如何用 Alloy 和 Python 模擬機器人摺毛巾
讓機器人學會摺毛巾,得先準備能模擬布料彎曲和重疊的場景。這篇教學用開源物理引擎 Alloy 示範如何在 Python 裡讓布料垂掛在方塊上,再加入機器人環境,讓它沿對角線摺毛巾,也能同時跑多個模擬場景。作者提醒,布料網格太粗可能不適合接觸細長物體;機器人環境目前仍在實驗階段、運作較慢,需要 GPU,而且布料摺在一起時可能互相穿透。
讓機器人學會摺毛巾,得先準備能模擬布料彎曲和重疊的場景。這篇教學用開源物理引擎 Alloy 示範如何在 Python 裡讓布料垂掛在方塊上,再加入機器人環境,讓它沿對角線摺毛巾,也能同時跑多個模擬場景。作者提醒,布料網格太粗可能不適合接觸細長物體;機器人環境目前仍在實驗階段、運作較慢,需要 GPU,而且布料摺在一起時可能互相穿透。
開源專案的維護者常要從許多 Pull Request(PR)中找出真正解決問題的修改;AI 助理寫出的內容看起來完整,也可能用了專案裡不存在的程式介面,或附上沒有測到改動的測試。文章建議檢查修改是否對準明確問題、是否符合附近程式碼的寫法,以及測試能否在撤回修改時失敗,再依情況安排審查、請作者補充或友善地關閉 PR。回饋應指出具體檔案或測試,並評估提交內容,不猜測或評斷作者。
CalDAV 橋接服務在主機上能立刻回應,從 Docker 容器連線卻一直等到逾時。作者先懷疑 CalDAV 和應用程式,後來發現 Docker 的 FORWARD 規則在封包抵達服務前就把它擋下來;主機上的防火牆 INPUT 設定,查不到這類容器流量問題。作者也試過把服務改綁到 0.0.0.0,但這只改變服務監聽哪些位址,沒有讓封包更容易通過。最後,他把橋接服務加入 Docker 的 compose 網路,移除主機連線埠,讓容器用服務名稱互相連線。這個例子說明,排查連線問題時要先確認封包在哪一道網路邊界被擋住。
Windows 的更新和預載功能讓作者不太滿意,精簡系統的工具又害他裝不好一些軟體,於是他把電腦改裝成適合玩遊戲的 Linux 發行版 Bazzite。設定代理、安裝軟體時,他請 ChatGPT 協助處理,連 DaVinci Resolve 和國服《最終幻想 XIV》啟動器也成功跑了起來。不過,剪影片遇到格式支援問題,轉檔後素材也從約 20 GB 膨脹到 500 GB。這次經驗顯示,Linux 已比以前容易安裝和使用,但要在國內順利玩遊戲、做影片,仍可能得花時間處理各種相容問題。
透過 API 使用模型時,回覆裡的模型名稱只是服務商的說法,無法直接證明實際是哪個模型產生內容。Anthropic 團隊推出開源研究原型 FlashProve,讓服務商先為模型權重做出隱藏內容的識別記號,再替每次回覆附上加密證明,讓別人確認指定模型確實產生了那些文字,而且不用取得模型權重或 GPU。以 Llama 4 Maverick 測試時,每 1,024 個 token 的證明約 19 MB,CPU 驗證約需 17 秒,但產生證明的 GPU 成本約是一般推論的 70–95 倍。它目前只支援特定整數模型與貪婪解碼,文章也提醒這仍是研究原型,尚有程式驗證與長上下文等限制。
推薦理由:FlashProve以可驗證的加密證明確認回覆來自指定模型,文中也列出驗證速度、成本與解碼限制,呈現這種做法的實際取捨。
自己架地圖常要準備伺服器、資料庫,還得留意服務費用。作者用 Protomaps 從 OpenStreetMap 資料中切出達卡地圖,做成約 17 MB 的檔案,再用一個指令啟動小型地圖伺服器;27 次讀取的中位數是 1.1 毫秒。這種做法適合只需要一座城市或一個地區地圖的網站,也能用一般檔案空間提供地圖資料。不過,檔案只是某一天的地圖快照,路況變動後不會自動更新;地圖範圍以外也會是空白,使用者可能需要更大的地圖檔。
架構圖常和實際寫出的程式對不上,時間久了也很難知道系統是否還符合原本設計。CALM 是一種用程式碼描述軟體架構的方法,可以把服務、資料庫、彼此的關係、對外介面和安全要求放進同一份模型,也能標出資料如何流動、架構分階段改變的過程。它的工具可以檢查架構是否符合預先訂好的模式,並從模型產生檔案;大型語言模型也能協助建立模型和回答系統變更可能影響哪些流程。文章整理了 CALM 的主要概念與工具,說明它如何讓架構更容易檢查和維護。
