技术发展新聞

探讨区块链领域的最新技术创新、协议升级、跨链解决方案与安全机制，从开发者视角剖析未来技术趋势与潜在突破。

Agent化的OS：拼的不是AI，是底盘

本文探讨了操作系统（OS）进入“Agent化”时代的核心竞争要素，指出竞争焦点并非表面AI功能，而在于支撑其可靠运行的底层技术“底盘”。文章以Google、Microsoft、Apple、华为等主流OS厂商的动向为例，说明端侧OS集成主动式AI能力（Agent）已成为明确趋势。然而，发布会展示的功能背后，真正的较量在于三层核心能力底座： 1. **系统级AI Runtime**：作为调度中枢，它将端侧模型的推理能力变为OS层共享服务，统一调度算力与内存，是Agent能跨App执行系统级操作的基础。例如Google的AICore、Apple的Foundation Models框架。 2. **可控芯片**：自研或深度可控的芯片（如Apple Silicon、Google Tensor、华为麒麟）是实现深度软硬协同优化的关键，决定了端侧Agent的响应速度、功耗和体验上限。 3. **端云模型矩阵**：云端模型处理复杂任务，端侧模型（如Gemini Nano、Phi Silica、盘古端侧模型）保障日常任务的低延迟、隐私和稳定性。端侧模型需与OS和NPU深度耦合，自研是主流选择。这三层能力自下而上紧密耦合：芯片决定模型效率，模型决定Runtime能力，Runtime决定Agent的可靠性。协同越深，OS厂商在响应延迟、隐私保护、系统级上下文理解、服务可靠性等方面的产品差异化就越明显，护城河也越厚。此外，文章指出，OS Agent的长期竞争力还受制于与App厂商的博弈（通过API深度集成还是屏幕识别交互）、隐私保护体系的构建等关键变量。这场竞争已超越手机和PC，正随着多设备生态向汽车、XR眼镜等IoT领域扩展。最终，OS Agent化的成功非一朝一夕，依赖于芯片、模型与Runtime在长期迭代中的深度融合与打磨。

marsbit05/27 10:18

marsbit05/27 10:18

AMD新论文颠覆认知：FP4训练不稳定，原因不是随机性不足

AMD最新研究发现，FP4训练不稳定的主要原因并非此前认为的随机性不足，而是结构性微缩放误差在关键梯度路径上累积放大所致。过去，尝试使用FP4从头训练大模型常因训练不稳定而失败。AMD与宾夕法尼亚州立大学的论文通过实验证明，在Transformer的权重梯度计算路径上使用FP4量化会导致收敛质量显著下降。此前用于缓解量化误差的随机性策略（如随机舍入）在此场景下反而加剧了不稳定性。研究团队采用MXFP4数据格式，并引入确定性Hadamard旋转作为稳定化方法，成功在AMD MI355X GPU上完成了Llama 3.1-8B模型的全流程FP4预训练。结果显示，该方法在仅增加8-9%训练数据开销的情况下，实现了比FP8基线快9-10%的端到端训练速度。这项研究首次在原生FP4硬件上验证了低精度训练的可行性，为降低大模型训练成本提供了新方向，并指出结构性误差分析比增加随机性更为关键。基于开放标准OCP的MXFP4格式也增强了该方案在不同硬件平台间的可移植性。

marsbit05/27 06:19

marsbit05/27 06:19

刚刚，中国AI闯入全球编程前二，前面只剩Claude

Code Arena最新榜单显示，阿里通义千问Qwen3.7-Max以1541分位列全球第四，成为唯一进入该榜单前列的中国模型，排名仅次于Claude Opus系列模型。在具体任务测试中，Qwen3.7-Max表现突出。例如，在编写可自我训练的俄罗斯方块AI任务中，其成本仅为1.32美元，性能却超越其他模型56%。在构建3D宇宙模型和生成3D像素风宝塔模型等任务中，其输出速度与质量也全面胜出。一项硬核的3D赛车游戏生成挑战进一步验证了其能力。Qwen3.7-Max首轮生成即基本可玩，并独特地添加了开始界面和音效，细节处理优于其他对比模型（如Gemini 3.5 Flash、Claude Opus 4.6和GPT-5.5），后者大多需要多轮调试。 Qwen3.7-Max被定位为“Agent基座模型”，专为长时间自主执行复杂任务设计。内测数据显示，它能连续运行35小时，执行超千次工具调用，在长程任务中保持稳定推理，无上下文退化或指令漂移。其技术核心在于训练方法的升级：一是“环境扩展”，让模型在不同执行框架和验证方式中学习通用解题策略；二是“长程自主执行”训练，使模型能在动态环境中进行超千步连续决策与策略调整。此次Qwen3.7-Max在Code Arena榜单的突破，标志着中国AI模型已在全球编程竞技场中成为重要的竞争者。

