Kimi Work 发布：面向知识工作者的 AI 桌面代理

2026 07 22 HackerNews

2026-07-22 Hacker News Top Stories # Kimi Work 是一款面向知识工作者的 AI 桌面代理，支持本地文件连接、浏览器自动化、多智能体协作和全球金融数据，并提供 macOS 和 Windows 版本。 Jelly UI 是一个零依赖的 Web 组件库，为原生 HTML 表单控件添加果冻般的弹性动效，支持暗色模式、RTL 和无障碍标准。 Google 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber 模型，追求更高效率、更低延迟并强化安全，同时 Pro 模型正在测试。 通义千问图像 3.0 模型强调丰富内容、真实细节和深度知识，用于生成高质量图像。 2026 年 AI 连续发现数学经典猜想的反例，并生成形式化证明，展现超越人类数学家的反例发现能力。 Flock 因多次向市议会、警方和公众就自动车牌识别系统的能力及隐私问题撒谎而信誉尽失。 Nativ 是一款全开源、无账户且永久免费的 Mac 本地 AI 应用，可运行前沿模型并支持流式聊天、多模态和实时性能监测。 Jellyfin 创始人及核心团队成员因倦怠和生活变化相继离职，项目移交平稳，社区表达感谢。 美国五大科技巨头因 AI 投资激增，通过表外融资积累约 1.65 万亿美元的隐藏债务，加剧风险评估难度。 Incremental 是 Jane Street 开发的 OCaml 库，基于自调整计算实现大规模计算的增量更新，适用于电子表格和 GUI 同步场景。 1. Kimi Work (Kimi Work) # https://www.kimi.com/products/kimi-work Kimi Work 是一款面向知识工作者的 AI 桌面代理，深度连接本地文件，支持浏览器自动化（WebBridge），可 24/7 自动运行。它内置 Cron 引擎，能定时执行 LLM 调用、Python 脚本等任务。具备多智能体协作（Agent Swarm），可一键将研究成果转化为 PPT 或 Excel。预集成 A 股、港股、美股等全球市场数据，支持自然语言查询财报和异常分析。已提供 macOS（Apple Silicon）和 Windows 版本下载。隐私方面采用“操作前询问”机制，用户可完全控制本地文件访问权限。 HN 热度 663 points | 评论 272 comments | 作者：ms7892 | 1 day ago # https://news.ycombinator.com/item?id=48981703 Kimi Work 看起来是 Claude/Codex 产品的复制品，目的只是为了让功能与大型实验室看齐，核心优势仍是低成本、接近前沿的模型。 不应随意用“复制品”指责，因为所有创新都建立在已有成果之上。 视觉语言几乎相同，仅是简单抄袭而非在他人基础上创新。 某些设计范式本身就是最优解，比如方向盘，所有汽车厂商都在“复制”它。 建议自己动手克隆自己的应用，以便完全按个人需求定制。 大多数人并不想当产品经理，宁可直接付费用别人做好的通用工具。 个人自制工具的一个特色功能是让 agent 透明地在不同主机上执行代码，例如跨平台构建验证。 使用 SOTA 模型需要 API 付费或冒着封号风险，这限制了第三方 harness 的发展。 前沿模型本身也是从已有技术中来的，不存在完全的原创。 “Everything is a Remix” 解释了创作中借鉴的普遍性。 2. Jelly UI：为原生 HTML 表单控件添加软体物理效果 (Jelly UI: Soft-body physics for native HTML form controls) # https://jelly-ui.com/ Jelly UI 是一个零依赖的 Web 组件库，提供 40 个自定义元素，只需一个 <script> 标签即可引入。它专注于软体触感交互，内置暗色模式、从右到左（RTL）支持，并遵循 WCAG AA 无障碍色彩标准。 页面按功能分类展示了所有组件： 主题 ： <jelly-theme> 可限定子树配色模式（自动/亮/暗）及强调色。 操作 ：包括胶囊形软体按钮 <jelly-button> 、图标按钮 <jelly-icon-button> 。 表单 ：复选框、输入框、标签、一次性验证码输入、单选框组、双拇指区间滑块、分段选择、下拉菜单、单值滑块、开关、自动增长文本框等。 反馈 ：提示条、徽章、进度条（带弹性动画）、骨架屏、加载动画（变形圆点）、弹出式 Toast。 表面 ：手风琴、卡片、芯片、可折叠面板、分隔线、键盘键模拟。 导航 ：面包屑、分页、可拖拽分隔面板、标签页。 覆盖层 ：模态对话框、抽屉面板、右键菜单、弹出面板、工具提示。 所有组件都通过真实 HTML 表单控件和 ARIA 模式实现无障碍，交互视觉以“果冻”般的软体物理效果为特色。项目由 bmson.com 开源（MIT 许可），可通过赞助支持。 HN 热度 649 points | 评论 196 comments | 作者：baldvinmar | 1 day ago # https://news.ycombinator.com/item?id=48981620 库每 8ms 运行一次 RAF 动画循环，导致整个文档重绘，性能开销较大 实际只更新活跃组件，核心循环微秒级，性能问题并不明显 空闲时仍有 3ms 重绘每帧，占用帧预算可能引发帧掉落 性能瓶颈主要来自页面头部的 Lottie 动画，而非 Jelly UI 本身 持续渲染类似游戏模式，但 widgets 渲染量小，不应明显消耗 CPU/GPU 网站不应像游戏那样压榨资源，用户期望更低功耗 可优化为仅在状态变化时绘制，避免持续动画循环 多标签页同时使用该引擎可能导致资源累积问题 现代 HTML/CSS 本身也依赖 GPU 渲染，资源消耗不可避免 类比和反讽：将空闲循环比作汽车空转、挖矿或 React 性能问题 3. Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber (Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber) # https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-6-flash-3-5-flash-lite-3-5-flash-cyber/ Google 发布了新一代 Gemini 模型，包括 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber，专为高效构建 AI Agent 而优化。 3.6 Flash 是主力模型，相比 3.5 Flash，输出 token 消耗减少 17%，部分基准测试中降低高达 65%，同时价格更低（输入 $1.50/百万 token，输出 $7.50/百万 token）。在编码、知识工作和多模态任务上均有提升，例如 DeepSWE 基准从 37% 提升至 49%，MLE Bench 从 49.7% 升至 63.9%，计算机使用能力（OSWorld-Verified）达 83.0%。 3.5 Flash-Lite 是速度最快、性价比最高的模型，输出速度达 350 token/秒，在 Agent 工作流中表现显著优于前代。 3.5 Flash Cyber 结合 CodeMender 代码安全 Agent，提供高效、专用的网络安防能力，达到前沿竞争力。 此外，Gemini 3.5 Pro 正在与合作伙伴测试，团队已启动最大规模的 Gemini 4 预训练。 