01
用户用四款AI模型花费266美元获得了Amazon Fire HD平板的完整控制。平板固件未更新，留有未修复的Mali GPU驱动漏洞CVE-2022-38181，而Amazon受保护的OTA软件包禁止关闭服务，导致无法通过普通手段获得root。这说明AI能协助低级漏洞利用，可能改变安全从业者的工作方式并提高防御成本。
ZhangYvJing's
Daily Brief
00
Film / Book Chapter
Perfect Days
Perfect Days (2023) · Wim Wenders
今天适合看《Perfect Days》，因为它更像一次生活和判断方式的校准，能把注意力从持续输入里稍微抽出来，重新放回你真正想怎样生活和做事上。
The Mom Test
The Mom Test · Rob Fitzpatrick
Chapter 1: The Mom Test
A short practical check on product conversation: stop asking for validation, start extracting facts, and keep reality from being softened by politeness.
01
Insight
从今天的输入来看，AI代理的“从概念到可落地”正经历一个从上向下、从技术原型到实际约束的转向——技术层面的噪音（比如GLM-5.3的性价比争议、如何 Complex Systems Fail 的复盘）正在被更实际的部署困境所锚定。Hacker News 的几则安全报道（平板 owned、车载摄像头后门、恶意软件渗透）印证了复杂系统固有的脆弱性：Amazon 的 OTA 封锁、斯洛伐克的 NBU 警报都显示，安全不再是边界问题，而是嵌入设计逻辑的成本——而当前的 AI 代理在信息收集、工具调用方面，仍像 Khanmigo 那样“没用”，因为它们缺乏从零建模的驱动力，而是套在现有流程里的安全带。YouTube 上的讨论（从 Debois 的组织适配，到 Louf 的 prompt 搞砸重构 harness，到 Fox 的临床记录 1/20 误伤）持续戳破“Agent 万能论”，人们开始意识到：部署 AI 代理，不是选模型，是改组织、重写工作流、甚至重构风险共担。arXiv 的几篇工作挺合这一逻辑：MidTool 用数据驱动中期训练就教模型组装调用链；BERT-LER 用 token 级归因让 EHR Agent 可审计；Pandora's Router 把“模型选址”离散化成可计算的成本函数——这些方法的共通点是，把抽象能力“问题化”，用结构化的监督、清单、置信边界把 Agent 锚在具体任务上。与此同时，debloat.dev 这类开源替代的热度，又提醒我们：技术的向下倾斜不只是 Agent，而是回归“干净、可控、可审计”的底层构建。从 Khanmigo 的停摆到临床 AI 的容错率，今天的判断是：AI 代理的变革焦点，从“它能多少”“它会不会崩”，正在落回“它该不会黑，部署要多稳”——说到底，还是要像 Sal Khan 学习时那样，先从问“这个系统里，我到底控制了什么”，而不是期待它替我们思考。Perfect Days (2023)。
03
Hacker News
02
该文指出，复杂系统本质上具有固有危险性，依赖多层防御才能避免事故。随后说明，灾难性故障往往由多个微小且各自不足以致伤的失效共同触发，且事后易受后见之明偏见影响，难以孤立根源原因。这种观点使得安全管理从追究个人过错转向考察系统缺陷与操作者双重角色，从而影响事故调查、培训及相关规则的制定。
03
04
05
安全团队发现一种安卓恶意软件，可通过汽车中控固件的更新程序静默安装，随后使用多阶段下载器实施广告欺诈并形成代理僵尸网络。该软件无界面，借用原本收集分析数据的系统应用下载并解密后续载荷，实现隐蔽指令控制。这意味着车载信息娱乐设备的维护和使用者将面临额外的安全成本和被利用风险，需加强固件更新渠道的安全检查。
06
Sal Khan的AI聊天机器人导师Khanmigo被承认几乎未被学生使用，AI辅导革命未实现。这是因为他本人学习时通过查阅、制作时间线、提出深度问题并与他人交流，而学生仅接受他人制作的讲解视频，缺乏探索、构建、表达和交换的内在驱动。这使得教师设计学习体验的压力增大，而EdTech行业对聊天机器人辅导的投资前景趋于审慎。
07
08
椰子油生物燃料与常规喷气燃料混合后，在小型发动机测试中热效率接近纯煤油。这是因为该燃料不含煤油中的芳香烃，且采用低温共溶剂法可得到高纯度生物燃料，燃烧时未燃碳氢化合物随生物燃料比例升高而减少。这意味着航空燃料研发需考察其储存稳定性和材料腐蚀风险，若克服氧含量超标等障碍，将有助于调整燃料标准并影响运营成本。
09
10
04
YouTube
01
In 2009 people told Patrick Debois that continuous delivery was crazy. He hears the same thing now about the dark factory, and reads it the same way: not that the technology cannot work, but that the organization is not set up for it yet. His starting assumption is that harnesses and loops will commoditize, possibly into a service a frontier lab just sells you, so none of that will be anyone's differentiator. What actually changes is the team, the platform and the organization around them. Developers pushed back on the conductor framing, telling him they did not sign up to write better prompt
02
In the first week the daily brief posted to Slack twice, a voice note vanished entirely, and the market brief turned to garbage after prompt edits Rémi Louf had not versioned and could no longer recall. Each failure became a piece of what turned into a runtime. The lost note became an append only log where nothing is discarded and every event is causally linked to the one that triggered it. The duplicates became a real queue that counts attempts. The untraceable prompt became a content addressed store, and that one was the rabbit hole. Every part of a prompt is hashed and stored separately, t