marsbit05/27 00:17

marsbit05/27 00:17

从一张午餐桌到无限宇宙，李飞飞押注AI的下一个维度

斯坦福大学教授、World Labs创始人李飞飞在近期的多次访谈中系统阐述了她对AI发展方向的判断：空间智能（Spatial Intelligence）是下一个前沿，而当前主流的大语言模型存在根本局限。李飞飞指出，人类语言仅有约50万年历史，而视觉与空间感知能力则可追溯至5.4亿年前，是智能演化的基础。语言本质上是对世界的一种“有信息损失”的编码，无法完整捕捉物理世界的三维结构、运动和交互。她举例说明，当前AI模型甚至难以完成“数清视频中椅子数量”这类幼儿级空间任务，更无法像牛顿那样从观测数据中推导物理定律。她创立的World Labs正致力于此方向，其首代模型Marble能够从文本、图像等输入生成可导航、可交互且具有几何一致性的3D环境，这与生成视频有本质区别。Marble模型规模远小于GPT-5，部分原因是高质量3D数据稀缺，且该领域尚处早期。该技术已应用于游戏开发、电影虚拟制作（将周期缩短40倍）、机器人训练、室内设计乃至为强迫症、恐高症患者定制个性化治疗环境。李飞飞展望，空间智能技术将能创造“无限的宇宙”，应用于社交、旅行、创意等多领域，使人类未来可能生活在“多元宇宙”中。她同时也提醒，对AI的讨论应避免乌托邦或末日论的两极化，技术成功的终极标尺应是让人类文明更美好，并始终维护每个人的尊严与自主性。她认为，从“谈论世界”到“理解世界”再到“在世界中行动”，是AI必须完成的进化。这条道路虽充满挑战，但意义深远，正如她所言：“感知先于语言，空间先于符号。”

marsbit05/27 00:14

marsbit05/27 00:14

链上分析师：为何大多数 Zcash 交易仍可被追踪？

Zcash（ZEC）是一种基于比特币技术但强调隐私保护的加密货币，它通过zk-SNARK零知识证明技术实现交易信息的隐藏。Zcash提供两种地址：透明地址（t地址，交易公开可见）和屏蔽地址（z地址，交易信息被加密）。根据地址组合，交易分为四种类型：t→t（完全公开）、t→z（转入金额公开，接收方隐藏）、z→t（转出金额和接收方公开，发送方隐藏）、z→z（完全私密）。尽管Zcash设计上支持强隐私，但实际应用中大部分交易仍通过透明地址进行，主要原因包括交易所和机构为满足合规要求默认使用透明地址。因此，链上分析平台（如Arkham）能够追踪大量ZEC交易，目前已标记超过一半的链上活动，关联了约4200亿美元交易量的已知实体。例如，美国政府查封的Zcash资产和个人大额获利交易均可被追踪。然而，z→z类型的屏蔽交易在密码学层面依然无法被窥探。Zcash的实际隐私保护程度取决于用户对地址类型的选择和使用方式。对于希望深度分析Zcash链上活动的用户，Arkham等工具提供了全面的数据追踪和监控功能。

marsbit05/26 06:04

marsbit05/26 06:04

清华00后校友王冠再出新作：用1/900 token、1/432算力，颠覆Transformer预训练模型

清华00后校友王冠团队提出了一种名为HRM-Text的高效预训练模型，使用分层循环模型取代标准Transformer。该方法仅需约1/900的训练token和1/432的估计算力，便使1B参数的模型在多项基准测试中达到了媲美2B至7B开源模型的性能，训练成本约1500美元。其核心是通过双时间尺度递归架构增加计算深度，并采用针对指令-回答对的训练目标，只对回答部分计算损失。研究强调了结构先验与针对性训练能显著降低预训练门槛。同时，论文也指出了当前方法在知识覆盖、自适应计算、规模化验证及工程部署方面的局限性，为未来研究指明了方向。

marsbit05/26 03:15

清华00后校友王冠再出新作：用1/900 token、1/432算力，颠覆Transformer预训练模型

marsbit05/26 03:15

一文读懂Bound：“多签+时间锁”的逃生机制与链下撮合黑箱

Bound（前身为Radfi）是一个比特币生态交易平台，其核心机制结合了“2-of-2多签托管”与“时间锁（Timelock）”来实现资产的安全自托管与快速交易。用户存款的比特币地址为2-of-2多签地址，需要用户私钥与平台私钥共同签名才能动用资金，平台无法单方面挪用资产。平台私钥设有3个月的有效期，在此期间内进行交易需要双方联签以实现快速成交。若平台跑路或宕机，用户可在3个月时间锁结束后，仅凭自己的私钥单签取出全部资产，此规则由比特币脚本强制执行，确保了最终的资金控制权。在交易层面，Bound采用集中流动性AMM机制，但完整的流动性曲线与交易撮合排序均在其链下后台完成。链上交易仅是结算结果的记录。这意味着，虽然本金安全有多签保障，但具体的交易价格、成交顺序均由平台后台决定并处理，形成了一个链下“黑箱”，存在运营方操控交易排序（MEV）的可能性。平台支持使用其内置Passkey钱包（享有上述多签保护），也支持直接连接Unisat等外部钱包（但每笔交易需手动签名）。需注意，其多签地址仅支持BTC和Runes资产。目前平台偶有前端交易状态显示延迟的问题。

