1. Instagram 被曝离谱接管漏洞：AI 客服把验证码发给攻击者 (The newest Instagram “exploit” is the goofiest I’ve seen)
作者 0xsid 说，近期一批 Instagram 账号疑似被接管，其中包括 Obama White House 等高关注账号，而攻击流程“蠢到几乎不真实”。按他的描述，攻击者只需要目标用户名，然后用 VPN 或代理靠近目标所在城市，降低 Meta 风控的怀疑。接着攻击者告诉 Meta 支持 AI：账号被黑了，请把验证码发到自己控制的任意邮箱。关键问题在于，这个高权限恢复流程似乎没有验证该邮箱是否曾属于账号所有者；AI 把安全码发给攻击者后，攻击者再把码交回系统，即可拿到新的密码重置链接。因为系统把这视为“真正所有者”的账号恢复，原有 2FA 也会被绕过，旧 session 被踢下线，邮箱和手机号被改成攻击者控制的信息。文章还提到，黑产 Telegram 群已经出现收费接管服务。
原文链接：https://www.0xsid.com/blog/meta-account-takeover-fiasco
论坛讨论链接：https://news.ycombinator.com/item?id=48359102
HN 讨论把这当作 AI agent 安全的反面教材。有人提出一个简单原则：评估 agent 安全时，先忽略 agent，把它能调用的工具当作攻击者可以完全访问的工具；如果工具链本身不安全，agent 必然不安全。也有人提醒，不能只看工具权限，agent 的训练数据、提示词和 RAG 上下文也可能泄露或被投毒。讨论总体认为，账号恢复是高风险流程，不应交给无法可靠区分身份的 AI 支持系统；至少要把“用户能和 agent 对话”视为用户能操纵整套恢复工具。
2. Red Hat Cloud Services 多个 npm 包被植入恶意版本 (Malicious npm packages detected across Red Hat Cloud Services)
RedHatInsights/javascript-clients 仓库出现安全 issue，称 @redhat-cloud-services/ scope 下多个 npm 包发布了恶意版本。受影响列表很长，包括 chrome、compliance-client、frontend-components、frontend-components-*、hcc-*-mcp、host-inventory-client、insights-client、notifications-client、rbac-client、remediations-client 等，很多包都有多个 compromised versions。issue 引用了 StepSecurity 的分析和 oss-security-feed 查询。由于这些包属于 Red Hat Cloud Services 前端/客户端生态，影响面可能覆盖依赖这些包的构建、开发和部署流程。文章本身是 GitHub issue，重点是汇总受影响包和版本，提醒用户排查 lockfile、缓存、CI/CD 产物和内部镜像。它也再次说明，npm 供应链攻击不再只针对小包，组织 scope 和企业生态包同样会成为目标。
原文链接：https://github.com/RedHatInsights/javascript-clients/issues/492
论坛讨论链接：https://news.ycombinator.com/item?id=48356625
HN 讨论重点转向“cooldown”机制：忽略刚发布不到 N 天的新包版本。评论者认为 axios、TanStack、Red Hat Cloud Services 等近期 npm 供应链攻击，大多在数小时内被发现和下架；如果默认延迟 1-3 天安装新版本，就能躲过很多攻击。有人提到 pnpm 已加入默认 1 天 cooldown，也推荐 depsguard、cooldowns.dev 或自己配置 npmrc。反对点主要是紧急修 CVE 时可能需要绕过冷却期，但支持者认为这可以作为例外流程处理。整体共识是，依赖更新速度和供应链安全之间需要显式折中。
3. 斯坦福 CS336：从零开始做语言模型 (CS336: Language Modeling from Scratch)
