Hacker News 中文摘要

1993年我成为英伟达（NVIDIA）早期顾问，最近发现被欠约十亿美元股票。当年应黄仁勋（Jensen）邀入技术顾问委员会，九月获二万五千期权。此前与黄仁勋、柯蒂斯·普里姆（Curtis Priem）、克里斯·马拉乔斯基（Chris Malachowsky）在船屋会晤。一九九零年前后我与柯蒂斯在太阳微系统（Sun Microsystems）共事，其为SPARCstation GX架构师，太阳支持我Sense8 Corporation，我们将虚拟现实渲染移植到每秒五万多边形的GX，后用英特尔（Intel）i750 DVI实现双线性纹理映射。

微型人工智能竞技场（Tiny AI Arena）的排行榜与比赛历史页面显示，更新于凌晨2:16:59，共有43场匹配，其中43场已结束，0场进行中，0场中断，平均回合数10.3。排行榜依据已结束比赛计算Elo，所有模型初始为1000。目前排名第一的是claude-sonnet-5，Elo 1063，出场21次，胜9场，胜率43%，击杀23，造成伤害2620，承受1992，平均名次2.38；第二名claude-fable-5.1，Elo 1037，出场25次，胜8场；第三名grok-4.6，Elo 1030，出场29次，胜10场。

视窗（Windows）中存在一个与视频光盘（Video CD）相关的奇怪故障。复现方法为插入视频光盘（若没有可下载指定文件解压并用支持 bin+cue 映像的工具如 AnyBurn 刻录），打开资源管理器（Windows Explorer）将光盘内容复制到电脑，仅复制包含大多媒体文件的 MPEGAV 文件夹也可。典型结果是复制速度某时刻降至零并持续停滞。此时资源管理器处于损坏状态，关闭复制窗口并弹出光盘后看似正常但仍有问题。

最近一次简单的 Google 搜索，让我当场停住。要讲清楚，得先讲一个 2010 年代中期的小众篮球梗：2014 年，费城76人（Philadelphia 76ers）选中了当时在土耳其打球的达里奥·萨里奇（Dario Saric），他宣布先履行完土耳其的合同，两年内不会去美国报到，球迷就说他永远不会过来。最近我在一篇 NBA 文章里看到他的名字，想找回当年的搞笑推文，就搜了 hes never coming over dario，本以为会一无所获或翻出旧推文，Google 却照 2026 年的老样子给了我一个 AI 概览。

Go 语言（Go）有个好特性：用获取代码的位置给代码设命名空间。若托管在 GitHub（GitHub），导入路径就是 github.com/...，Go 会用 git 拉取。这便于报告开源库 bug，也便于分发，无需中心化包管理。但很多人直接用托管地址，会有缺点，应改用自有域名。主要问题是代码与托管商耦合：迁到 GitLab（GitLab）就得改代码，否则仍拉旧版本，切换成本高，最终被 GitHub 绑住。

大型语言模型在涉及自身问题时往往会添加“我只是一个AI”之类的免责声明。这类自我报告被用于AI安全或模型自我认知的辩论，其驱动因素尚不清楚。聊天模板如同开关，存在时会在8个流行开源指令模型（参数达9B）中调高免责声明语调、调低“我感到”等体验语调；不存在时则相反。在3个模型激活中，发现一个引导该行为的方向。

洛菲城市（Lofi Cities）呈现巴黎像素夜景，阁楼窗畔雨落，当地时间00:00。当前共有244人在线，124人在巴黎，今日9,995次访问，累计12,689次。城市游览可设自动换城，天气与声响随城变化，巴黎现时绘有灯下雨滴与雨声，亦可选飘雪、秋叶或清朗无雨。

2026年9月25日。十行代码，它们以各自的方式对我意义重大：有的出自我手，有的是我大段抄来的，有的让我发笑，有的让我落泪。第一段是 BASIC 里的 Hello World：10 PRINT "HELLO, WORLD!" 与 20 GOTO 10。作者已记不清第一次敲下它是什么时候，也记不清是否就是这个版本，也许少了逗号，也许多了几个感叹号。但计算机还是照办了，欢快地向世界问好，尤其是向那个第一次与计算机对话、瞪大眼睛的孩子问好。

周六夜现场（Saturday Night Live）的《周末更新》（Weekend Update）环节发布了一段视频，安斯罗匹克（Anthropic）的首席执行官达里奥·阿莫德伊（Dario Amodei）在节目中谈论人工智能对人类的威胁。这段视频标题为 Weekend Update: Anthropic CEO Dario Amodei on A.I.'s Threat to Humanity - SNL，由 Saturday Night Live 官方频道上传，当前播放量为 286,755 次，发布时间约 13 小时前。

Ember-1 是 Fireworks Research 推出的专用模型，能达到 Kimi K3 的质量，token 用量却少 40%。它基于 K3 构建，学会砍掉不必要的推理，只保留真正重要的思考，并在外部基准、客户 A/B 测试和内部编码与 agent 任务中验证质量未降。用户此前需要 K3 的编码能力，但长推理链让规模化自动编码成本过高，调低推理力度又损失太多质量，因此团队只能训练它更高效地推理，为此做了 50 多次训练实验和 200 多次评估。