语言是智能体能力的隐形地基。本文拆解中文语料的量与质约束、小语种市场的缺口与本地玩家，说明本地化为什么远不止翻译，最后给中文智能体产品出海的语言策略与三条判断问题。

IT之家 9 月 15 日消息，据中国网络空间安全协会官方公众号，9 月 15 日（今天）下午，在济南召开的 2026 年国家网络安全宣传周人工智能安全治理分论坛上，中文互联网基础语料 4.0 正式向社会发布， 数据量 120GB ，并在“…

RAG 把外部内容拼进 prompt，等于亲手打开了指令与数据的边界：恶意文档可以借「检索」进入上下文操纵模型（间接提示注入），污染语料可以直接扭曲答案（语料投毒）。本文讲清两类攻击的机制与真实形态、防护的纵深组合，以及「检索内容永远当数据」这条核心纪律。

模型的价值观与能力来自训练语料——如果有人能往语料里「放东西」，就能往模型里「放行为」。数据投毒研究证明：在网络级语料中混入极小比例的恶意样本，就可能植入持久后门。本文讲清投毒的攻击模型、语料时代的现实暴露面、以及「验证成本不可压缩」这条防御的底线逻辑。

模型读到的不是字也不是词，而是 token。本文用 low/lower 语料演示 BPE 合并出词表的过程，解释中文为什么更费 token，以及它对计费、上下文长度和算术能力的影响，文末附代码示例与流程图。

看榜单选 embedding 模型经常翻车，因为榜单是通用语料，你的数据不是。本文给出语言与领域的第一分水岭、维度的真实代价、可信评测的做法与工程参数对照表，五十条真实问题即可完成一次有依据的决策。

OpenBMB 的 2B 语音基础模型：把 TTS 流水线里的分词器整个删掉，在连续潜空间端到端建模，一个骨干同时装下 30 语言、9 种中文方言、自然语言造声与三层克隆，48kHz 原生输出、Apache-2.0。本文拆解四阶段管线、FSQ 瓶颈与非对称 AudioVAE，并如实标注 8GB 显存门槛与运行间波动。

IT之家 11 月 4 日消息，科技媒体 MacRumors 今天（11 月 4 日）发布博文，**报道称在今天推送的 iOS 27.3 首个 Beta 开发者预览版中，苹果公司进一步扩展 Siri AI 在应用内及跨应用执行任务的能力。*…

2026 年 10 月 17 日，DeepSeek 一条官方新闻让「许愿式编程」刷屏中文技术圈，但这个术语的身世远比一次发布复杂：它脱胎于 1985 年 SICP 的教学黑话，在 2025 年被 Andrej Karpathy 的 vibe coding 重新点燃，又花了大半年从贬义词变成官方卖点。本文按时间线拆解术语谱系，辨析它与 vibe coding、agentic engineering、规格驱动开发的分野，并用 METR、DORA、Stack Overflow 的数据与 Replit 删库等事故，回答「许愿」何时是真生产力、何时是灾难。

当日涨星 906 的知识图谱项目：代码用本地 tree-sitter AST 零 LLM 额度建图，文档/图片才走语义趟；52 文件混合语料单次查询 token 降 71.5 倍，LOCOMO recall@10 0.497，每条边带 EXTRACTED/INFERRED/AMBIGUOUS 置信标签。

文婷* 2026-10-10 16:52:16 来源：量子位 文婷 发自 凹非寺 量子位 | 公众号 QbitAI 果然夜没白熬，Google家的大香蕉终于更新了！ 凌晨，Google突然发布了新一代生图模型**Nano Banana 2…

IT之家 11 月 4 日消息，苹果公司今天推送 macOS 27.3 Golden Gate 首个开发者测试版，内部版本号为 26C5035r，距离上周推出 macOS 27.2 仅约一周。 科技媒体 9to5Mac 称本次更新主要亮点在…

用不到百行纯标准库 Python 手撕 BPE 分词器：训练学合并表与编码贪心重放两个阶段拆开讲，小语料实测编码—解码往返一致，再用反例展示预分词正则为什么必不可少，最后对照 GPT-2 与 cl100k 的字节级 BPE、special token 与数字切分。

