已能处理非技能型微任务。也有人认为关闭时机很奇怪，称 MTurk 本可以在 AI 智能体协调人类执行现实世界物理任务方面发挥强大作用。还有评论者分享了 2005 年 MTurk 曾帮助自己的个人经历，并有人附上了 7 月该服务停止接受新客户时的相关讨论链接。
标签: #Mechanical Turk, #Amazon AWS, #crowdsourcing, #AI data labeling, #human-in-the-loop
2026 年 8 月 26 日，AWS 宣布收购 DuckLabs，即 DuckDB 项目背后的商业公司。开源 DuckDB 的知识产权仍归非营利组织 DuckDB 基金会所有，而非 AWS。 DuckDB 已成为使用最广泛的嵌入式分析数据库之一，因此这笔收购标志着数据基础设施领域的一次重大整合。该交易将商业实体与开源知识产权分离的结构，将影响社区如何看待 AWS 对该项目的管理。 DuckLabs 是从荷兰阿姆斯特丹的 CWI 分拆出来的公司，为 DuckDB 和 DuckLake 提供商业服务和专职开发团队。DuckDB 基金会持有该项目知识产权，其章程要求 DuckDB 永久以 MIT 许可证保持开源。
hackernews · onderkalaci · 8月26日 12:59 · 社区讨论
核验: 多源印证
背景: DuckDB 是一个开源的列式关系数据库，由 CWI 的 Mark Raasveldt 和 Hannes Mühleisen 创建，专为嵌入式环境中的快速分析查询而设计。DuckLabs 是支持 DuckDB 发展的商业实体，而 DuckDB 基金会是独立的非营利组织，负责保障项目的长期维护和知识产权。这种结构意味着开源项目本身并不归任何单一厂商所有。
社区讨论: 评论者普遍对 AWS 的管理能力持怀疑态度，有人希望 DuckDB 基金会足够坚韧以保护项目，也有人推荐 Apache DataFusion 作为替代方案。多位用户指出标题具有误导性，因为 AWS 收购的是 DuckLabs 而非 DuckDB 本身。还有人表达了对 DuckLabs 团队的同情，并祝贺创始人的财务回报。
标签: #AWS, #DuckDB, #acquisition, #open source, #database
Anthropic 宣布 Claude in Chrome 现已面向所有付费 Claude 套餐全面开放，Claude 可在浏览器中自主执行操作，无需逐步审批。该版本引入了在每次操作前进行验证的安全分类器，并强化了针对提示注入攻击的防御。 这标志着自主浏览器智能体向主流部署迈出重要一步，不再局限于早期测试版或开发者专用工具。对于依赖 AI 智能体完成网页工作流的开发者和企业而言意义重大，也表明操作验证与提示注入防御等安全机制正成为生产级智能体系统的标配。 该系统通过安全分类器在每次操作前验证该操作是否安全且符合用户请求。据 Anthropic 最新评测，在启用探测与安全分类器后，自 Opus 4.8 起的所有模型均未出现攻击成功案例。
aihot · Claude：Blog（网页） · 8月26日 18:02 · 中文阅读
核验: 多源印证
背景: Claude in Chrome 是一款浏览器扩展，将 Claude 的 AI 辅助能力带入 Chrome，用户可提问、分析数据、自动化任务并浏览网站，同时可与 Claude Code 和 Claude Desktop 配合使用。浏览器自动化本身已存在多年，例如 Selenium、Puppeteer、Playwright 等工具，但新的价值在于一个了解用户代码库并能与网页交互的助手。提示注入是一种安全风险，攻击者将恶意指令隐藏在网页内容或其他不可信输入中，试图劫持 AI 智能体的行为，因此内容隔离、提示清理和行为监控等防御手段变得越来越重要。
标签: #AI agents, #Claude, #browser automation, #AI safety, #product launch
Anthropic 正在试点通过隐私保护工具 Anthropic Insights（原 Clio）向斯坦福大学 SALT Lab、牛津大学人类信息处理实验室及 METR 三个外部机构开放约 25 万段 2026 年 4 月至 5 月的 Claude.ai 或 Claude Code 匿名对话片段。这些机构将独立设计研究并公开发布结果。 这标志着 AI 透明度方面罕见的一步：外部研究人员可以研究 Claude 和 Claude Code 的真实使用情况，而不是依赖厂商自行报告的数据。这可能为安全研究、智能体行为分析以及更广泛的开发者工具生态提供重要参考。 数据通过 Anthropic Insights（原 Clio）这一隐私保护分析工具发布，该工具对对话进行聚类以呈现高层趋势，同时不暴露个人用户信息。试点覆盖约 25 万段 2026 年 4 月至 5 月的数据，三个参与机构分别为斯坦福大学 SALT Lab、牛津大学人类信息处理实验室和 METR。
aihot · Anthropic：Research（发表成果 · 网页） · 8月26日 17:30 · 中文阅读
核验: 多源印证
背景: Clio 是 Anthropic 于 2024 年 12 月推出的自动化隐私保护分析系统，用于以类似 Google Trends 的方式理解 Claude 在现实世界中的使用情况。Claude Code 是 Anthropic 的智能体编程助手，可以编辑文件、运行命令并帮助开发者更快交付软件。通过向外部实验室开放匿名使用数据，Anthropic 正在测试独立研究人员能否在保护用户隐私的同时产出可信的公开研究结果。