想用程式碼製作影片,從頭找工具、搭好流程可能很花時間。awesome-claude-video-skills 是一份開源工具清單,整理了 Claude Code 和 Codex 等程式碼 AI 助理可用的影片製作工具,依照片頭短片、數位虛擬人物、動畫和剪輯等用途分類,也附上安全評分。像 explainroo 適合快速製作有聲影片,onetake 適合呈現一段連續的視覺想法。這讓開發者、剪輯師和創作者能依照影片型別挑工具,少花時間從零開始準備。
安全漏洞公告出來前,修正內容往往已經藏在程式碼提交、版本標籤和版本說明裡。作者分享稽核開源 Java 中介軟體的方法:留意新增驗證機制、模糊的安全修正說明、未解釋的相依套件更新、預設開啟的新功能,以及不尋常的版本發布,再比對新舊版本的程式碼差異,找出可能漏掉的檢查或未受保護的入口。發現問題後,作者建議先透過專案管道回報。這套做法讓開發者能從公開的版本資訊提早追查風險。
推薦理由:作者整理五種可從版本說明追查安全變更的線索,並示範如何比對程式碼差異,提供一套可實際採用的開源軟體稽核流程。
想知道全世界的開發者最近最常下載哪些語言模型,VIDRAFT 分析了 Hugging Face 最近 30 天下載量最高的 300 個模型。這些模型總共被下載 5 億 2,322 萬次,其中中國模型佔 70.7%;光是 Qwen 系列就佔了 60.3%。下載量第一的是 2019 年公開的 GPT-2,顯示舊模型至今仍常被拿來教學、練習和測試軟體。 榜單也反映出模型變化很快:2026 年公開的模型佔下載量 56.7%,而壓縮過、比較容易在一般電腦上使用的版本也很受歡迎。韓國模型中,只有 VIDRAFT 的 POCKET-Darwin-180B 進入前 300 名,排名第 260。這份分析讓人看出,模型的來源和新舊會影響下載熱度,能不能在一般裝置上使用,也可能是開發者挑選時的重要考量。
免費網頁版 AI 通常只能在瀏覽器裡回覆文字,要讓它使用本機工具,還得有一層連線方式。作者推出 Web MCP Bridge,用瀏覽器擴充功能和 Python 橋接程式,將 DeepSeek、Gemini、ChatGPT 和 Claude 的網頁介面連到本機 MCP 工具;工具清單變大時,模型可以分頁查詢,不必一次載入整份清單。v1.8.0 也加入修復格式錯誤 JSON 的功能,並預設每次執行工具前都先詢問使用者。作者表示,資料都在本機處理,無須 API 金鑰、訂閱或本機 GPU。
大型模型很有本事,但要讓它回答問題,也得花不少運算資源。千問 Qwen3-235B-A22B 總共有 235B 個引數,每次處理 token 時只啟用其中 22B,並從 128 個專家模組中挑出 8 個來運算。這樣設計是想用較少的運算,保留大型模型的能力;但它仍需要大量硬體資源,不能當成一般 22B 模型來看。 這個模型支援 119 種語言,原生上下文視窗有 262,144 tokens,還能延伸到約 1,000,000 tokens,適合處理長檔案或程式碼專案。它採用 Apache 2.0 授權,方便商業使用、修改和再散佈。不過,支援的語言多、能讀的內容長,不代表回答一定可靠;團隊仍要用自己的資料測試品質,並規劃好要讀哪些檔案、怎麼找資料,以及需要多少運算資源。
代幣化股票的股息、股東會和投票通知,現在散落在券商、電子郵件和各家錢包裡,發行公司常得為不同通路重新串接。Coinbase 與 Broadridge 提出「鏈上權利標準」,把代幣和格式一致的公司檔案連在一起,讓相容的錢包能用相同方式顯示通知;例如股息通知可以列出日期、付款條件和持有人可選的處理方式。不過,收到通知不代表一定有領息或投票的股東權利,還得看代幣化股票本身的設計。這項提案已送交以太坊審查,但還沒有公佈其他採用者或實作時間表。
