最新

有没有人对他们的人工智能助手有这样的信任？如果有，你是如何设置的，以至于可以信任它做出与你相同的决策？

axios@1.14.1，发布于2026年3月31日，引入了一个新的依赖包plain-crypto-js@4.2.1，而在axios@1.14.0中并不存在。这个包是恶意的——它包含一个混淆的后安装脚本（setup.js），该脚本会下载并执行远程负载。 <p>证据</p> <p>axios@1.14.0的依赖包：follow-redirects、form-data、proxy-from-env（3个依赖）</p> <p>axios@1.14.1的依赖包：相同的3个 + plain-crypto-js（新包，之前的任何axios版本中都没有）</p> <p>plain-crypto-js的脚本中有“postinstall”: “node setup.js”</p> <p>setup.js被严重混淆——它解码base64字符串，将脚本写入操作系统临时目录，通过shell（macOS）或PowerShell（Windows）执行这些脚本，然后自我删除。</p>

即使在一两个月前，我仍然觉得他的网站是公共互联网最后的堡垒之一，网站上没有很大一部分内容是由人工智能生成的。现在，似乎我点击的至少一半文章都充满了大型语言模型的特征，或者明显是人工智能生成的。尽管如此，评论区却充满了热情的赞同或激烈的反对。在数十条评论中，没有一条提及内容的虚假性。 我们是否终于该放弃抵抗，接受不可避免的现实？仅仅因为文章或博客的主题有趣，即使文本本身是一堆无意义的符号，这就足够了吗？

这会对热度或行业产生影响吗？

一种带宽受限的神经网络（我将其命名为Erebus）在公共LIGO引力波数据上进行训练，发现持续性——时间积累在多大程度上有助于预测结构——与波形的谱熵相关（r = +0.69，p = 2×10⁻⁵），而与质量无关（ρ = −0.05，p = 0.80）。两个质量相同的黑洞合并事件在持续性上相差100倍。这一差异完全可以通过信号的谱复杂性来解释，而不是源的质量。这个模式在四种不同架构的观察者（GRU、LSTM、Transformer、ViT-Small）中得到了重复。 一篇伴随论文建立了框架：固定一个观察流程，并在来自独立仪器的13个真实数据领域中测量持续性（LIGO、EHT、CMB、太阳黑子、类星体、超新星、中微子）。一个单一的时间轴组织所有领域，电磁学位于一端，重力位于另一端。通过相同流程的周期信号在180多次运行中产生零正持续性——当观察边界未能划分周期时，积累会破坏波形。 第一篇论文：<a href="https://zenodo.org/records/19323952" rel="nofollow">https://zenodo.org/records/19323952</a> 第二篇论文：<a href="https://zenodo.org/records/19341889" rel="nofollow">https://zenodo.org/records/19341889</a> 第一篇论文的伴随作品：光与重力是观察的对立极（技术性较低）<a href="https://www.wvrk.org/works/the-structure" rel="nofollow">https://www.wvrk.org/works/the-structure</a> Erebus（基础系统）：<a href="https://erebus.org" rel="nofollow">https://erebus.org</a>