用户用中文提问，文档是英文写的——跨语言 RAG 的检索质量远低于同语言场景。本篇拆解多语言 RAG 的三种管线（翻译前置、多语言嵌入、跨语言检索）、各方案的效果与成本、以及多语言知识库的构建策略。

2018 年 11 月，D&G 为上海大秀发布的《起筷吃饭》广告被批刻板化中国饮食文化，设计师 Instagram 辱骂言论曝光后，官方甩锅「账号被盗」；上海大秀当天取消，天猫京东等八大电商全面下架，两位创始人用中文说「对不起」——但文化冒犯无法像产品一样召回。亚太收入占比从 25% 缩至 22%，2021 年反弹 20% 仍低于事发前，回归之路走了四年尚未复原。本系列第 23 篇复盘「文化傲慢型舆情」：致敬与冒犯的判定权在接收方，而奢侈品的高替代性让消费者的钱包投票最为彻底。

从 2025 年 9 月遭整治的「三大理论」，到 2026 年 10 月刷屏的「孙学—薄肌—黄毛」与「大水理论」，中文网民一年半里自发「开宗立派」，凑出了流传甚广的「九大民间理论」榜单。本文逐个追溯九个理论的出处、时间线与争议，回答三个问题：它们从哪来、为什么火、为什么会被敲打。

盘点 2026 年 10 月主流开源 TTS 七个项目（GPT-SoVITS、CosyVoice、F5-TTS、Fish Speech、IndexTTS、Kokoro 等）：机制、音色克隆方式、中文支持与许可证商用限制，附中文效果/实时率/长文本对比表与 F5-TTS 上手示例，兼谈声音克隆的授权与深度伪造合规风险。

三周前涨星 +1,171 时它 76,479 星，今天 87,294 星、单日 +1,113 再次上榜。本文不重复双盲评审与反吸引子的旧话题，聚焦三周新演进：Rust 引擎三轨发布、craft run 语料校准流水线、CDP 桌面应用评审、roll API 目录学习回路，并对比 Hallmark 路线。

IT之家 9 月 26 日消息，据英媒卫报消息，正值各大科技公司在学术机构中四处搜寻全新语料之际，牛津大学已允许 ChatGPT 开发商 OpenAI 利用其博德利图书馆（Bodleian Library）的历史典籍来训练其人工智能模型。 …

Valve 公布了 2026 年 10 月的 Steam 硬件和软件调查，结果显示 Steam 用户中使用 Linux 比例占 3.95%，过去几个月它的份额一直在 3% 以上，最高超过 5%，这一波动可能与简体中文用户增加或减少相关。凡是…

固定长度切块的原罪是切断语义，本文拆解语义断点检测、命题级分块、Late Chunking 三条进化路线，以及如何用检索指标科学评测分块质量。

预训练 Scaling 撞上数据墙与算力墙：公共语料储量估算、推理感知的缩放修正、o1 之后测试时计算的新缩放曲线与三墙之下的产业走向。

RAG 要向量检索，不必急着引入专用库，pgvector 让 PostgreSQL 直接扛起来。本文讲 vector 建模、HNSW/IVFFlat 建索引、距离操作符与调参，附实测跑通的 SQL，以及维度上限、中文分词等真实的坑。

术语问题分"检索不到"与"检索错"两种形态。本文给出术语表的字段设计与治理流程、索引侧别名扩展的方向性陷阱、查询侧多模匹配管线、生成侧术语卡片注入，以及上下文判域消歧。

零样本语音克隆只需约 6 秒参考音频：说话人编码器把音色压成一个向量，再去条件化 TTS 生成——XTTS 一条路是「嵌入式克隆」，OpenVoice 一条路是「合成后换色」。本文拆解两条技术路线的原理、效果边界，以及这道技术必须面对的滥用与合规问题。