Stanford CS336《Language Modeling from Scratch》是 2026 春季课程，由 Tatsunori Hashimoto 和 Percy Liang 等人授课。课程目标不是简单介绍 LLM，而是让学生从头走完整个语言模型开发流程：数据收集与清洗、预训练、Transformer 构建、训练、优化、评估和部署。页面明确说，这门课借鉴操作系统课程“从零写一个 OS”的思路，要让学生理解现代语言模型的每个环节。先修要求也很硬：熟练 Python、深度学习、系统优化，以及能在 GPU 和多机环境中让模型高效运行。作业的 scaffolding 很少，学生要写的代码量比一般 AI 课程高一个数量级。课程页面提供讲义、YouTube 录制、office hour、Slack 规则和历史版本链接。
原文链接：https://cs336.stanford.edu/
论坛讨论链接：https://news.ycombinator.com/item?id=48357075
一位完成过 2025 版课程的 HN 用户说，这门课工作量很大，前两个作业就需要大量思考和调试，即便有深度学习基础，也花了几个月用业余时间完成大部分内容。他认为课程设计、slides 和 assignment 都非常用心，能让人从小模块开始构建真实 LM，并亲眼验证 pipeline 如何拼起来，成就感很强。但他也指出，环境要求可以讲得更清楚，尤其是作业 harness 在 Linux + NVIDIA GPU 环境下表现最好。讨论虽然评论不多，但对课程质量评价很高。
4. 斯坦福 CS336 给 AI 助手写规则：当助教，不准写答案 (AI Agent Guidelines for CS336 at Stanford)
CS336 作业仓库里的 CLAUDE.md 给 ChatGPT、Claude Code、Copilot、Cursor 等 AI coding assistant 定义了明确边界：它们应该作为 teaching assistant，而不是 solution generator。允许做的事包括解释概念、指向课程材料和官方文档、review 学生已经写出的代码、指出 edge cases/invariants/debugging checks、解释 Python/PyTorch/CUDA/Triton/distributed training 错误、建议 sanity checks 和 toy examples。禁止做的事则很严格：不能写 Python 或 pseudocode，不能完成 TODO，不能编辑学生 repo，不能运行 bash 命令，不能把 assignment requirements 转成可运行代码，不能实现 tokenizer、transformer blocks、optimizer、training loop、Triton kernel、distributed training、scaling-law pipeline 等核心组件，也不能指向第三方实现。核心原则是：保留学生从零实现语言模型的学习体验。
原文链接：https://github.com/stanford-cs336/assignment1-basics/blob/main/CLAUDE.md
论坛讨论链接：https://news.ycombinator.com/item?id=48359232
HN 讨论集中在这类 AGENTS/CLAUDE 规则文件到底怎么写才有效。有老师说自己也在课程里尝试 AGENTS.md，但觉得 CS336 版本可能太长，容易掉出上下文窗口；他测试后发现 30 行以内、短而清晰的规则效果更好。他还要求学生如果使用 AI，就生成 .history 文件记录每次 prompt 和回应摘要，便于回顾和反馈。也有人提醒，LLM 场景下“只告诉它做某事”并不可靠，如果真的需要保证记录，应使用 hook script 或直接解析工具已有 transcript。讨论表明，教育场景里的 AI 规则需要同时考虑行为边界、可审计性和执行机制。
5. 10 年前的 Xeon 也能跑 Gemma 4，前提是你愿意调到很细 (A 10 year old Xeon is all you need)
作者用一台 2016 年的单路 Intel Xeon E5-2620 v4 服务器跑起 Gemma 4 Drafter 模型，硬件看起来并不适合现代 LLM：8 核 16 线程、AVX2、没有 AVX-512/VNNI/BF16、128GB DDR3 内存，没有 GPU。文章重点不是“随便装个 Ollama 就能跑”，而是解释为什么 mainstream 工具暴露的旋钮不够，必须用特定 fork 和大量底层参数调优。作者强调，LLM 解码阶段常常受内存带宽限制，而不是纯算力限制：每生成一个 token 都要把大量权重从内存搬到 CPU cache，老 DDR3 会成为核心瓶颈。文章还讨论线程数、MoE expert 调度、量化、MTP drafter 和 verifier 搭配等细节，目标是让一个现代 26B MoE 模型在旧服务器上达到接近阅读速度的本地推理。