marsbit05/25 09:11

marsbit05/25 09:11

τ Scaling：华为为后摩尔时代设计的新增长引擎

过去60年，半导体行业依赖缩小晶体管尺寸的摩尔定律发展，但如今先进制程面临收益暴跌、成本飙升等瓶颈。华为提出τ缩放理论，将优化核心从“尺寸”转向“时间”，旨在全链路压缩从晶体管开关到系统任务的延时，覆盖12个数量级。 τ缩放分为晶体管、电路、芯片和系统四层时间指标，推动工艺、电路、架构协同优化。在手机端，通过LogicFolding（逻辑折叠）技术垂直堆叠芯片，在不升级工艺下提升晶体管密度、能效和主频。在AI数据中心，针对数据搬运瓶颈，采用统一总线大幅降低访问延时，引入Hi-ONE光互联扩展传输距离，并通过3D Folding实现内存、供电与算力同步扩容。未来趋势是逻辑与内存重新紧密融合，以应对AI时代数据搬运的关键挑战。然而，仍需克服EDA工具适配、3D堆叠工艺优化及新标准制定等难题。总体而言，τ缩放标志着从尺寸缩放进入时间缩放时代，通过架构与集成创新，为后摩尔时代的半导体发展提供了新的增长引擎。

marsbit05/25 05:35

marsbit05/25 05:35

Mythos首个报告出炉：全球数十亿设备裸奔，30天挖出10000致命漏洞

Anthropic公司启动的“玻璃翼计划”首月战报公布，其下一代顶级大模型Claude Mythos Preview在30天内联合全球约50家网络及关键基础设施公司，发现了超过10,000个高危或严重软件漏洞。该模型不仅能精准发现漏洞，误报率低于人类专家，还能自动构建攻击链，甚至在一家合作银行成功拦截了一笔150万美元的电诈。报告显示，Mythos对Cloudflare、Mozilla Firefox、OpenBSD等核心系统进行了扫描，发现了大量漏洞，包括在OpenBSD中隐藏27年的旧Bug。在对全球1000多个关键开源项目的扫描中，共发现23,019个漏洞，经第三方复核确认其中1,094个为高危或严重漏洞，准确率达90.6%。一个典型案例是在广泛使用的开源密码库wolfSSL中发现了一个可伪造数字证书的严重逻辑漏洞。然而，漏洞发现速度远超人类修复能力，导致开源维护者不堪重负。为此，Anthropic推出了“防御者工具包”，包括能自动生成修复补丁的Claude Security、面向安全研究员的“网络验证计划”，以及一套开源的自动化漏洞挖掘流水线，旨在用AI修复AI发现的漏洞。由于Mythos能力过于强大且可能被滥用，Anthropic暂未公开发布，强调需先建立更高级别的安全护栏。公司呼吁行业缩短补丁周期、推行强制升级并加强基础安全措施。尽管当前人类开发者面临修复压力，但长远来看，此类AI技术有望极大提升全球软件的安全基石。

marsbit05/25 00:09

marsbit05/25 00:09

一周省下3亿Token，Anthropic工程师的Claude Code缓存指南

这篇文章分享了Anthropic工程师通过有效利用Claude Code的Prompt缓存机制，一周内节省超过3亿Token的经验。核心观点是，缓存的Token成本仅为普通输入的10%，因此提高缓存复用率能显著降低使用成本并延长会话额度。缓存机制依赖“前缀匹配”，分为系统层、项目层和对话层三层。只要会话前缀与已缓存内容一致，Claude即可直接复用，无需重新处理。Claude Code订阅版的缓存有效时间（TTL）为1小时，而API默认为5分钟。文章强调了几个关键的使用习惯以避免“打断”缓存： 1. 不要让会话空置超过1小时，否则缓存过期，重新开始成本更低。 2. 切换任务时，建议进行清晰的会话交接（如使用自定义的handoff技能总结进度后新建会话），而非使用可能破坏缓存的`/compact`命令。 3. 避免在会话中途切换模型（包括开启“Opus plan”模式），因为不同模型使用独立缓存，切换会导致缓存失效。 4. 大文档应放入Projects中管理，而非反复粘贴进对话，以获得更好的缓存优化。此外，文章提到Anthropic内部会监控缓存命中率，因为这直接影响服务成本和用户体验。通过理解并遵循这些简单的原则，用户可以在不改变使用习惯的情况下，更高效地利用Claude Code，节省Token消耗。

marsbit05/24 00:36

一周省下3亿Token，Anthropic工程师的Claude Code缓存指南