開源維護者常收到 AI 生出的程式碼修改,有些確實有幫助,但更多是在修很少人會遇到的情況。作者正嘗試要求貢獻者先證明自己的專案有使用這套軟體,才會檢視修改提案。證明方式可以是提供另一個開源專案使用它的紀錄,或說明公司正式使用的封閉原始碼專案遇到什麼問題。作者希望優先處理真正依賴這套軟體的人遇到的問題,並減少為了累積 GitHub 綠色方格而送來的低品質修改。
瀏覽器 AI 助理遇到網頁按鈕點不動時,能不能換個方法繼續做,可能比平常做多快更重要。這次測試讓不同工具在 100 個真實網站任務上各試一次,由評分系統檢視操作過程和畫面。BrowserOS 完成 40 項,Claude in Chrome 完成 37 項,5dive browser(Claude Code)完成 34 項;前三名差距還不足以判定誰明顯比較強。BrowserOS 能改用螢幕位置點選或在網頁上執行 JavaScript,操作失敗的比例也較低。 測試也發現,評分方式會影響結果;有些任務會擋住機器人,甚至讓所有工具都做不完。5dive browser(pi)完成的任務較少,但每項完成任務的成本較低。這些結果來自一次測試,不能當成正式排行榜;作者預計兩週後再測,並替 5dive browser 加上更多失敗時的補救方法。
把音樂錄音轉成 MIDI,模型大小和訓練資料都會影響使用方式。作者推出開源模型 Dettato,表示它有 20M 引數,在文中列出的公開基準上,分數高於 MuScriptor 1.3B,也略高於 Mirelo A2M v1.1 Pro。訓練資料使用合成樂器錄音與 URMP 資料集中的 Creative Commons 獨奏樂器錄音,沒有使用受著作權保護的錄音。作者也提醒,模型不擅長正確分開樂器,而且輸出的是節拍對齊的演奏 MIDI,不是可直接演奏的樂譜。
推薦理由:Dettato 用 20M 引數在文中列出的公開基準取得較高分數,也交代了不使用受著作權保護錄音訓練的做法。
多個模型副本分開處理請求時,可能重做已經算過的內容;只靠 Kubernetes Service 分流,也不一定能把工作分配好。作者評估 llm-d v1.0 如何依 KV 快取狀況挑選後端,並說明把提示處理和文字生成分開時,還得處理兩邊傳送快取資料的問題。文中沒有實際安裝或重跑效能測試,因此引用的速度和吞吐量提升都不是作者驗證出的結果。作者建議先在現有 vLLM 副本前測試快取路由,再另外評估分離式推論,並檢查版本、快取命中、取消請求和升級風險。
PyTorch Inductor 原本把平鋪運算的座標軸寫死,超過三個維度時就需要先改掉這些限制。這次更新改成依輸入維度產生座標軸名稱,並依設定限制可用的平鋪數量,也整理了區塊大小選擇、描述子和指標位移的處理方式。作者測試了不同維度、座標軸排序及多種描述子情境;不過,這項改動本身是後續支援多維平鋪的基礎,啟用額外維度的程式在另一個後續變更中。
PyTorch Inductor 原本把可切分的軸寫死,最多隻能處理三個軸,讓更高維度的切分不容易加入。這次改動改成依輸入資料的維度產生軸名稱,並依設定限制挑選切分方式,也調整了自動調校和資料描述子的處理。它為後續支援更多維度的點元素與歸約切分打下基礎;原有的區塊大小限制仍保留。作者也回報了多組主機與 Hopper 測試結果。
把 MyQ Home Bridge 放進沒有外網的 IoT 網路後,它仍會一直嘗試連線到 Chamberlain 的雲端;連線逾時時,裝置可能每隔 5–10 分鐘重開機,讓 HomeKit 暫時連不上。把相關網域指向會立刻拒絕連線的本機服務,可以減少這種重開機,但裝置仍會每 30 分鐘重新啟動一次。 文章接著示範如何從裝置取出 TLS-PSK AES-128 金鑰,再用 Docker 在本機架設 MQTT 伺服器,讓 MyQ Home Bridge 以為自己連上雲端,並把兩個雲端網域改指向這臺伺服器。依文中的測試方式,伺服器收到連線後,裝置的綠燈會維持恆亮;觀察超過 30 分鐘仍在運作,就能確認沒有再次重開機。