标签: #AI agents, #Claude Code, #AI research, #data privacy, #Anthropic
谷歌 DeepMind 发布了 Gemini 3.5 Transcribe 语音转文本模型，提供流式与非流式两种 API。据 Artificial Analysis 评测，其流式与非流式平均词错率分别为 4.0%和 2.6%。 此次发布为开发者提供了一个高精度、多语言的语音转文本选项，并支持实时流式处理，直接关系到语音 AI 工作流和转写产品。其广泛的语言覆盖和说话人分离支持，有望降低构建对话与会议分析应用的门槛。 该模型支持超过 85 种语言、自定义词汇，以及最多三人的说话人分离（diarization）。流式模型受限于只能使用过去和当前的上下文，因此准确率通常低于能查看完整音频的非流式模型。
aihot · Google DeepMind：Blog（RSS） · 8月26日 17:01 · 中文阅读
核验: 多源印证
背景: 语音转文本系统将语音音频转换为书面文字，词错率（WER）衡量系统识别错词的概率，数值越低表示准确率越高。流式转写按数据块实时处理音频，而非流式（批量）转写则处理完整录音，并可以利用后续上下文修正前面的错误。说话人分离（speaker diarization）通过按说话人身份划分音频片段，回答“谁在什么时候说话”的问题。
标签: #speech-to-text, #Gemini, #Google DeepMind, #AI model, #voice AI
安全研究员 David Buchanan 演示了 Android 平台上的 C2PA 相机认证可被 root 权限提升攻击绕过，攻击者可利用硬件支持的 StrongBox 密钥为任意内容签名。他展示了 AI 生成的图片和视频可被伪装成 Pixel 相机的真实拍摄，且可利用 CVE-2026-43499 等一键 root 漏洞完成。 这一发现破坏了 C2PA 的信任模型——C2PA 本是通过密码学签名验证内容来源、对抗 AI 伪造的开放标准。由于问题根植于硬件层面且无法通过常规补丁修复，它动摇了 Android 平台上 C2PA 的可信度；而 Google 称 Android 是唯一能达到 C2PA 最高“保障等级 2”的移动平台。 该攻击利用 CVE-2026-43499 等 root 本地权限提升漏洞，绕过 Android Key Attestation 和 Play Integrity，无需解锁 bootloader 或进行硬件故障注入；Buchanan 指出，针对已完全修补的 Pixel 设备，野外已存在一键 root 漏洞。此问题已在发布前至少 90 天报告给相关方，且现有设备中的硬件漏洞无法通过常规补丁修复。
aihot · Hacker News 热门（buzzing.cc 中文翻译） · 8月26日 14:05 · 中文阅读
核验: 多源印证
背景: C2PA（内容来源与真实性联盟）是一个开放技术标准，通过在图片等媒体中嵌入加密签名的元数据来记录其来源和编辑历史。Android 相机应用依赖 Key Attestation 和 Google Play Integrity 来确保只有未被篡改的应用能获得硬件支持的签名密钥，这些密钥存储在 StrongBox 等防篡改硬件中。Root 权限提升会直接攻陷操作系统本身，因此这些认证机制无法可靠地检测篡改；在某些情况下，root 还可通过低成本硬件故障注入实现，且这类硬件漏洞无法修补。
标签: #C2PA, #Android Security, #Vulnerability, #Digital Signatures, #Content Provenance
Madhu Guru 发布了一条帖子，汇总了其评估（evals）系列中已发布的九篇文章，主题涵盖从评估入门到评估路线图问题。该系列还包括阶梯式评估策略、平均值陷阱以及评估区分力等文章。 AI 评估正在成为 LLM 和 AI 代理开发中的核心技能，因此这样一套结构化的系列文章为工程师和产品经理提供了实用的参考资料。它指出了常见的陷阱和策略，有助于团队改进衡量模型质量的方式。 这条帖子本质上是一个链接索引，而非详细的技术讲解，九篇文章各自讨论一个独立的评估主题。其中值得注意的文章包括《阶梯式评估策略》《平均值陷阱》和《评估的区分力》。
follow_builders · Madhu Guru · 8月26日 03:56
核验: 多源印证
背景: 评估（evals）是用于衡量 AI 模型和代理在特定任务上表现如何的系统性测试。研究型评估面临诸多挑战，例如真实标准（ground truth）不断变化、输出更加开放，以及专家之间意见不一，因此采用组合评分器类型、阶梯式评估等策略有助于让结果更可靠。区分力（discriminatory power）指的是评估区分模型行为好坏的能力。
标签: #evals, #LLM evaluation, #AI agents, #testing, #AI development
Aaron Levie 指出，应用型 AI 公司可以通过弥合原始 AI 模型与企业工作流之间的差距来获取巨大价值，强调最终要交付实际业务成果，而不仅仅是拥有模型能力。他还列出了所需的关键能力：理解业务上下文、推动变革管理、跨模型路由、对接业务系统、解决 UX 挑战以及建立评估体系。 这一观点很重要，因为它重新定义了 AI 的价值创造：原始模型智能正在商品化，而持久的竞争优势在于工作流集成和结果交付。这也表明，当前窗口期正是创业公司和企服厂商打造应用 AI 标杆公司的机会。 莱维列出了规模化应用 AI 的具体要求：理解领域上下文、推动变革管理、构建可路由到多种模型的 harness（调度层）、对接垂直行业关键业务系统、解决用户与智能体交互的 UX 问题，以及运行评估（evals）。他指出，这些价值远超模型智能本身。