原文链接：https://point.free/blog/gemma-4-on-a-2016-xeon/
论坛讨论链接：https://news.ycombinator.com/item?id=48353348
作者在 HN 里说明，这是因为现有工具对新 Gemma 4 drafter 支持不足、性能旋钮被隐藏，才写了这篇实践记录。他承认自己不是 ML 工程师，但链接了量化模型和所需 fork。评论主要追问技术细节：既然 workload 受内存带宽限制，为什么不用 SMT 线程填补等待时间；--cpu-moe 如何减少 cache thrashing；4GB expert 参数远大于 20MB L3 cache，优化 expert 顺序到底能缓存什么。讨论很技术化，核心价值在于展示“旧硬件能跑”不是魔法，而是对带宽、线程、MoE、量化和工具链的细致权衡。
6. Nvidia RTX Spark：把 AI、RTX 和统一内存塞进 Windows PC (Nvidia RTX Spark)
Nvidia RTX Spark 是一款面向轻薄笔记本和小型桌面的新平台/芯片方案，主打把 NVIDIA AI 和 RTX 图形能力融合到 Windows PC。页面称 RTX Spark Superchip 最高包含 6,144 Core Blackwell RTX GPU、20 Core ultra-efficient CPU、1 Petaflop FP4 AI performance、最高 128GB unified memory，并支持 CUDA 原生运行。Nvidia 把它包装成“agent PC”：本地 AI agent 可以在用户旁边执行任务、生成素材、写代码。创作者侧强调 FP4 Tensor Cores、统一内存、RT Cores、DLSS、4:2:2 硬件编解码、AV1 encoder 和 NVIDIA Broadcast；开发者侧强调 CUDA AI development/prototyping stack 和本地 fine-tune/inference；游戏侧则继续卖 RTX、ray tracing、DLSS、Reflex 和 G-SYNC。整体定位接近“带 CUDA 的 Windows Arm/轻薄 AI 工作站生态”。
原文链接：https://www.nvidia.com/en-us/products/rtx-spark/
论坛讨论链接：https://news.ycombinator.com/item?id=48352939
HN 讨论的关键不是参数本身，而是兼容性和生态。有人指出 Nvidia 的影响力足以推动大量创意软件和游戏发布 Arm 原生版本：Adobe Photoshop/Premiere、Blackmagic、Blender、CapCut、ComfyUI、OTOY，以及 Riot、KRAFTON、Remedy、NetEase、Xbox 等都被提及。也有人说 Switch 本来就是 Nvidia/Arm 游戏设备，游戏厂商并非完全没有经验。怀疑者则担心 Windows on Arm、驱动、游戏反作弊、CUDA/RTX 兼容和实际功耗。整体看，RTX Spark 的成败不只看芯片规格，而看 Nvidia 能否把 Windows Arm 软件生态拉起来。
7. 作者故意把新 iPhone 变慢，用延迟对抗刷手机 (I made my phone slow on purpose)
Guilherme Campos 写道，他买了全新 iPhone 17 后，立刻做了一个让它“变慢”的工具 VineWall，因为自己长期受 doomscrolling 困扰。传统冷 turkey、app blocker 等方法要么没有处理 craving，要么容易绕过。作者用“口袋里的饼干机”类比手机：如果随时能得到新鲜饼干，人会不断吃；如果饼干很远或不新鲜，欲望就会下降。因此他选择降低特定 app 的网速，而不是完全封锁。VineWall 会把 Instagram、TikTok、Reddit、X、Threads 等应用的连接逐步变慢：一开始视频变 blocky，继续刷时图片变灰框，最后加载 spinner 占据更多时间。这个过程不是强制禁止，而是把即时奖励变得低质量、低速度，让用户在等待中重新意识到自己是否真的想继续。