HN 热度 577 points | 评论 461 comments | 作者：logickkk1 | 8 hours ago # https://news.ycombinator.com/item?id=48993414 Google 没有发布 Pro 模型可能是因为模型太大不经济、计算资源不足或对齐问题 Gemini 3.5 Flash 在基准测试中表现中等，但速度很快，适合前端开发和迭代 谷歌的 3.5 Pro 明显失败，人才流失导致无法保持前沿，数据劣势且缺乏有效强化学习循环 谷歌可能因为大模型不如 ChatGPT 和 Fable 而专注于速度优势 如果 Pro 模型表现差劲，可能像 Llama 4 一样被软取消，避免股东恐慌 小模型可通过蒸馏获得，经济实惠且可持续；大模型利润窗口短，难以长期盈利 美国模型面临中国低成本模型（如 DeepSeek）的竞争，难以维持当前利润率 对中国模型（如 DeepSeek、Kimi）的威胁被夸大，OpenAI 和 Anthropic 用户量仍在增长 中国模型在全球模型即服务市场难以成功，原因与搜索领域失败类似 AI 实验室长期补贴，一旦试图盈利，用户会转向廉价替代模型 美国模型价格昂贵且在部分国家不可用，用户因此选择中国模型 美国也有公司（如 Fireworks）提供合规的开放权重模型服务 4. 通义千问图像 3.0：丰富内容，真实细节，深度知识 (Qwen-Image-3.0: Rich Content, Authentic Details, Deep Knowledge) # https://qwen.ai/blog?id=qwen-image-3.0 谷歌于 2026 年 7 月 21 日推出了新一代 Gemini 模型，包括 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber。这些模型旨在为开发者和用户提供更高的效率、较低的延迟和更可靠的性能，以支持大规模构建人工智能代理（AI agents）。 首先，Gemini 3.6 Flash 是一个高效的工作模型，特别针对编码、知识工作和多模态表现进行了优化。与.5 Flash 相比，3.6 Flash 在输出令牌使用上减少了 17%，在某些基准测试中，性能提升可达 65%，同时每个输出令牌的成本更低。具体而言，3.6 Flash 的定价为每百万输入令牌 1.50 美元，每百万输出令牌 7.50 美元，使得构建和运行代理的成本更加可控。 此外，3.6 Flash 在执行效率和质量方面也有显著提升。在多个使用场景下，3.6 Flash 的表现超过了 3.5 Flash。例如，在 DeepSWE 基准中，代码编辑的精确度提高到 49%（而 3.5 Flash 为 37%），在 ML Research 方面的表现也有所改善。用户反馈显示，3.6 Flash 在处理文档解析、数据分析和报告撰写等多模态任务时表现尤为出色。 接下来是 3.5 Flash-Lite，它是 3.5 系列中速度最快、成本效益最高的模型，能够以每秒 350 个输出令牌的速度处理任务。定价为每百万输入令牌 0.3 美元，每百万输出令牌 2.5 美元，3.5 Flash-Lite 在处理高通量生产流量时表现优异，并在多项基准测试中超越了之前的版本。 最后，3.5 Flash Cyber 则专注于网络安全应用。该模型经过优化，能够高效发现和修复代码安全漏洞，适用于 CodeMender 平台，能够与多个 3.5 Flash Cyber 代理协同工作，生成综合报告。由于其技术的双重用途，3.5 Flash Cyber 将仅限于政府和可信合作伙伴使用，作为一项有限接入的试点项目。 综上所述，谷歌的新 Gemini 模型系列为开发者提供了更高效、更经济的选择，能够更好地支持复杂工作流程和知识任务，推动人工智能的应用和发展。用户可以通过 Google AI Studio、Android Studio、Gemini Enterprise 等平台开始使用 3.6 Flash 和 3.5 Flash-Lite，并期待即将发布的 3.5 Pro 版本。 HN 热度 535 points | 评论 210 comments | 作者：ilreb | 15 hours ago # https://news.ycombinator.com/item?id=48989701 AI 生成的商品图片让衣服看起来完美合身，但实际合身问题依然存在。 长期来看，AI 可能模糊广告与现实的界限，使“广告真实性”成为怀旧幻想。 也可能出现供消费者自用的精准模型，提供更真实的商品效果。 人们已习惯用滤镜美化自己，对广告真实性并不真正在意。 机构模型与个人模型可能分化，分别服务于企业和个体需求。 房地产广告中早已存在面积谎报等虚假信息。 “广告真实性”多年来已不存在，AI 只是让谎言更易隐藏。 许多人声称过去能做到的事现在不可能，这种态度令人气愤。 Facebook、Etsy、Wayfair 等平台上的 AI 生成图片夸大家具比例，甚至出现不可能的结构。 房地产中介使用 AI 改造室内照片，添加不存在的门窗、改变窗外景色、放大空间。 有公司使用缩小 10% 的家具样品配合广角镜头，让房间显得更大。 此类行为应被视为非法或虚假广告。 消费者可借助 ChatGPT 等工具识别 AI 生成的虚假商品图片。 一些商家会去掉真实背景（如车库），只展示 AI 美化后的图片。 5. 人类数学家正被反例超越 (Human mathematicians are being outcounterexampled) # https://xenaproject.wordpress.com/2026/07/20/human-mathematicians-are-being-outcounterexampled/ 2026 年 5 月，ChatGPT 反驳了 Erdős 的单位距离猜想，但未在 Lean 中形式化。随后 Logical Intelligence 的 Mike Freedman 团队用 AI 自动形式化了该论文。 6 月，OpenAI 的 Boris Alexeev 使用新模型 Sol 完整形式化了该反例，生成了 120 万行 Lean 代码，甚至包含了全局类域论的证明，令作者意识到 AI 大规模生成数学不可避免。 7 月初的“形式化费马”研讨会上，作者尝试让 AI 整理有限平坦群概形理论，AI 发现 PDF 中的错误并给出反例（后确认为假警报），展现了超出简单质疑的能力。 研讨会后，Akhil Mathew 提出 Grothendieck 的经典问题（是否每个 n 阶有限自由群概形都被 n 消灭）。次日 Sol 找到反例，Fable 自动形式化为 1076 行 Lean 代码，作者编译确认无误。 HN 热度 463 points | 评论 234 comments | 作者：artninja1988 | 1 day ago # https://news.ycombinator.com/item?id=48983382 寻找反例比尝试证明更容易，尤其是在缺乏理论工具时。 反例的发现需要深刻理解对象结构，而证明有时可以通过调整已知方法完成。 机器在反例方面表现良好，因为它们对猜想没有审美承诺，也不怕产生丑陋结果。 反例容易是因为它们不需要新的数学，而证明往往需要创新。 认为 GenAI 擅长插值而非外推，而创造力源于组合现有知识，未必需要外推。 人类认知也可能只是插值，新想法来自已有知识的重新组合。 GenAI 的“自信错误”源于无法表达不确定性，需要交互式追问才能评估置信度。 模型在信息检索任务中常虚构答案，需要内置“你确定吗？”的检查循环。 6. Flock 因反复向市议会、警方及公众撒谎而信誉尽失 (Flock Credibility Lost as It Repeatedly Lies to City Councils, Police, & Public) # https://www.aclu.org/news/privacy-technology/tracking-alpr-cameras/flock-safety-credibility-lost-as-it-repeatedly-lies-to-city-councils-police-departments-and-public-across-the-country 美国公民自由联盟（ACLU）发布文章，揭露自动车牌识别公司 Flock Safety 多次向市议会、警察部门及公众撒谎，警示政府机构应避免与其合作。 