模型对高频任务对答如流、对稀有任务频频翻车：幂律数据的统计根源、tokenization 不公平、知识存取瓶颈，以及数据、训练、推理三个层面的干预手段。

BBC 中文报道，向 AI 公司出租算力的新云端（neocloud）小公司快速扩张，加剧了投资者对 AI 基础设施泡沫的担忧。

「我们必须想象西西弗斯是……成人娱乐主管？！」 如果你是 ChatGPT 的高频用户，想必从今年 8 月开始，就碰上过一种神秘现象：ChatGPT 偶尔会在自动生成的会话标题最后，加上一些意义不明的外语单词，或是来自赌博、色情小广告的片段。…

Epoch AI 估算公开人类文本有效存量约 300 万亿 token，按现有训练节奏将在 2026–2032 年间耗尽。本文梳理数据墙的估算口径、合成数据的规模化与「模型崩溃」之争、版权诉讼如何把数据供给切成两半，以及 2026 年预训练数据策略的真实格局。

一个介于智能体与模型 API 之间的上下文压缩代理：注入 compress/decompress 工具让模型自己决定何时压缩什么，摘要按 tier-1/2/3 层层折叠且逐块可恢复，前缀缓存永不失效。4.5 个月生产数据累计 187 亿 token、204,800 窗口零越界，第三方评测拿下 ContextBench 第一。截至 2026-11-09 当日 GitHub 涨星 460。

从 XLM-R 的跨语言迁移与多语言诅咒，到「英语潜在枢轴」的机制发现，再到低资源语言的数据墙与分词器公平问题，梳理多语言大模型研究的完整版图。

Jay* 2026-11-03 14:55:30 来源：量子位 终于，有了一个可以触摸的起点 Jay发自 凹非寺 量子位|公众号QbitAI 乔布斯心中的Siri，这次可能真的走进现实了。 长这样子——** 别的先不说，终于来了个审美在线…

BM25 不懂同义改写，向量检索不懂精确词匹配。SPLADE 用语言模型给每个词算出词表上的权重分布——文档自己「长出」了相关扩展词，查询与文档在同一个扩展词表上匹配。它输出的是稀疏向量，能直接进倒排索引。本文讲清它和 BM25、dense 检索的三足关系与工程账。

Palash Debnath 的全本地开源语音工作台 VoiceStudio（当日涨星 +3,274、★43,728、AGPL-3.0）：把 17 个 TTS 与 7 个 ASR 引擎抽象成可插拔引擎层，覆盖克隆/设计/配音/听写/有声书并内置 MCP。拆解双端口架构、默认引擎 OmniVoice 的单阶段离散 NAR 原理、六阶段配音流水线，以及 CC-BY-NC 权重带来的商用授权陷阱。

数据标注是 AI 产业的「隐形地基」——它的形态随 AI 的需求升级了三代：众包打标签、专业质检线、再到 RLHF 的专家反馈工厂。数据工厂的竞争要素变了：比的不是便宜，是「谁身边坐着的博士多」。

RAG 一次问答要过检索、重排、生成三道工序，成本与延迟都厚。语义缓存在最前面加一道判断：这个问题以前问过吗——不是字符串相等，而是语义相似。《本文讲清缓存键的三层设计、相似阈值的调法、失效机制的坑，以及权限差异这个最容易被忽略的雷。

不用英语专业、不用报班。每天 25 分钟、每周 5 天，按四段式（听 5 + 拼读 8 + 共读 7 + 输出 5）执行：含家长中英文话术手册、前 12 周"照做就行"的逐周课表、第 4–12 月按月主题、30 个家庭游戏、家长英语不好也能教的 5 条路径、12 种状况急救包，以及可打印的字母音表/高频词表/词族表与三张评估表。

通用 Embedding 模型在专业领域检索不准——领域术语的语义、内部文档的表述习惯，通用模型学不到。Embedding 微调用领域数据做对比学习训练，让向量「学会」领域的语义。本篇拆解微调的数据构造、训练流程与效果验证。

聊 AI 治理不能只聊欧盟与中国：美国的联邦-州双轨博弈、英国的「安全研究所路线」、新加坡的框架治理、G7 与联合国的国际机制——每个辖区都在用不同的哲学回答同一个问题。本文补全全球治理地图上「除中欧外」的部分，看清各条路线的分野与合流。