follow_builders · Aaron Levie · 8月26日 04:17
核验: 多源印证
背景: 应用型 AI（Applied AI）指的是利用 AI 模型和智能体在企业工作流中解决实际业务问题，而不仅仅是构建模型本身。原始模型能力与生产级工作流之间的差距包括：与现有系统的集成、用户体验、评估体系以及组织变革管理。相关概念包括 LLM 路由（为每个查询选择合适模型）、AI 编排（协调多个智能体）以及评估（用于衡量模型性能的结构化基准）。这些正是莱维所说的“harness”和评估需求背后的基础组件。
标签: #applied AI, #enterprise AI, #AI agents, #AI strategy, #workflow automation
以下内容已于今日成功抓取，但未进入上方主列表。
Twitter/X · @op7418 · 8月27日 02:48 UTC · 喜欢 1 · 转发 0 · 回复 2 · 浏览 845
Codepilot 0.67.10 更新了，本次更新内容：
优化了模型选择器（现在可以收藏对应的模型和渠道）
修改了右侧边栏的交互：
支持打开文件树、看板；同时内置浏览器升级为真正的浏览器，不仅能访问外部网页，还可以把需要的 Tab 固定在上面
Windows 端支持自动更新与增量更新
支持了 GLM 5.3 Flash
https://t.co/mtAuNCo0Qm
Twitter/X · @op7418 · 8月26日 16:50 UTC · 喜欢 131 · 转发 6 · 回复 42 · 浏览 40823
测了一下 Ox-Alpha （GLM-5.3 Flash)，太牛了！
远低于 V4 Flash 的价格，完爆 V4 Flash Vision 的能力，新的斩杀线来了。 https://t.co/8sEBxFHgVX
Twitter/X · @op7418 · 8月26日 15:16 UTC · 喜欢 46 · 转发 8 · 回复 5 · 浏览 59160
https://t.co/hG8DNeIzLU
Twitter/X · @dotey · 8月26日 03:55 UTC · 喜欢 72 · 转发 6 · 回复 16 · 浏览 25127
让 AI 做性能优化很厉害，把 Activity Monitor 截个图，它能根据截图上的 pid 迅速定位到原因是啥。想起上古时代找内存泄漏可费劲了，要抓好几份内存 Dump，用工具分析堆栈，费很大劲才能定位到可能的原因。
现在 Agent 能很快找出内存占用大的原因，虽然我都不知道它怎么做到的……
我要做的就只是找几个场景测试一下，让它分析就好，理论上来说都可以让 Agent 自己用 computer use 完成。
Twitter/X · @op7418 · 8月26日 03:03 UTC · 喜欢 11 · 转发 0 · 回复 31 · 浏览 7834
T3 Code 的这个 Agent 和模型选择结合在一起的选择器挺不错的，给 Code Pilot 参考了一下，用上了 https://t.co/qcBwN8O1K8
中文标题Swyx：公共安全公告：现在不要使用 Codex 的“锁定使用”功能——它依赖不稳定的 Mac 功能，本周已两次让我完全无法访问 macOS 钥匙串
Follow Builders · X 动态 · Swyx · 8月26日 06:02 UTC · 喜欢 5 · 转发 1 · 回复 9
Swyx warns against using Codex's 'locked use' capabilities right now because they rely on unstable macOS features and have locked him out of his macOS keychain twice this week.
中文摘要Swyx 警告称，Codex 的“锁定使用”功能目前依赖不稳定的 macOS 功能，可能导致钥匙串被锁定，建议暂时避免使用。
中文标题Thibault Sottiaux：好产品需要时间，至少 34 天。
Follow Builders · X 动态 · Thibault Sottiaux · 8月26日 05:41 UTC · 喜欢 2034 · 转发 62 · 回复 389
A brief tweet asserting that good products take time, at least 34 days, but lacking technical detail or substantive analysis.
中文摘要这是一条关于产品开发需要时间的简短推文，强调好产品需要投入时间（至少 34 天），但缺乏技术细节。
中文标题Nikunj Kothari：找一个像 VC 一样热爱晒“独家”晚餐照片的人 🙈
Follow Builders · X 动态 · Nikunj Kothari · 8月26日 04:56 UTC · 喜欢 14 · 转发 0 · 回复 2
A joke tweet about venture capitalists posting photos of exclusive dinners.
中文摘要一条关于风险投资人喜欢晒“独家”晚餐照片的玩笑推文。