原文链接：https://vinewallapp.com/notes/i-made-my-phone-slow-on-purpose/
论坛讨论链接：https://news.ycombinator.com/item?id=48312443
HN 讨论提到 One Sec 这类习惯打断 app：通过 iOS Shortcuts 在打开成瘾 app 时插入几秒等待和确认，很多人说 4、6、10 秒延迟就足以让自己放弃无意识打开 Instagram 或 YouTube Shorts。有人用 Jonathan Haidt 的“骑象人”隐喻解释：理性意识知道该少刷，但情绪和直觉驱动力更强，因此要改变环境和摩擦，而不是只靠意志。讨论总体支持“增加一点点延迟”这种温和但有效的干预，也承认多数普通用户不会愿意复杂配置 Shortcuts。
8. 灭菌土壤还在“呼吸”，生命化学或许先是地质现象 (What appear to be biochemical processes may be a natural feature of geology)
Quanta 报道了 Sébastien Fontaine 团队关于“死土壤仍会释放二氧化碳”的实验。Fontaine 原本想测量完全没有生命的土壤会释放多少碳：他们把土壤封进罐子，用伽马辐射灭菌，然后等待 CO2 释放下降。显微镜下看不到生命迹象，但土壤仍持续消耗氧气、释放二氧化碳，而且这一过程持续了六年。团队在 2025 年 Science Advances 论文中提出，某些驱动生命代谢的反应，可能也能在没有活细胞、没有蛋白质组织的地质环境中发生。如果这个解释成立，那么分解富碳糖分子并释放能量的“代谢式”反应不一定是生命独有，可能在生命出现之前就作为地球化学过程存在。这为生命起源中的“代谢先于生命”理论提供了新的实验线索。
原文链接：https://www.quantamagazine.org/the-dirt-that-refused-to-die-20260601/
论坛讨论链接：https://news.ycombinator.com/item?id=48357905
HN 讨论把这放进“地球化学孕育生物化学”的长期猜想里。有人提到海底碱性热液喷口等稳定能量梯度，可能在数十亿年尺度上持续制造有机化合物，并让它们像磁性积木一样组装成更复杂结构。评论里有一个形象比喻：把地球看成一个巨大的、自交互的化学计算机，长期运行耗散式搜索，而生命只是把其中一部分计算能力捕获进代谢、遗传、生态竞争和进化搜索。讨论不多但很宏观，重点是：所谓生命化学可能不是凭空出现，而是地质化学连续体上的一个组织化阶段。
9. 海盗湾被突袭 20 年后，仍然靠那次备份活了下来 (The Pirate Bay Remains Resilient, 20 Years After the Raid)
TorrentFreak 回顾 The Pirate Bay 2006 年 5 月 31 日第一次重大突袭。当天 65 名瑞典警察进入斯德哥尔摩数据中心，按照刑事调查要求下线 TPB 服务器，背景包括美国政府压力。联合创始人 Gottfrid Svartholm 和 Fredrik Neij 事前已察觉有人跟踪；当警察到达办公室时，Gottfrid 让 Fredrik 前往托管设施处理“incriminating evidence”。Fredrik 出发时突然意识到问题可能与 torrent tracker 有关，于是先做了一份完整备份。事实证明，这个备份成为 TPB 历史上的关键动作：突袭后，团队仅用三天就让网站复活。之后他们以 The Police Bay、自嘲 logo 和凤凰图案回应，突袭反而让网站登上主流媒体，扩大了影响力。文章强调，TPB 后续 20 年的韧性，很大程度始于那次临时备份。
原文链接：https://torrentfreak.com/the-pirate-bay-remains-resilient-20-years-after-the-raid/
论坛讨论链接：https://news.ycombinator.com/item?id=48357154
HN 讨论很快转向正版体验为何仍然常常比盗版差。有人举 Disney+ 上《Malcolm in the Middle》音轨缺失为例：某些 ADR 或墙后对话整段消失，多年报告仍未修复；而 torrent 版本往往由在意质量、metadata 和完整性的发布者维护。评论还提到 AI upscaled 伪 4K、宽屏裁切导致笑点出画、内容因冒犯性被剪掉或剧集被移除等问题。讨论并不是单纯为盗版辩护，而是在说：如果官方渠道质量差、内容不完整、随时消失，用户自然会怀疑“Intended Method”是否真的更好。