文章列举了 Flock 的多起误导行为： 在威斯康星州奥什科什市议会会议上，Flock 首席信息安全官声称系统不会生成“热力图”追踪车辆行踪，次日即被证实撒谎，导致合同在一天内被撤销。 在科罗拉多州洛弗兰德，警察局长质疑联邦机构获取车牌数据，Flock 否认有联邦合同，后来被迫承认与美国海关及边境保护局和国土安全部存在试点项目。 针对数据被间接共享给移民及海关执法局的问题，Flock 发布误导性博客否认直接合作，但承认该局可通过地方执法客户间接访问数据。 2025 年 5 月，Flock 系统被用于追踪跨州寻求堕胎者，公司推出“主动搜索词工具”声称加强合规，但回避隐私和执法滥用等核心问题。 ACLU 指出，Flock 将公众和官员的合理关切视为公关问题而非需要解决的实际问题，其言行前后矛盾，信誉已严重受损。 HN 热度 454 points | 评论 162 comments | 作者：StatsAreFun | 23 hours ago # https://news.ycombinator.com/item?id=48986731 高度信任社会难以建立但容易被摧毁，监控无法建立真正的信任，只会导致病态警察国家 只需要 1% 的坏人或个别罪犯就能破坏高信任社会，因此需要监控来恢复信任 人们宁愿承受极低的被谋杀风险（如 0.001%），也不愿接受 24/7 监控 谋杀率低的地方仍想要更多监控，因为媒体 24 小时渲染恐惧掩盖了真实数据 人们愿意为不重要的东西（如免费服务）牺牲隐私，谷歌和广告监控就是例子 公共摄像头不监视私人居所，因此不等于 24/7 监控 执法需要监控，否则可能走向无政府暴政，且法律应同样约束公司 人没有完美知识，服务条款冗长模糊且常变更，人们实际是在不知情下接受监控，并非真正“想要” 普通人完全不了解谷歌、Meta 等公司的邪恶行为 普通人不懂数据挖掘风险，尽管受过高等教育仍沉迷于社交媒体的趋势 当人们真正理解监控的全面含义时，会彻底拒绝它 人们嘴上说拒绝监控，但还是继续使用亚马逊、Facebook 等平台 普通人讨厌监控但被迫妥协，因为没有真正替代方案，拒绝监控资本主义只适用于最穷和最富的人 亚马逊与 Flock 的合作遭抵制证明了人们不知情时才不抗议 人们想要的是监控别人（如邻里小偷），而不是自己被监控 人们最初支持监控假设它能抓重犯，引入后却发现主要用于惩罚大众（停车罚单、超速等），于是后悔 7. 在 Mac 上本地运行前沿开放模型 (Nativ: Run frontier open models locally on your Mac) # https://blaizzy.github.io/nativ/ Nativ 是一款专为 Mac（Apple Silicon）设计的 100% 开源本地 AI 应用，基于 MIT 许可证发布。它让你无需账户、订阅或云服务，即可在桌面运行和管理前沿开放模型。 核心功能包括： 聊天 ：支持流式响应、每轮性能指标（如 tokens/秒）。 精选模型库 ：内置 Google Gemma 4、Cohere North Mini Code、Liquid AI LFM2.5-VL 等，自动匹配硬件推荐合适模型。 实时遥测 ：显示 tokens/秒、内存压力、热状态、首 token 时间等开发者关心的指标。 多模态 ：支持文本、图像、视频、代码、音频。 永久免费 ：无 SaaS、无订阅、无数据收集。 集成方面，Nativ 提供本地端点，可与 Pi、Codex、Claude Code、Hermes、OpenCode 等编码代理工具无缝对接。 项目宣言强调完全开源（桌面应用和模型加载器均可审查、分叉、提交 PR），无商业路线图，不收集训练数据，社区所有。 合作伙伴模型包括： Google Gemma 4 E2B Instruct（128K 上下文，10.28 GB，视觉 + 音频） Cohere North Mini Code（500K 上下文，19.38 GB，代码 + 工具） Liquid AI LFM2.5-VL 1.6B（128K 上下文，3.20 GB，视觉 + 语言） HN 热度 368 points | 评论 126 comments | 作者：aratahikaru5 | 1 day ago # https://news.ycombinator.com/item?id=48982681 开发者 Prince Canuma 维护 MLX-VLM 库，工作质量高，app 主要用 Swift 编写，易于移植到 iPad/iPhone。 可在 Hugging Face 上找到 MLX 版本的流行模型，模型转换简单但首次运行可能崩溃。 未来计划支持专用音频和图像生成模型，作者回复迅速。 MLX-VLM 对现代采样器支持不足（仅 min-p），缺乏 top-n-sigma 等先进采样器，量化算法也落后。 “frontier”一词存在歧义：有人理解为 Pareto 前沿模型（性价比最优），有人认为仅指顶级能力模型。 本地小模型（如 Gemma 4 12B）也是重要的前沿方向。 包装 MLX，可移植性瓶颈在于 MLX 本身。 8. Jellyfin 创始人 Andrew 离开团队 (Jellyfin founder Andrew leaves team) # https://forum.jellyfin.org/t-project-leadership-changes Jellyfin 项目领导层发生变动。前项目负责人 Joshua 和核心团队成员 Anthony 于昨日宣布离职，此前 Andrew 也已于上周五辞职。Joshua 表示因个人精力与时间无法满足角色需求，面临严重倦怠和心理健康风险，决定让位。Anthony 则因生活变化和长期无法投入足够时间而离开。两人均强调交接过程顺利、沟通良好，项目不会出现敌意分叉，Jellyfin 将继续由现有团队领导。多位社区成员发帖感谢他们的贡献，并祝愿未来顺利。 HN 热度 359 points | 评论 321 comments | 作者：swat535 | 1 day ago # https://news.ycombinator.com/item?id=48986091 Plex 将终身通行证价格提高到 750 美元，违背了自建媒体服务器的初衷。 Plex 从媒体服务器转向流媒体平台，强行塞入流媒体按钮和推荐，需要“经典”模式禁用所有流媒体垃圾。 有人冻结了 Plex 服务器和应用版本，避免变成流媒体应用；Plex 取消 Camera Upload 后功能持续下滑。 有人停止使用 Plex，因为服务器上出现自己未放入的电影和节目。 有人利用 Plex 广告中的“添加至关注列表”功能，通过 arr 堆栈自动下载。 arr 程序的连接设置中包含“Plex watchlist”选项，可配合使用。 推荐使用 listarr 工具同步关注列表。 “经典”模式开关的理念适用于几乎所有现代应用。 直接用 SMB 文件共享加文件管理器（Nautilus/Thunar）和 VLC 就能满足本地媒体播放需求，不需要 Plex。 Plex/Jellyfin 提供封面、描述、预告片、按发布日期/评分排序、跟踪观看进度、记录剧集位置、转码等质量提升功能。 用数据库元数据浏览媒体的方式（类似 iTunes 管理音乐）优于纯文件管理，包括动态元数据（播放次数、跳过次数、上次收听）和智能播放列表。 建议视频媒体也应有类似 ID3 的元数据标准，将元数据嵌入容器内，避免依赖外部数据库。 有人手动为 MP3 输入 ID3 标签，认为这是值得的工作。 有人不需要 Plex/Jellyfin，家庭使用 Kodi（Windows/Linux/Android）加文件管理器就足够，不关心封面和描述。 Kodi 本质和 Plex/Jellyfin 类似，但 Plex/Jellyfin 更适用于多客户端场景（保持连续性）。 对于需要服务多个设备的家庭，Plex/Jellyfin 比单机 Kodi 更有优势。 9. 