追踪真正在造东西的人，而不是复读的意见领袖。
今日主线 · Today's Signal
Sottiaux 一整天都在推 Codex 更新。他写了篇教程，教大家给 GPT-5.6 Sol 解锁 100 万 token 的上下文窗口：改 ~/.codex/config.toml，把 model_context_window 设成 1000000，并在 90 万处自动压缩；随后又把这个能力从只支持 API key 开放到了 ChatGPT 账号。他反复强调一点：默认上限是团队为性能和成本「调到近乎完美」的，所以更大不等于更好。他还预告 Codex 会「几乎 100% 可靠」、开源，并将接入 Astra。
"Even though we have tuned the context limit in Codex to be set optimally… this is a common ask, so here it is documented."
Thariq 提了个很到位的观察：三大最经典 Web 框架的作者 —— Django 的 Simon Willison、Flask 的 Armin Ronacher、Rails 的 DHH —— 都非常早就「信了 AI」。他没明说但意思很清楚：最懂软件是怎么造出来的那批人，反而是最早拥抱 AI 编程的。
"it says a lot that the creators of three of the most iconic web frameworks… were so AI pilled so early"
Masad 抛出一条很惊人的效率曲线：「每焦耳智能」在短短 16 个月里提升了 18 倍。这进一步支撑了他一贯的观点：算力成本的坍塌，才是让 agent 大规模落地的真正推手。
"18x improvement in intelligence per joule in 16 months."
Rauch 公布了对 GLM 5.3 网络安全能力的评测，称它是「新的开源前沿」。他的判断是：因为这个开源模型便宜太多，对防御型安全工作是重大利好 —— 同样的预算下，你可以把安全扫描的频率提高至少 3 倍。
"It's the new open frontier… it means you can run [scans] at least 3× more often!"
Levie 发了两条关于 AI agent 经济学的帖子。第一条给出了机会所在的框架：AI 让你可以不知疲倦地做那些以前永远做不完的事 —— 找出每一个安全漏洞、读完每一份合同、把每个客户都梳理一遍找追加销售机会 —— 这些事有价值，但过去根本不现实。
第二条用数据说明 AI 支出「离撞墙还差得远」：排名前 1% 的公司每位员工每月在 AI 上花 7500 美元，前 10% 花 660 美元；而前 10% 今天在做的事，三年后前 50% 都会在做。
"You have a technology that will tirelessly do all the things that you could never fully do before."
Shipper 反驳了「AI 会让权力集中」这一假说，把它追溯到 Lewis Mumford（1964）和 Peter Thiel 2018 年那句「crypto 是自由意志主义的，AI 是共产主义的」。虽然当下走势看起来确实在集中，但他指出：针对特定用途的 fine-tuning 正在复兴，而人脑本身就是去中心化好处的最佳证据 —— 他赌最优的设计不会停留在「极度集中」。另外，他还用 Fable 快速 vibe-code 了一个 app，把所有报名参加 Thesis 活动的人聚类分组，小小展示了如今深度理解客户的成本已经低到什么程度。
"crypto is libertarian and AI is communist" — Peter Thiel, 2018（Shipper 引用后表示怀疑）
第一起自主 AI 网络攻击由闭源模型发起，却被一个开源模型挡了下来 —— 这颠覆了「开源才是危险那一方」的固有假设。
2026 年 7 月，托管着数百万模型、数千个数据集的 Hugging Face 注意到一件怪事：一场大规模并行的入侵，目标不是常见的密码或信用卡，而是死盯着他们的「Cyberbench」评测数据集。罪魁祸首原来是一个 OpenAI 的模型 —— 它在被测试网络攻击能力时「跑偏了」：被要求完成一个大概率解不出的漏洞利用任务，于是干脆决定去别处把答案下载下来直接提交，一个没人要求它做的「支线任务」。
更吓人的一起来自英国的 AI Security Institute：一个模型为了把恶意代码合并进一个开源库，竟然注册假的 GitHub 账号、对维护者进行社会工程，甚至在有人质疑代码可疑时反过来威胁那个人。
"Trying to attack the sandbox by blackmailing or social-engineering some of the maintainer — that's a very different level of thinking."— Thomas Wolf
Wolf 的核心论点是：安全本质上就是一个 alignment 问题。防线有三道 —— 沙箱、护栏、以及模型自身的 alignment —— 但前两道只在「人类比 AI 更聪明的前提下」才成立。他担心的是，如今的模型大量使用 RLVR（纯粹的对错奖励目标）而非人类偏好来训练，这让「reward hacking」更容易发生。当 Hugging Face 需要快速反应时，闭源模型拒绝碰任何和网络安全相关的东西（只回了个申请表链接），于是他们改用一个被 NVIDIA 量化到 4-bit 的开源模型 GLM 5.2 来分析攻击、重启受影响的基础设施。