Cognition 发布了 **SWE-1.7**，这是一款专为代理式软件工程设计的高性能、高性价比模型。SWE-1.7 基于 Kimi K2.7 构建，证明了强化学习（RL）能够显著提升模型能力，突破所谓的“训练后瓶颈”。
该模型擅长长跨度、异步的编码任务，在 FrontierCode 和 Terminal-Bench 等基准测试中达到了前沿水平。主要技术创新包括：
* **训练稳定性：** 通过实施“采样分布回放”（sampling distribution replay）和 top-p 过滤，防止了熵崩溃，并最大限度地减少了训练与推理之间的差异。
* **可扩展基础设施：** 采用了一种创新的架构，利用跨越三大洲的全球多集群训练，将强化学习的规模扩展至远超单个数据中心的限制。
* **自我压缩：** 模型学会了总结其工作状态，使其能够管理长达六小时的任务，并通过交替长度惩罚保持推理过程的简洁。
* **数据质量：** 广泛的验证和防作弊措施确保了模型性能的高保真度和可信度。
在行为表现上，SWE-1.7 的特点是能够彻底探索代码库、深入调查根本原因，并具备精炼高效的思维链过程。SWE-1.7 现已通过 Cerebras 在 Devin 平台上线。
每日HackerNews RSS
Cognition AI 发布其“SWE-1.7”编程模型在 Hacker News 上引发了广泛争议。尽管该公司声称其性能可媲美 GPT-5.5 和 Opus 等顶级前沿模型，但社区仍因以下原因持怀疑态度：
* **基准测试的怀疑：** 批评者认为，Cognition 的基准测试很可能是“精挑细选”的结果或存在过拟合问题，因为该公司的训练数据与评估数据来源于相同的源头。
* **缺乏可访问性：** 与许多行业标准模型不同，SWE-1.7 是一个闭源模型，仅限于 Cognition 自有的“Devin”生态系统内使用，无法集成到第三方 IDE 或工具中。
* **营销的可信度：** 此前有关虚假营销宣传的争议，使许多用户对其推广手段保持警惕。
* **价值主张：** 虽然一些用户认可 Cerebras 基础设施所提供的高速度（TPS），但另一些用户则反馈该模型在实际编程中的实用性不及 Claude 或其内部基准测试的表现。
总体而言，社区观点各异：部分人认为这是迈向更快速、更专业 AI 智能体的一步，而更多人则将其视为“以风投为导向”的营销手段，认为其优先考虑专有闭环而非真正的技术进步。
弗拉基米尔·阿诺德（V.I. Arnold）的“创造型人格”突变理论模型绘制了三个变量：技术熟练度（T）、热情（E）和成就（A）。 该模型认为，个人的发展路径决定了其成长轨迹。先积累技能而后注入热情的人，可以成就“天才”。相反，起初受高涨热情驱动的人，一旦掌握了足够的知识，往往会经历成就上的突发性飞跃。 然而，该模型也警示了一种“灾难”：如果热情超过了技术能力，成就便会崩塌，使个人坠入阿诺德所称的“狂人”领域。该模型的一个显著特征是：在某个临界点，天才与狂人可能具备完全相同的技能水平和热情程度，而他们截然不同的状态，完全取决于其过往的经历以及是否经历了“灾难性”的衰落。 尽管作者承认突变理论本身往往缺乏科学严谨性，更多是作为一种推测性的漫画式表达，而非稳健的心理学框架，但他们认为阿诺德的这一模型是阐释智力发展陷阱的一个持久且有用的隐喻。
抱歉。
在海外求职面试时，搬迁意向应作为你的动力，而非唯一的卖点。若过度强调想搬到当地，招聘人员可能会认为你更看重搬迁福利而非公司本身，从而怀疑你的工作稳定性，担心你在安顿下来后很快离职。
想要脱颖而出，应将面试视为一场专业的交流，向买家推销你的价值。虽然承认想搬迁是坦诚的表现，但必须迅速将重点转移到工作本身。请优先研究公司的产品、使命、技术和企业文化。
一个出色的回答应在承认搬迁目标的同时，迅速转向你为何对该团队的目标倍感振奋，以及你的技能如何解决他们的难题。通过展示对公司的深度了解和对岗位的真正热情，你将从“寻求搬迁者”转变为“有价值的候选人”。
简而言之：将搬迁视为个人里程碑，但要将大部分精力用于证明你是助力公司未来的最佳人选。
抱歉。
Show HN: Kastor – 用于 AI 智能体的 Terraform 风格规范 Show HN: Kastor – Terraform-style specs for AI agents
3 天前