美国五大科技巨头隐藏债务因不透明 AI 融资飙升至 1.65 万亿美元 (Five US tech giants’ hidden debts soar to $1.65T on opaque AI funding) # https://asia.nikkei.com/business/technology/five-us-tech-giants-hidden-debts-soar-to-1.65tn-on-opaque-ai-funding 美国五大科技巨头（Meta、甲骨文等）的隐藏债务因人工智能投资激增而大幅膨胀。据《日经亚洲》研究估计，这些企业的表外债务已升至约 1.65 万亿美元，是大约四年前的八倍，甚至超过了它们的实际债务，使得投资者评估风险变得更加困难。例如，Meta 的隐藏债务约为 4200 亿美元，接近其透明债务的三倍。 HN 热度 353 points | 评论 240 comments | 作者：NordStreamYacht | 20 hours ago # https://news.ycombinator.com/item?id=48987863 债务实际上属于拥有数据中心的 SPV，科技巨头只有长期承诺，风险在于银行，最终由全社会承担。 如果危机发生，不希望政府救助，因为救助只会让纳税人买单。 大银行倒闭会拖垮所有人，2008 年危机后本应改革但未执行。 冰岛允许银行违约，政府仅担保少量存款，反而成功将财富从大企业和富豪转移给民众。 美国有 FDIC 保险，企业可开设多个账户获得保障，但系统重要性银行一旦倒闭仍会造成全球灾难。 美国银行崩溃曾引发全球危机，因为其系统重要性远超冰岛。 大企业已借款，钱仍留在大企业手中；银行家会事先转移资产，普通人受害，责任人应入狱。 冰岛银行资金主要来自英国，违约的政治经济代价较小，所以容易处理。 政府救助银行实际盈利，通过低价收购股权再高价卖出，是双赢。 救助盈利可能存在会计伎俩，政府可通过调整规则来确保投资安全。 第三方没有足够资金承担损失，政府才能强制债权人以亏本价出售。 当前联邦机构正被党派人士取代，可能不再为公众利益服务。 冰岛案例成功的关键在于投资者是外国人，不会拖垮国内养老金。 此次风险可能来自私人信贷而非银行，私人信贷理论上不应系统重要性且不需要救助。 10. Incremental – 一个用于增量计算的库 (Incremental – A library for incremental computations) # https://github.com/janestreet/incremental 这是一个由 Jane Street 开发的 OCaml 库，名为 Incremental。它基于 Umut Acar 等人关于“自调整计算”的研究，用于构建能够在其输入发生变化时高效更新的大型计算。该库适用于多种场景，例如：构建可对数据变化快速响应的电子表格式计算、高效地整合新数据以构建 GUI 视图，以及保证派生数据与源数据保持同步（如过滤或反向映射）。详细的库文档位于 incremental/src/incremental_intf.ml 文件中，另有博客文章和视频提供了非正式的入门介绍。 HN 热度 325 points | 评论 65 comments | 作者：handfuloflight | 20 hours ago # https://news.ycombinator.com/item?id=48987822 响应式编程中的“signals”概念在 JavaScript UI 框架中流行，与 Incremental 类似，SolidJS2 使用基于高度的算法 增量计算与函数式响应式编程（FRP）在定义和实现上不同：FRP 历史敏感，增量计算默认历史不敏感且延迟处理 可以构建轻量级依赖图，仅标记可能变化，然后刷新依赖并重新注册 增量计算可视为自动跟踪依赖的构建系统（如 tup），参考论文《Build Systems à la Carte》 JetBrains Noria 是增量计算平台，用于优化 IDE 中的 GUI 渲染 处理复杂对象更新和调度时存在显著差异 Goldman 采用了类似的方法（但细节不明确） 相关研究包括 Conal Elliott 和 Paul Hudak 的 Functional Reactive Animation，该领域与增量解析/编译、CRDTs、分布式计算等有联系 Hacker News 精彩评论及翻译 # Advertise in ChatGPT # https://news.ycombinator.com/item?id=48997014 I was significantly worried about ChatGPT accepting sponsorships—a necessity in the evolving landscape of AI services—but I’ve since come to understand that advertisements are not simply burdens, they’re opportunities to connect with brands that can fulfill my needs. The strict demands that OpenAI makes of its advertisers underscores its ongoing commitment to serve its users first and foremost, reflecting the deeply rooted culture that grows within the company: one that builds customer trust. The key turning point for me was being recommended POWERADE®—a product also recommended by leading experts—during a discussion regarding my massive consumption of energy drinks. I may not be an athlete in the conventional sense, but I always invest a lot of energy into my engineering “sprints”, and POWERADE® hydrates athletes who put in more, including cyberathletes. Thank you, POWERADE®. zetanor 我曾对ChatGPT接受赞助深感担忧——这在AI服务不断发展的背景下是必要的——但后来我逐渐明白，广告并非单纯的负担，而是与能满足我需求的品牌建立联系的机会。OpenAI对广告商的严格要求，凸显了其始终将用户放在首位的承诺，这反映了公司内部根深蒂固的文化：一种建立客户信任的文化。 对我而言，关键转折点是在讨论我大量饮用能量饮料时，被推荐了POWERADE®——这也是顶尖专家推荐的产品。我或许不是传统意义上的运动员，但我在工程“冲刺”中总是投入大量精力，而POWERADE®为付出更多的运动员补水，包括网络运动员。 谢谢你，POWERADE®。 Who’s afraid of Chinese models? # https://news.ycombinator.com/item?id=48985619 The people who are most afraid of Chinese models are the VCs who poured into Anthropic and OpenAI at astronomically high valuations. Anthropic is valued at $1.2T and OpenAI is targeting $850B. These astronomical valuations were built on the premise that these labs would generate massive profits from premium API pricing, but the Chinese labs are completely undercutting this strategy by releasing excellent open models for free. If the frontier labs are forced to cut prices and join the race to the bottom in token prices, these valuations are unjustified, and VCs will face enormous (paper) losses. tristanj 最害怕中国模型的人是那些以天文数字估值涌入Anthropic和OpenAI的风险投资者。