抗生素是二十世纪最伟大的医学发明之一，而人类正在亲手把它变成二十世纪的遗物：每年全球数十万人死于「无药可用」的耐药感染，中国是全球抗生素使用量与耐药菌压力最大的国家之一。本文讲清抗生素的作用原理、耐药性的进化机制、「消炎药」这个错误叫法造成的伤害，以及每个人手里那半盒剩药的责任。

单向量检索把整段文本压成一个点，cross-encoder 准但每对都要过一次模型。ColBERT 的 late interaction 走中间路线：文档预先编码成 token 级多向量，查询时用 MaxSim 做细粒度匹配——接近 cross-encoder 的准，保留双塔的快。本文讲清它准在哪、贵在哪、该放在检索流水线的哪一层。

孩子在 15–24 个月间通过「镜子测试」认出镜中人是我，随之上线尴尬等新情绪，再用满口的「不」宣告自主权——Terrible Twos 不是品行事故，而是自我意识的出厂仪式。本文拆解这场革命的三个里程碑，以及羞耻与内疚的分岔如何由大人的一句话决定。

下篇把前两篇的结论落到可操作层面：先与站内"算子篇"做视角分工对照（工程师证词 vs 厂商证词，共同指向"方案/目标/边界的敲定权"这一尚未自动化的一格）；再划出五条不该被叙事盖住的线——判断侧仍空着、能力与风险同源、内部口径的自我循环、成本曲线自主但供应链集中、叙事与资本的相互强化；随后给出三份清单：给 Infra 工程师的 7 条稠密反馈可复用做法、给技术管理者的 5 个评审问题、给投资者与产品经理的 4 个可跟踪指标。附录含完整时间线、术语表、分级来源清单与核查记录。

把 RSI（递归自我改进）与智能体自进化放回同一个"经验 → 状态 → 行为"闭环做正面对比：前者打在权重与 AI 研发流程上、跨用户且不可逆、风险外部化；后者打在外部文件与 harness 上、跨会话且可回滚、风险由采用者承担。给出六维对比表、闭环四问判定法、"清空记忆测试"，并梳理两者在 ICLR 2026 与 SIA / Meta-Harness 上的合流路径。含 Snyk ToxicSkills 审计（3,984 个技能中 36.82% 有安全缺陷、13.4% 为严重级）、SEA-Eval"片段式失忆症"等一手数据。

Raft 论文的中文精读：从复制状态机出发理解共识

幼儿园认了八百个字不等于阅读准备好了。读写的基础是一套看不见的听觉技能——语音意识。它才是「识字早晚」与「上学后阅读吃力」之间真正起作用的变量。

RAG 答案不对，先别急着调切块参数——病灶常在更上游的 PDF 解析。本文讲透切块之前的第一公里：解析到底难在哪、管道式与 VLM 直出两代路线怎么分、2026 年的工具版图怎么选、OmniDocBench 饱和之后质量怎么评，以及八条落地实践。

语义检索的第一步是把文本变成可比较的向量。本文从 one-hot 的困境讲到稠密向量的语义几何，手算一个余弦相似度的小例子，再用十几行代码演示从 encode 到 top-k 的完整流程，最后点出语义匹配最常见的两个坑。

154 页、约 40 个真实案例、七大危害领域。Anthropic 9 月 10 日发布的《Detecting and countering misuse of AI: September 2026》，把「Claude 被用于网络攻击、监控、武器研发与生物研究」的清单摊开，也把七家中国 AI 实验室的「非法蒸馏」指控推到台面。本文逐章拆解案例与数据，追问四个问题：攻击成本降到了多少、归因还靠不靠谱、安全分类器守不住什么、一份厂商自报的报告该怎么读。

从 ChartQA 的图表问答到 MathVista 的图文数学推理，再到「视觉盲」测试暴露的底层缺陷，梳理视觉推理评测五年演进与当前真正的技术瓶颈。