有些網頁要先執行 JavaScript 才會顯示內容,普通的 HTTP 請求可能抓不到。scrapy-playwright 讓 Scrapy 交給 Playwright 驅動真實瀏覽器載入這些頁面,其他請求仍可用 Scrapy 原本的下載方式,拿到的網頁也能照常解析。需要自己操作頁面時,記得用完就關閉,否則瀏覽器頁面可能越堆越多,讓爬取卡住。這種做法比較耗時和記憶體,也不保證能通過網站的反爬蟲檢查;如果一般請求已經夠用,直接使用瀏覽器通常不划算。
把 Oracle 的資料即時同步到 ClickHouse,除了接通資料來源,也得選對方式處理新增、修改和刪除。Striim 的 ClickHouseWriter 可透過 JDBC 直接傳送資料;文章用 Oracle 的訂單資料示範整套流程,並比較不同 ClickHouse 引擎的做法。像 ReplacingMergeTree 寫入速度較快,但背景合併前,查詢可能看到重複或已刪除的資料;MergeTree 則會先刪除舊資料再寫入新資料,寫入成本較高。文章也整理如何設定批次大小、檢視同步進度,以及遇到連線錯誤時的重試方式。
用 Excalidraw 畫了好幾年的圖,想搬到 tldraw,卻得一張一張複製貼上,十分麻煩。Tracing Paper 是一款外掛,只要下達一個指令,就能把整個資料庫裡的圖轉成 tldraw 檔案,放在原圖旁邊;原圖不會被修改,也不會被覆蓋。轉換後會保留排版、線條、填色、箭頭、手繪筆跡等內容,但字型和配色仍會使用 tldraw 自己的設定;有些嵌入內容或 LaTeX 也可能無法轉換,外掛會列出報告。使用前需要安裝 1.33.0 或更新版本的 tldraw 外掛。
AlmaLinux 10.3 已正式推出,也一併發布 AlmaLinux 9.9。這次更新加回先前移除的 ModSecurity 網頁應用程式防火牆和 OWASP Core Rule Set,並改用 Podman 6 容器工具。開發工具也有更新,包括 GCC Toolset 16、LLVM Toolset 22、Rust 1.97、Go 1.27、GDB 17.2 和 Node.js 26;此外還包含多項安全更新。
AI 助理寫程式很快,但如果需求只留在聊天紀錄裡,團隊可能看不出程式原本要解決什麼問題。這篇指南整理五種先寫規格再動手的方法,包括先列需求與工作清單、讓沒看過對話的 AI 助理檢查規格、安排不同角色分工、先確認計畫再修改程式,以及先寫會失敗的測試再補上程式。作者也比較各方法適合的工作:小型日常修改可以先確認計畫,大型功能或高風險專案則需要更完整的規格與人工審查。測試能檢查功能是否符合預期,但仍要由人確認需求和設計是否合理。
讓 AI 助理長時間自己處理程式開發工作,光靠提示詞不夠,還需要工具來安排工作並擋下危險操作。作者開源了 Everything Antigravity(EAG),把技能、不同工作角色的 AI 助理、自訂指令和安全檢查放在同一套工具裡。當中有一項功能會檢查指令,例如遇到把網路下載的程式直接交給 shell 執行的寫法,就會擋下來;也能掃描多種金鑰和憑證。整套工具還包含程式開發、遊戲製作與影音處理等用途。
定時簽署區塊鏈交易,通常得有伺服器持續執行;Lit Protocol 示範把工作交給 Lit Actions 和 Lit Triggers。Lit Action 是在安全隔離環境中執行的 JavaScript 函式,Lit Triggers 能按排程叫它執行。範例每 15 分鐘檢查 Base 上的熱錢包,低於設定金額時補到目標金額,並限制每次執行可花的總額。錢包金鑰留在隔離環境裡,但使用金鑰若遭竊,別人仍可能提早或同時執行工作;作者提醒,資金錢包只放自己能接受花掉的金額。
寫程式時,如果不同地方能同時改到同一份資料,就可能互相影響,讓錯誤變得難找。Dave Abrahams 在演講中介紹 Hylo:這是一種以「可修改的值語意」為核心設計的程式語言,目標是讓資料能被修改,同時減少意外牽連。團隊已做出可運作的編譯器和標準函式庫雛形,也談到 Hylo 如何處理複製與資料參照。Hylo 還在早期開發,但團隊希望它未來能廣泛用在正式專案中。