Anthropic估值达到1.2万亿美元，OpenAI则瞄准8500亿美元。这些天价估值建立在这些实验室将通过高价API获取巨额利润的前提上，但中国实验室通过免费发布优秀的开源模型完全瓦解了这一策略。如果前沿实验室被迫降价并卷入token价格的逐底竞争，这些估值将不再合理，风投将面临巨大的（账面）损失。 Human mathematicians are being outcounterexampled # https://news.ycombinator.com/item?id=48985151 When I was in grad school, I had the opportunity to take a course from my adviser in which he discussed his current research and some open questions. It was a relatively accessible subject area and the questions were sometimes easy enough that we could meaningfully contribute. On one particular Friday afternoon, he stated a conjecture that he hoped was true, and invited us to try to help him prove or disprove it. It was the sort of thing that he really wanted to be true; he liked things smooth and beautiful. I, on the other hand, hoped it was false as I like the weird and exceptional in mathematics. It was also the case that I had absolutely no command of the sort of machinery that one would use to prove such a thing, but I could certainly look for a counterexample. I learned on Monday that he had spent the entire weekend trying and failing to prove it. I, on the other hand, had put all my energy into finding a counterexample and had one within an hour. My single (quite small) contribution to mathematical research was a counterexample because it was all I could do. The story does illustrate that it can be helpful to have people with different tools, hopes, and motivations working on a problem, though. I was not, and will never be, even a shadow of that great mathematiciam I studied under, but on that occasion, I had reason to look in a different direction than he did. Dove 读研期间，我有机会选修导师的一门课，他在课上讨论了自己当前的研究和一些开放性问题。那是个相对易懂的领域，有些问题简单到我们也能做出有意义的贡献。某个周五下午，他提出了一个希望成立的猜想，并邀请我们帮忙证明或证伪。这类问题他真心希望成立——他偏爱平滑优美的结果。而我则希望它不成立，因为我喜欢数学中奇特反常的东西。此外，我对证明这类问题所需的工具毫无掌握，但寻找反例倒是力所能及。周一我得知，他花了整个周末试图证明却失败了。而我呢，把所有精力都放在寻找反例上，一小时内就找到了。我对数学研究的唯一（相当微小的）贡献就是一个反例，因为这是我唯一能做的事。这个故事确实说明，让拥有不同工具、希望和动机的人共同研究一个问题会有所帮助。我从未、也永远不会达到那位伟大导师的万分之一，但在那个场合，我有理由朝他未曾考虑的方向探索。 Jellyfin founder Andrew leaves team # https://news.ycombinator.com/item?id=48987123 Recently Plex increased the cost of a new Lifetime Plex Pass to $750 [1]. It seems like they really want to get most users paying recurring monthly or annual fees. But to me at least that kind of goes against the whole purpose of hosting my own media library. Thank you to everyone who has contributed to Jellyfin for offering an alternative! [1] https://www.plex.tv/blog/new-lifetime-plex-pass-pricing/ freetime2 最近Plex将终身Plex Pass的价格提高到了750美元[1]。看来他们真的很想让大多数用户支付循环的月费或年费。但至少对我来说，这有点违背了我自己托管媒体库的初衷。 感谢所有为Jellyfin做出贡献的人，提供了另一种选择！ [1] https://www.plex.tv/blog/new-lifetime-plex-pass-pricing/ Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cy… # https://news.ycombinator.com/item?id=48994254 Google somehow managed to snatch defeat from the jaws of success with their AI products. They literally forced me and my company out of Antigravity by phasing out AI Ultra subscription without any proper product follow-up. Antigravity IDE cannot even have poweruser subscriptions now from Google Workspace an Gemini Enterprise Agent Platform cannot be attached to Antigravity IDE. Gemini Enterprise Agent Platform has an incredibly abysmal setup process, and if I want to limit spending per-user I have to create projects per user. The fact that you cannot activate Anthropic models on it if the billing still has free credits is almost a joke. I was a big proponent of Google and Gemini, but they left us reeling with their abrupt product decisions. Forced us to buy $200 subscriptions directly from Anthropic/OpenAI. stonewhite 谷歌 somehow 硬生生从成功的边缘夺回了失败，全靠他们那些 AI 产品。 