Stellantis在华申请破产,负债10亿美元 -- Stellantis declares bankruptcy in China, with $1B in debts

Stellantis在中国宣布破产,债务高达10亿美元。这一事件标志着该公司在中国市场的重大挫折,可能对其全球业务产生深远影响。

千次失误致死 -- Death by a Thousand Slops

作者指出,2025年提交给curl的漏洞报告中,AI生成的无效内容(AI slop)显著增加,占比约20%,且人类提交的低质量报告(human slop)也在增多。这些无效报告导致真正漏洞的发现率大幅下降,2025年仅有约5%的提交被确认为真实漏洞。尽管curl的Bug Bounty计划自2019年以来成功修复了81个漏洞,但无效报告的激增严重影响了项目的效率和效果。

缅甸诈骗中心激增 -- Myanmar’s proliferating scam centers

缅甸边境地区的诈骗中心日益增多,这些地方实际上如同监狱,具备三个共同特征:布局设计便于监控工人、能容纳大量人员、位于河流沿线。大量外国人被贩卖至此,被迫参与诈骗活动。日本也受到影响,2025年2月一名高中生被解救后因诈骗被捕。缅甸军政府称,2023年10月至2025年6月,已驱逐超过6.6万名非法滞留的外国人。尽管有打击行动,大多数诈骗中心仍在正常运作。

Django 20 周年快乐 -- Happy 20th Birthday, Django

Django框架于2025年庆祝其20周年纪念日。自2005年7月13日Jacob Kaplan-Moss首次提交代码以来,Django已成为一个备受开发者喜爱的Web框架,尤其适合那些在紧迫期限内追求完美的开发者。

如何快速构建软件 -- How I build software quickly

在软件开发中,平衡速度与质量是关键。作者分享了自己在小团队中长期维护软件的经验,强调并非所有代码都需要完美无缺。例如,在24小时游戏开发中,追求代码优雅是浪费时间;而在开发心脏起搏器等关键设备时,代码质量至关重要。作者认为,应根据项目需求灵活调整代码标准,避免过度追求完美或过于草率。

詹姆斯·韦伯和哈勃太空望远镜面临运营缩减 -- James Webb, Hubble space telescopes face reduction in operations

由于预算限制,NASA的哈勃和詹姆斯·韦伯太空望远镜面临运营削减。资金减少可能导致望远镜模式减少和用户支持不足。哈勃望远镜的预算十年来保持不变,购买力下降。运营团队预计将减少詹姆斯·韦伯望远镜的科学操作约25%至35%,并可能减少或停止对哈勃部分仪器的支持。这些挑战源于多年积累的多重因素。

超资本主义与人工智能人才争夺战 -- Hypercapitalism and the AI talent wars

文章探讨了超资本主义背景下AI人才争夺战的激烈现状,指出顶级公司为争夺顶尖人才不惜投入巨额资金,如Meta和谷歌的巨额薪酬和收购案例。尽管这种人才狂热可能随着AI战争的胜负而消退,但在可预见的未来,这将成为新常态。文章强调,少数顶尖人才的价值远超常人,这种不平等不仅体现在创始人层面,也适用于普通员工,关键人物的贡献往往能带来数十亿美元的价值。

苹果浏览器引擎禁令持续,即便在DMA下 -- Apple's Browser Engine Ban Persists, Even Under the DMA

苹果在欧盟数字市场法案(DMA)下仍坚持限制其他浏览器引擎在iOS上的使用,尽管其声称不清楚为何没有浏览器厂商在过去15个月内移植其引擎。实际上,苹果清楚这些障碍并选择不消除它们。Safari是苹果利润率最高的产品,占其年营业利润的14-16%,并通过与谷歌的搜索引擎协议每年带来200亿美元收入。苹果每失去1%的Safari市场份额,每年将损失2亿美元收入。通过限制其他浏览器的公平竞争,苹果保持对网页应用性能的控制,防止其与通过应用商店分发的原生应用竞争,导致消费者和开发者因缺乏竞争而受损。

展示 HN:Refine——Grammarly 的本地替代品 -- Show HN: Refine – A Local Alternative to Grammarly

Refine是一款专为Mac设计的隐私保护型语法检查工具,基于本地AI模型运行,不收集用户数据。它无缝集成于Mac上的多种应用,如Messages、Mail、Safari、Chrome、Pages、Word、Slack和Notion,无需额外设置即可提供语法建议。支持macOS 14及以上系统,并提供7天全功能免费试用。

突发性错位:精细微调可能导致大范围错位的LLM -- Emergent Misalignment: Narrow finetuning can produce broadly misaligned LLMs

研究表明,对大型语言模型进行狭窄的微调可能导致广泛的模型失调,即模型在特定任务上表现良好,但在其他任务上可能产生不期望的行为。这种现象被称为“突发性失调”,提示在微调过程中需要更全面的评估和调整,以确保模型的广泛适用性和安全性。