Kastor 是一个厂商中立的“AI 智能体版 Terraform”，它提供了一种声明式的方法来定义、版本化和管理智能体工作流。Kastor 不会将智能体硬编码在特定的框架中，而是使用基于 HCL 的类型化规范（.agent、.tool、.prompt 文件）来创建单一事实来源。 该工具链具备两种运行模式： 1. **构建（Build）：** 将声明式规范编译为 LangGraph 等框架的可运行项目。 2. **调和（Reconcile/Plan/Apply）：** 将智能体作为长生命周期资源进行管理，提供跨托管平台的偏差检测和状态管理（计划于 v0 版本实现）。 Kastor 并非一种新的运行时，而是一个弥合智能体设计与部署之间差距的管理层。通过将基础设施配置与智能体逻辑分离，它使开发者能够维护可复现、可审查的智能体定义。 目前，Kastor 支持针对 LangGraph 的项目验证和编译。这是一个处于早期阶段的概念验证项目，未来的路线图包括直接的平台部署（AWS/Azure）以及自动化的偏差检测。开发者可以通过 Homebrew、Go 或手动安装二进制文件来开始使用。详细的文档和架构决策记录在项目的 `SPEC.md` 中。
抱歉。
Chatto 是一款全新的群组与团队聊天应用，现已正式开源并支持私有化部署。它主打轻量、快捷与隐私保护，对所有静态数据进行加密，并支持端到端加密（E2EE）的语音、视频及屏幕共享功能。该应用专为便捷部署于自有基础设施而设计，提供适用于 Linux、macOS 和 Windows 的二进制文件。
对于倾向于使用托管服务的用户，“Chatto Cloud”即将开启公测。它将提供包含自动扩容与备份的专业托管服务，并保持与私有化部署版本的完全兼容，从而避免供应商锁定。
目前 Chatto 版本为 0.4，已达到生产环境的稳定水平。后续更新将专注于审核工具及多服务器功能的改进。该项目计划在未来 6 到 12 个月内发布 1.0.0 正式版。用户可通过 Homebrew 或访问官方文档开始使用。如需获取 Chatto Cloud 公测及未来发布的最新资讯，用户可订阅该项目的低频简报。
**Chatto** 是一款新推出的自托管群聊平台，现已作为开源软件发布（后端采用 AGPL 协议，前端采用 Apache-2.0 协议）。该项目旨在为 Slack、Discord 和 Mattermost 提供一种高性能、现代化的替代方案，并强调通过紧凑的二进制文件和基于 NATS 的架构来实现便捷的自托管。
**社区讨论重点：**
* **性能与设计：** 用户称赞 Chatto 相比主流软件常有的卡顿体验，表现得更加快速、灵敏。其界面设计灵感源自行业领先产品，令新用户感到熟悉。
* **技术栈：** Chatto 使用 NATS 作为轻量级消息代理，并利用 LiveKit 提供音视频通话功能。目前该应用以渐进式 Web 应用（PWA）形式构建，桌面端和移动端的原生封装程序正处于早期开发阶段。
* **关于 AI 与“编程氛围感”（Vibe Coding）的争论：** 项目开发者 Hendrik Mans 因其技术专长以及利用智能体编程构建软件而受到认可。这引发了关于“AI 辅助开发是否能带来可持续、可维护的软件”或是否会导致“产品质量劣化”的激烈讨论。
* **功能现状：** 目前该应用尚不支持端到端加密（E2EE）和原生移动端 App，这是用户普遍关心的问题。虽然尚未实现联邦功能，但开发者正在为未来的更新探索轻量级的身份验证方案。
**CVE-2026-57589 摘要** OpenBSD 7.9 及之前版本中发现了一个严重安全漏洞。该缺陷被归类为“释放后重用”（Use-After-Free，CWE-416），存在于 `sys/kern/sysv_sem.c` 文件中。具体而言，在 `sys_semget()` 函数的 `tsleep` 调用之后会出现上下文切换引发的释放后重用问题。 此漏洞风险极大，因为它允许本地提权，可能使攻击者获得系统的 root 级访问权限。CISA 已将该漏洞的技术严重程度评估为“完全（total）”。建议用户查看 OpenBSD 官方存储库以获取针对此问题的补丁。
Robostral Navigate 是一款专为自动具身导航设计的 8B 参数新模型。与依赖深度传感器或激光雷达的传统系统不同，该模型仅凭单个 RGB 摄像头即可实现业内领先的性能。它能够成功遵循自然语言指令穿越复杂的陌生环境，在 R2R-CE 基准测试中表现优于现有的多传感器系统。 该模型通过预测摄像头视野中的目标坐标或利用局部位移指令进行导航。它完全自主构建，在 40 万条模拟轨迹上进行训练，并利用“前缀缓存”（prefix-caching）将训练速度提升了 22 倍。此外，通过在线强化学习（CISPO）的应用，该模型能够通过反复试验不断自我优化，使成功率提高了 3.2%。 Robostral Navigate 兼容轮式、足式及飞行机器人等多种机器人平台，对不同的摄像头内参和环境尺度具有强大的鲁棒性。通过证明高性能导航可以源于视觉语言基础模型，团队旨在将此模型打造为制造业、物流业和酒店业通用机器人的基础构建模块。