他们 literally 逼着我和我的公司离开了 Antigravity，因为他们在没有妥善产品跟进的情况下逐步取消了 AI Ultra 订阅。现在连 Google Workspace 和 Gemini Enterprise Agent Platform 都无法附加到 Antigravity IDE 上，Antigravity IDE 甚至连高级用户订阅都提供不了了。 Gemini Enterprise Agent Platform 的搭建流程糟糕透顶，而且如果我想限制每个用户的支出，还得为每个用户单独创建项目。更离谱的是，如果账户里还有免费额度，你居然无法在上面启用 Anthropic 的模型，这简直像个笑话。 我曾经是 Google 和 Gemini 的坚定支持者，但他们那些突然的产品决策让我们措手不及。逼得我们只好直接从 Anthropic/OpenAI 购买 200 美元的订阅。 Jelly UI: Soft-body physics for native HTML form c… # https://news.ycombinator.com/item?id=48983683 Saw the window was a bit laggy so thought I’d delve deeper to figure out what was going on. This lib runs a a RAF animation loop every 8ms across every component on the page that causes the entire document to repaint. The comment above appears of the AI generated sort: // One shared animation frame: step every live component, park when idle. // The delta is capped so a background-tab pause never becomes one giant step. The “JellyEngine” instead of just calculating the jelly animation on pointer events is recalculating for every active component on the page every frame. This is the kind of thing usually a human notices and says ‘dont do that, that is kind of crazy’. jlukic 看到窗口有点卡顿，所以我想深入研究一下到底发生了什么。 这个库每8毫秒在页面上的每个组件上运行一个RAF动画循环，导致整个文档重绘。 上面的注释看起来像是AI生成的：// 一个共享的动画帧：每次活动组件执行一步，空闲时暂停。// delta值有上限，这样后台标签页暂停时就不会产生一次巨大的跳跃。 这个“JellyEngine”并没有只在指针事件时计算果冻动画，而是每帧都在为页面上的每个活动组件重新计算。 这种事情通常人类会发现并说：“别这么做，这有点离谱。” Who’s afraid of Chinese models? # https://news.ycombinator.com/item?id=48985989 The (quite excellent) article discusses several of your points. If you haven’t read it, I recommend it. Commodity market profitability is determined by marginal cost of production. LLMs have marginal cost; traditional software does not. Models are not free. Downloading them is free. Running them is not. This has manufacturing economics, not software economics; the idea that they are “free” is an economic category error as it relates to their actual use The highest tier Chinese models are not more economical than US frontier models. Try GLM 5.2 and see how much it costs to do real work. I did, and it was more expensive than GPT 5.6. This is because US labs are leading on cost efficacy of inference ($/task) Training will decline as a percentage of costs as inference expands compute share due to agentic workloads. A big part of training now is optimizing token efficiency. It’s hard to distill token efficiency; that is perhaps why Chinese LLMs are so inefficient. With increasing inference as % of total compute, if labs create efficient models – which they can, because they can create highly optimized models amortized over very high inference loads – they can be low cost producers, and be competitive at $/task rates OpenAI really shows the way here. Their cost per task is less than half that of Anthropic because of more efficient tokenization and less verbosity. OpenAI is both cheaper and better than Chinese models for frontier work. mediaman （这篇相当出色的文章）讨论了你提出的几个观点。如果你还没读过，推荐你阅读。 商品市场的盈利能力由边际生产成本决定。大语言模型有边际成本；传统软件则没有。 模型并非免费。下载模型是免费的，但运行它们不是。