Python、Node.js、JVM 或 .NET 需要安全更新時,團隊常得重建應用程式映像檔,即使程式本身沒變。Brewlet 是 Microsoft 團隊正在開發的開源專案,讓開發者發布應用程式,平臺團隊則在 Kubernetes 節點管理核准過的執行環境;更新執行環境後,不必重建應用程式,但執行中的工作仍要重新啟動,應用程式依賴套件也要另外更新。文章比較了 Brewlet 與 Kubernetes 原生的映像檔磁碟區,並提醒 Brewlet 尚未正式推出,且需要具備較高許可權的節點整合,應在可丟棄的環境評估,不要用於正式叢集。
雲端去背服務每處理一張圖片都要花 GPU 費用,因此可能限制預覽尺寸、加上浮水印或要求註冊。作者打造 RemoveFree,讓圖片留在使用者裝置上處理,並比較三種模型:4.6 MB 的 U²-Net-p 最快,也最常保住照片中的主體;較大的 BiRefNet Lite 擅長處理髮絲等細節,但有時會漏掉小物件。系統會先用小模型去背,遇到複雜照片再建議升級處理;原圖尺寸也能保留下來。作者提醒,第一次下載大型模型可能需要 10–38 秒,細小物件仍可能需要手動修整。
遊戲玩起來不順時,只看 FPS 很難知道問題出在哪裡。MangoHud 是 Linux 上可用的遊戲資訊覆蓋層,能顯示影格時間、CPU 和 GPU 負載、溫度等資料,幫助玩家判斷卡頓可能和哪一部分有關。文章建議先選一段固定場景,只改一個設定,再比較結果;例如降低解析度後,若 FPS 幾乎沒變,問題可能不只在 GPU。影格時間圖也能看出平均 FPS 遮住的突然卡頓。這些數字是調查線索,不能自動判定原因;測試時還要留意背景程式、影格上限和著色器快取等因素。
面對監管查核時,光儲存檢查結果,還不容易說清楚是哪段程式處理了資料。Lit Protocol 示範把程式放在硬體隔離環境執行,並用和程式碼版本繫結的金鑰替結果簽名。收據不直接放客戶姓名,而是用加上隨機鹽值的雜湊連結受檢資料;監管者可以取得程式碼與收據,核對簽章和資料是否相符。程式只要改動,雜湊和簽署地址也會改變,因此舊收據要用舊版本核對。這能確認哪段程式產生收據,但不能證明外部篩查服務的答案正確,也不能指出是哪個帳戶執行。
同一個問題每天問 AI 搜尋引擎,答案裡提到的品牌常會不一樣,很難從單次結果看出變化。作者每天用固定提示詞測試五種引擎,發現相鄰兩天的品牌名單中位數重疊率是 0.40,一週後降到 0.33,之後變化較小;ChatGPT 和 Bing AI Mode 的名單相對穩定,Google 的變動較大。研究也發現,某品牌今天沒出現,之後常會再出現,因此追蹤多次回答中的提及比例,比看單次結果更有用。這份資料來自單一市場,作者也提醒,無法分辨變化是搜尋到的網頁、生成時的隨機性,還是系統為不同請求選了不同模型所造成。
想在不連上 AWS 的情況下測試程式,可以省下雲端費用,也不用在測試環境放入 AWS 憑證。作者用一個包含登入、資料庫、快取和檔案匯出的範例應用程式測試 AWS Emulator,72 項檢查有 66 項通過;但模擬的 PostgreSQL 和 Redis 只支援部分功能。Terraform 測試也遇到安全群組和 S3 等問題,31 項資源只建立了 25 項。它適合部分應用程式整合測試,但不能取代正式環境測試,IAM 許可權檢查也不符合 AWS 的實際行為。
推薦理由:作者以完整應用和 Terraform 實測,呈現 AWS Emulator 在整合測試、資料庫快取及基礎架構部署上的差異,協助判斷適用範圍。
把簽名金鑰交給代管服務時,光知道它跑在安全硬體裡,還不夠確認實際執行的是哪份程式碼。Lit Protocol 說明四項自行檢查的方法:驗證硬體簽署的證明、比對正在執行的程式碼與公開版本、確認加密連線直接進入安全區域,再查誰核准這份程式碼使用金鑰。核准名單記錄在 Base 的智慧合約上,新增專案需要 Safe 多重簽名核准,任何人都能檢視。這些檢查能看出信任依據,但不能保證程式沒有錯誤,也不能保證服務不會中斷。