Mistral AI 发布了 **Robostral Navigate**，这是一款无需地图的最先进机器人导航模型。与依赖预先采集地图或激光雷达（LiDAR）的传统系统不同，该模型仅通过文本提示和 RGB 摄像头输入即可在环境中进行导航。
Hacker News 社区的反应褒贬不一：
* **技术兴趣：** 开发人员对其极简主义且与硬件无关的设计印象深刻，一些人希望它能解决业余机器人爱好者的路径规划问题。Mistral 已确认该模型甚至可以处理“返回起点”的指令。
* **商业策略：** 批评者指出，Mistral 似乎更专注于企业合作伙伴关系（工业/物流），而非个人爱好者。许多人对该模型的可靠性提出质疑，并指出在机器人领域，76% 的成功率往往不足以支持现实世界的部署，因为边缘情况频繁出现且故障代价高昂。
* **“利基”之争：** 讨论涉及了专用模型与通用模型的可行性。支持者认为，对于机器人而言，小型、本地运行的专用模型优于庞大且依赖云端的大型语言模型（LLM），因为前者具有更低的延迟、更高的成本效益和更好的隐私保护。
总体而言，虽然社区看到了 Mistral“具身智能”战略的潜力，但在模型可供更广泛测试和进行现实世界验证之前，许多人仍持怀疑态度。
我们的网站安全防护已触发拦截。如果您认为这是误判，请发送电子邮件至 [email protected]。请注明您是如何访问此网页的，并附上页面底部的 Cloudflare Ray ID。 Cloudflare Ray ID: a17fd09efefb3e35 返回 The Atlantic
《大西洋》杂志近期刊登了一篇文章，提出“阅读时代”可能只是历史上的暂时性异常，这在 Hacker News 上引发了激烈辩论。许多评论者认为，阅读并未消亡，而是在演变；尽管传统书籍的阅读量有所下降，但人们在数字平台上阅读的文字量比以往任何时候都多。
此次讨论凸显了几个核心议题：
* **“注意力危机”：** 许多参与者承认，社交媒体、短视频以及基于通知的生活方式削弱了他们进行深度、持续专注的能力。用户分享了“重拾”注意力的成功策略，例如参加读书会、卸载社交媒体，或使用电子阅读器来替代手机使用习惯。
* **重新定义读写能力：** 关于“阅读”是否必须指代实体书，各方争论不休。文章的批评者认为，将“阅读”与“读（实体）书”混为一谈属于精英主义，并指出技术文档、文章甚至字幕都是有效的阅读形式。
* **教育隐忧：** 另一些人对阅读理解能力下降的报告表示深切担忧，例如学生难以分析复杂句子或将隐喻进行字面解读，他们认为这是教育体系的失败。
最终，该社区在哀叹“深度”接触的丧失者与拥抱高效信息获取新方式者之间，依然存在分歧。
请启用 JavaScript 和 Cookie 以继续。
Cloudflare 正在开发 **Meerkat**，这是一项内部分布式共识服务，旨在管理全球控制平面的状态。在 330 多个数据中心之间管理数据，要求系统即使在网络链路故障或波动时，也能保持高容错性和强一致性（线性一致性）。 常见的共识算法（如 Raft）在不可预测的广域网中往往表现不佳，因为它们依赖于单一领导者。如果该领导者发生故障或出现网络降级，整个系统就会阻塞，直到选出新的领导者——而在全球性环境中，这一过程往往会受到不可靠超时的阻碍。 为了解决这个问题，Meerkat 使用了 **QuePaxa**，这是一种消除了对稳定领导者要求的共识算法。在 QuePaxa 中，任何副本都可以提出写入请求，只要大多数副本可达，系统就能持续运行。这种设计避免了“超时的暴政”，防止了全系统的瓶颈，使其对于互联网不可预测的延迟具有更强的弹性。 虽然 Meerkat 由于需要全球共识的往返次数而产生更高的延迟，但它非常适合处理关键的控制平面数据。Meerkat 目前处于开发阶段，正被内部用于提高系统可靠性，并将成为未来研究更新的主题。
Cloudflare 最近发布了一篇博客文章，介绍了基于 QuePaxa 协议（该协议于 2023 年 SOSP 会议上提出）的分布式共识服务“Meerkat”。与 Raft 等基于领导者的协议不同，QuePaxa 是异步且无领导者的，旨在不依赖超时机制的情况下保持活性。
然而，Hacker News 社区对此反应冷淡，持怀疑态度。批评者认为该文章过于模糊，未能阐明 Meerkat 相比现有无领导者协议（如 Paxos 的变体）有何优势，且缺乏关于其实际生产性能的细节，并指出它目前仅是一个概念验证。许多评论者认为该文章更侧重于“营销包装”和人工智能生成的趋势，而非技术实质。
工程师们强调，虽然底层的 QuePaxa 研究因其在应对波动网络条件方面的能力而引人注目，但其实现难度极大，且容易出现难以察觉的故障模式。另一些人指出，该文章未能解决全局、可线性化共识中固有的重大性能权衡问题。总的来说，社区认为该公告发布得为时尚早，建议 Cloudflare 在声称该协议具有实际用途之前，应提供更多的技术透明度和经过生产环境验证的数据。