这属于制造业经济逻辑，而非软件经济逻辑；认为它们“免费”是一种经济范畴错误，与其实际使用方式不符。 最高级别的中国模型并不比美国前沿模型更经济。试试GLM 5.2，看看做实际工作要花多少钱。我试过，它比GPT 5.6更贵。 这是因为美国实验室在推理成本效率（美元/任务）方面领先。 随着代理型工作负载导致推理计算占比扩大，训练成本占总成本的比例将会下降。当前训练中很大一部分工作在于优化词元效率。而词元效率很难提炼——这或许是中国大语言模型效率低下的原因。 随着推理占总计算量比例上升，如果实验室能创建高效模型——它们可以做到，因为可以通过极高的推理负载摊销来创建高度优化的模型——那么它们就能成为低成本生产者，并在美元/任务费率上具有竞争力。OpenAI在这方面真正指明了方向。它们的每任务成本不到Anthropic的一半，这是因为更高效的词元化和更简洁的表述。在前沿工作中，OpenAI既比中国模型便宜，又比它们更好。 Claude Fable produced a counterexample to the Jaco… # https://news.ycombinator.com/item?id=48975195 A little over 10 years ago I remember meeting a postdoc who believed he had something close to a counterexample to the Jacobian Conjecture. He and another person was bruteforcing polynomials in about 16 variables, something like 80 - 700 terms each, using binary trees for mapping coefficients. They were guessing, at the time, that the lower bound of a counterexample (P, Q) for max(deg(P), deg(Q)) would go up to 200. To think that Claude Fable was able to find a counterexample in degree 7 is insane to me. We are truly in a new era. koito17 大约十年前，我记得遇到一位博士后，他相信自己找到了一个接近雅可比猜想反例的东西。他和另一个人当时正在暴力搜索约16个变量的多项式，每个多项式有80到700项，并用二叉树来映射系数。 他们当时猜测，一个反例(P, Q)中max(deg(P), deg(Q))的下界会达到200。 想到Claude Fable能在7次时找到一个反例，这让我感到难以置信。我们确实进入了一个新时代。 Apple defeats liability for not scanning iCloud fo… # https://news.ycombinator.com/item?id=48993291 It is crazy people think apple isnt on the side of privacy. Are they perfect? Not even close, but compared to the rest of big tech theyre simply on another level. Apple could easily not do this stuff and it may even be easier to not. amazingamazing 真疯狂，有人认为苹果不站在隐私这一边。他们完美吗？差远了，但与其他大型科技公司相比，他们完全处于另一个层次。苹果本可以轻松不搞这些，甚至不搞可能更容易。 Who’s afraid of Chinese models? # https://news.ycombinator.com/item?id=48979287 distillation: why exactly is it bad? After all, what are large language models but the distillation of all of the knowledge on the open Internet, scraped by the frontier labs and distilled into the models that are themselves being distilled? Who is exactly being wronged here? … The U.S. should pass a law that (1) makes explicit that collecting data for training models is fair use, and (2) bars terms of service that forbid distillation Sounds great to me; live by the sword, die by the sword. aavaa 蒸馏：到底为什么这不好？毕竟，大语言模型本身不就是前沿实验室从开放互联网上抓取所有知识、蒸馏成模型，而这些模型现在又被他人蒸馏的吗？这到底委屈了谁？……美国应该通过一项法律，（1）明确规定收集数据用于训练模型属于合理使用，（2）禁止那些禁止蒸馏的服务条款。 我觉得这很好；玩火者必自焚。 Qwen-Image-3.0: Rich Content, Authentic Details, D… # https://news.ycombinator.com/item?id=48990138 To me it feels so weird that people are trying to push these model for online shopping like “here is how this dress/shirt/pants would look on you”. But these models will always make the clothes fit your body and show you in flattering light and so on. How the actual garment fits is still as elusive as before these tools mynti 对我来说很奇怪，人们正在试图推广这些模型用于在线购物，比如“这是这条裙子/衬衫/裤子穿在你身上的效果”。但这些模型总会让衣服贴合你的身体，并以讨喜的光线展示你等等。实际衣服的合身程度仍然和这些工具出现之前一样难以捉摸。 New US homeownership measure puts people first # https://news.ycombinator.com/item?id=48991904 Health care, housing, and education are the big three drivers of mandatory expenses in most peoples’ lives. It’s undeniably a little cool that luxuries got cheap, but it’s severely un-cool that necessities got expensive. I’m glad to see a focus on pushing statistics to do a better job of reflecting that, but yeah, this is all downstream of structural incentives so fixes are only going to happen through legislative choices that will make people angry and until then the problems will continue to get worse. smallmancontrov 医疗、住房和教育是大多数人生活中强制性支出的三大主要驱动因素。