03
A clinical note from a real consultation reads like a routine tension headache, and nothing in it is wrong. What never reached the page is that the patient also mentioned her jaw aches when she chews, which alongside a new headache over 50 is a red flag for a condition that can take her sight within days. Sebastian Fox pulled that error, and every other failure here, out of three leading production ambient scribes in one afternoon. In the largest real world study of these notes, roughly one in 20 carried an error serious enough to cause significant harm, nearly one in five had an important omi
04
Warp open sourced about three months ago and went from roughly 20,000 GitHub stars to over 60,000, with thousands of pull requests and hundreds of contributors arriving at once. Rather than let agents fire off code, Safia Abdalla's team put them inside the repository's process. File an issue and an agent triages it, researches the codebase, and asks you questions when the request is too abstract to act on. Every pull request then goes through an agent managed review, and nobody on the team gets pinged until an agent has approved it. The humans only ever see the high signal ones. That is one p
05
Full episode: https://www.youtube.com/watch?v=-RXD4bTuFTo Me on twitter: https://x.com/dwarkesh_sp
06
07
Papers
01
02
Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records
该工作指出，现有结构化电子病历预测模型在同时利用离散化实验室数值并提供可解释性方面仍有空白。作者提出 BERT‑LER，在 7500 万患者去标识 EHR 上预训练，将检验结果按百分位分箱为离散 token，并用 Integrated Gradients 得到 token 级归因。在 EHRShot 和哮喘进展任务中，该模型不仅匹配甚至超过现有基准的预测性能，且其归因与已知临床风险因素一致，说明可直接用于构建可信的医疗 Agent。
03
问题是：在多模型、多架构的异构 AI 系统中，如何以最低成本把查询路由给最合适的专家模型，而评估每个专家的预期收益本身有代价。作者把这种权衡建模为带代价检验的 Pandora’s Box，在高斯信号假设下给出闭式价值‑信息表达，得出中心化 Pandora’s Router 和去中心化 Pandora’s Bidder 两种策略，能在大幅降低昂贵估计器调用的前提下达到穷尽估计的路由质量。对构建多模型 Agent 或产品的工程师而言，这套方法提供了理论保证的成本‑质量权衡工具，可直接用于减少昂贵推理开销而不损害整体性能。
04
AI4AI-Bench 建立10个冻结算法仓库，让LLM代理在4小时单卡B300内重写训练代码，后续12小时重运行用隐藏评估器按0‑1分打分。实验中6种系统的29种配置平均得分0.166，最好0.250，表明现有代理几乎不改模型学习；加大推理使成功比例从8%升到64%，均分从0.094升到0.196。该基准公开全部任务、评估器和记录，为衡量代理驱动的算法创新提供可重复尺度。
05
该工作从原始截图及鼠标键盘轨迹中自动解开交叉进行的任务，构建层次目标与控制流的任务模型（TMI），使代理能学习真实工作流并在下游任务上提升约30%的准确度。因而能为Agent产品提供可审计、可复用的任务知识，降低从零开始学习的成本。
06
本文提出三智能体工作流：聊天机器人调查、结构化处理与行为预测一体化，利用对话式问卷、多模态LLM及视觉信息实现天气敏感出行模式预测，展示了可审计的端到端Agent管线。尤其展示了如何在无需任务特定微调的情况下，LLM与传统模型相当甚至更好。
07
深度模型易过度自信，缺乏可信的失败信号。本文提出 margin‑controlled 的 TCPα 置信目标，通过可调边界使正确/错误预测的目标值完全分离，并设计不平衡训练策略。在音乐识别与装饰音检测上，仅拒绝最低置信的 8% 预测就可把宏观 F1 从 0.89 提升到 0.98，且用仅 5% 新域标注数据微调即可恢复跨域性能，为 Agent 提供可靠的置信判据。
08
患者解读医学报告需要既事实准确又易于理解的解释，现有任务难以兼顾这两点。G-CARL 通过多源检索验证原子事实，并用情境感知的实例加权清单引导生成，在保持多样性的同时提供结构化强化学习监督。在 MMedReport 基准上，该方法在事实精度、清单召回及临床偏好上均优于现有后训练基线，显示其在构建可信、以用户为中心的医疗报告解释 Agent 中的潜力。
08
Issue Monitor
Ready now—Actionable issues
Needs review—Awaiting a fresh check
Data statusCheck statusLive status unavailable