2026-10-30

Mistral 发布了 Mistral Large 4 的模型权重，但许可证规定：若使用方或其关联公司经营模型即服务（Model as a Service）业务，须先与 Mistral 单独签署商业许可，才能将该模型或其衍生作品用于任何商业目的。与此同时，正式版 API 定价降至每百万输入 token 0.70 美元、每百万输出 token 2.10 美元，约为此前预览版 1.36 美元和 4.18 美元的一半。社区评论提到，权重已发布在 Hugging Face 的 mistralai/Mistral-Large-4-1T-A52B 仓库，并围绕“开放权重”这一定义展开争论。

Dream Group 在一篇博客中报告，攻击者把 PHP 到 shell 的“PHP2Shell”利用与 Linux 内核 XFRM ESP-in-TCP 子系统漏洞串联，入侵了 25 台服务器，其中包括美国政府系统。该报告称这是一次多阶段链式攻击，但来源条目没有提供原文，也没有独立验证，因此服务器数量、受影响目标和具体漏洞细节都应视为该厂商的单方面说法。对运行 PHP 应用和 Linux 服务器的管理员来说，目前可核实的只是有人公开声称存在这样一条利用链，其完整技术细节和影响范围仍待确认。

Anthropic 将其 Messages API 从运行在单一 GCP 区域的 Python 单体服务迁移到 Rust。工程师负责系统设计与验证，Claude 负责生成实现代码，团队通过比对新旧系统输出来验证迁移结果。团队报告迁移后 CPU 用量降低约 40% 至 50%，首个 token 响应时间缩短约 10% 至 20%；这些为团队自述数据，且未披露区域覆盖或接口变更。

Alphabet 在第三季度财报电话会议上宣布，将把 AI 模式搜索广告扩展至全球更多市场，并在美国推出支持多轮对话的广告。公司同季营收为 1276 亿美元、同比增长 25%，但搜索广告收入同比增速降至 12%，低于前两个季度的 17% 和 19%；财报公布后，其股价盘后一度跌超 10%。

Martin Fowler 在 bliki 发表分析文章，讨论 LLM 生成文本所特有的一种“声音”（voice）。这是一篇风格分析，并非产品发布或实测结果。Hacker News 的讨论中，多位读者描述了具体的阅读体验：信息密度低、行文冗长发散，常常读到一半就放弃。也有评论提出解释，认为人理解语言依赖对作者心智的内部模拟，而 LLM 文本持续、微妙地偏离预期，会让这种模拟不断出错。

一篇 2016 年的技术长文《H.264 Is Magic》于 2026 年 10 月 29 日再次出现在 Hacker News 上，文章解释了 H.264 为何能在有限码率下实现高效压缩。本轮讨论没有涉及新版本或新的测量结果，而是集中在既有工具的实践细节：x264 的切片多线程前瞻、H.264 的无损编码模式，以及 AV1、AV2 等后继编码器。原文只是针对成熟技术的旧文，这次重新出现并不伴随任何新发布或性能数据。

Linux 内核社区出现一份由 Josef Bacik 提出的 RFC，拟用名为“cells”的新概念让容器成为内核正式识别的对象，面向内核和容器运行时开发者；该提案尚未合入主线。每个 cell 由非特权的 cell\create\(\) 创建并返回一个不可复制的 cellfd，初始为空，进程只能出生在 cell 内而不能通过 setns\(\) 进入，关闭 cellfd 会立即杀死整个 cell。cell\configure\(\) 可设置 hostname、网络命名空间和根文件系统，并要求每个 cell 配置独立的 cgroup budget，之后必须用 CELL\CMD\SEAL 封存。

据该报道，黑客组织“和平部”（Department of Peace）声称通过美国国土安全部（DHS）使用的 Okta 身份管理服务获取了逾 4.1 万名 DHS 员工的记录，内容包括姓名、职务、电话、邮箱和办公地点。这批记录涉及 ICE、CBP 和 CISA 等机构，其中约 2.1 万条属于 CBP、近 7000 条属于 ICE。相关数据集由 DDoSecrets 以“Icepick”名义托管，据称还包含这些机构可用的监控工具信息。DHS 未回应置评请求，上述泄露范围和来源尚未得到独立确认。

rss · NVIDIA CUDA Technical Blog · 10月29日 15:00 「背景」 机器学习原子间势（MLIP）用神经网络预测能量和力，在接近 DFT 精度的同时降低计算成本，但推理仍多采用 FP32。分子动力学对力误差高度敏感，误差会沿时间步累积，因此不能简单改用低精度 Tensor Core。 「方案」 NVIDIA 作者以 PET-MAD 为例，评测两条不改模型权重和架构的 Tensor Core FP32 路径：Blackwell 上的 BF16x9 把每个 FP32 操作数拆成三个 BF16 分量，计算九个乘积后以 FP32 累加；Ampere 上的 TF32x3 用前导和残差 TF32 分量计算三个交叉项并省略最小项，通过 CUTLASS 自定义线性层同时覆盖能量与梯度。在 26M 和 255M 参数、192 与 17,280 原子体系上，BF16x9 使大 GEMM 提速 2.2–2.5 倍，MD 步进在大体系提速 1.7 倍、小体系 1.2 倍；TF32x3 使 GEMM 提速约 1.7–1.9 倍，MD 步进在较大体系为 1.5 倍，255M 模型上为 1.4 倍。作者报告 BF16x9 的误差低于模型自身非确定性，TF32x3 的力误差约为 FP32 重编译差异的三倍（3.9×10⁻⁶ eV/Å）；CO/Pt\(111\)势能曲线与 NVE 能量守恒测试接近 FP32，而单次 TF32 出现波动和漂移，Cantor 合金弛豫中 TF32x3 用 218–222 步达到容差，单次 TF32 在 500 步内未收敛。作者也指出，收益取决于体系大小、GEMM 占比和内核调优，且 TF32x3 仍需按模型的精度与物理稳定性要求验证。 「启示」 作者的核心结论是，Tensor Core FP32 可作为无需重训练或改架构的独立性能层，在保持接近 FP32 物理行为的同时显著加速以 GEMM 为主的 MLIP 推理；其普适性仍需在更多模型和硬件上验证。 标签: Tensor Cores, mixed-precision, machine learning interatomic potentials, molecular dynamics, GPU benchmarking