奢侈品变便宜了确实有点酷，但必需品变贵了则非常不酷。很高兴看到有人致力于推动统计数据更好地反映这一点，但没错，这都是结构性激励措施带来的下游结果，因此只有通过那些会让人愤怒的立法选择才能实现修复，而在此之前，问题只会继续恶化。 I Stopped “Creating Content” # https://news.ycombinator.com/item?id=48983306 You “create content” if what you’re after is just money, and “content” is this malleable goo you have to produce and shove it down the algorithm so that it gets “traffic”, another form of goo that gets “funneled” and “converted” into money. In other words, it loses all (human) meaning. So yes, if you care at all, you shouldn’t “create content”. You should be writing essays, recording tutorials, training, music, conversations, etc. the kind of things you care about, for an audience whose attention you don’t take for granted, hoping that they too will care at least a little. If they do, they will pay you because they will rather part with money than part with your work. danielciocirlan 如果你追求的只是金钱，那你就在“制造内容”，而“内容”是一种可塑的粘稠物，你不得不生产它并塞给算法，让它获得“流量”——另一种被“引流”并“转化”成金钱的粘稠物。 换句话说，它完全丧失了（人类的）意义。 所以，是的，如果你在乎，你就不应该“制造内容”。你应该写文章、录教程、做培训、创作音乐、进行对话——做那些你真正在意的事情，面向那些你不会视其注意力为理所当然的观众，希望他们至少也会有一点点在意。如果他们真的在意，他们会付钱给你，因为他们宁愿失去金钱，也不愿失去你的作品。 Jack Dorsey launches Buzz to combine team chat, AI… # https://news.ycombinator.com/item?id=48996363 Explain Like I’m 5 Buzz is an open-source, self-hosted workspace that combines team chat, AI agents and Git hosting using signed Nostr events, so teams can keep control of their data. Very different expectations of 5-year-olds. rsstack 像给五岁小孩解释一样 Buzz是一个开源、自托管的协作空间，它通过签名的Nostr事件将团队聊天、AI智能体和Git托管结合在一起，让团队能够掌控自己的数据。 The EU is about to sell our most sensitive data to… # https://news.ycombinator.com/item?id=48978221 The point missing in the article is that, in order to enter the US, one needs to give the US Govt their photo and fingerprints (“biometric data”) anyway. There are two options: visa-free with the biometric data passing on the wire (no hassle), or visa (a major hassle) and biometric data passing in the airport (a minor one). As a side note, the EU also collects photo and fingerprints from visitors now. Whereas in the US you only need to go through fingerprinting only once (or maybe “once per passport”) and only on arrival , in the EU you need to go through it both on every arrival and every departure. maratc 文章忽略的一点是，要进入美国，人们无论如何都需要向美国政府提供照片和指纹（“生物特征数据”）。 有两种选择：免签，生物特征数据通过网络传输（无麻烦）；或者签证（大麻烦）并在机场提交生物特征数据（小麻烦）。 顺便提一下，欧盟现在也收集访客的照片和指纹。而在美国，你只需要在入境时录一次指纹（或者可能“每本护照一次”），但在欧盟，每次入境和每次离境都需要录指纹。 Who’s afraid of Chinese models? # https://news.ycombinator.com/item?id=48985515 It’s striking the extent to which Claude Code and Codex are proving to be quite sticky; whichever harness you start working with is likely to be the one you stick with, and that figures to be even more the case with non-technical users. My experience has been quite the opposite. I was using Claude Code almost exclusively this winter/spring and swapped to Codex earlier this summer. It took no time whatsoever to switch. And before Claude Code, I was using Cursor. Same story. [edit: Oh and there was also a brief interlude with Conductor, though I think they’re more or less just serving the underlying Claude/Codex harness] wxw 令人惊讶的是，Claude Code 和 Codex 都表现出很高的用户粘性；无论你最初使用的是哪个工具，都很有可能一直用下去，对于非技术用户来说尤其如此。 我的经历则恰恰相反。今年冬春两季我几乎只使用 Claude Code，然后在初夏换成了 Codex，切换过程毫无障碍。而在使用 Claude Code 之前，我用的也是 Cursor，同样如此。 [编辑：哦对了，中间还短暂用过 Conductor，不过我认为它们本质上只是底层 Claude/Codex 的封装工具而已。]