Fe 合約如何在編譯時找出沒測過的攻擊流程
合約單元測試只能檢查人們想到的操作順序,漏掉的順序可能讓資金被重複領走。作者為 Fe 合約做了一個模型檢查器,讓編譯器逐一搜尋有限範圍內可能到達的狀態,並在發現規則被違反時停止編譯。文中示範一條五步攻擊流程,能讓賣家收款後,買家又拿回退款;編譯錯誤會指出違反的規則,並列出最短流程。這種方法只檢查設定容量內的情況,也不涵蓋呼叫者身分、實際金流、重入或 Gas。
合約單元測試只能檢查人們想到的操作順序,漏掉的順序可能讓資金被重複領走。作者為 Fe 合約做了一個模型檢查器,讓編譯器逐一搜尋有限範圍內可能到達的狀態,並在發現規則被違反時停止編譯。文中示範一條五步攻擊流程,能讓賣家收款後,買家又拿回退款;編譯錯誤會指出違反的規則,並列出最短流程。這種方法只檢查設定容量內的情況,也不涵蓋呼叫者身分、實際金流、重入或 Gas。
透過別人的付款 API 收款時,服務商可能會代管款項;作者做了一套 API,讓顧客直接把錢付到商家的 Lightning 地址。API 會核對地址和發票金額,再確認付款前像的雜湊值符合發票記錄,才通知商家付款完成。作者也分享自己曾在結算程式和測試模擬器中發現的錯誤,以及修正方式。文章還示範如何驗證簽章通知、避免重複結算,並提供可免費試用的沙盒。
推薦理由:作者以實際程式碼展示 Lightning 付款驗證,並說明如何用付款前像避免把未付款誤認為已付款。
網路交換器的連線埠看起來正常,卻可能把電腦分到錯的網路。這篇文章示範用 Raspberry Pi 和 PathProbe 測試:先確認沒貼標籤的電腦拿到預期的網路位址,再替資料加上 VLAN 100 標籤,確認它拿到的是 VLAN 100 的位址。PathProbe 會存下測試紀錄,之後可用 Wireshark 檢視;如果沒貼標籤時測試成功、貼標籤後失敗,就能知道交換器連線埠、網路設定或 DHCP 轉送可能不符合預期。測試前要確認自己有許可權使用該網路。
管理網路裝置時,登入、翻頁和重複輸入指令常得在終端機視窗裡手動處理。JackedIN 1.2.1 可用命令列或 Python 操作序列埠、SSH 和 Telnet,也能透過本機 API 開啟連線、傳送指令並讀取結果。執行前可先用 dry-run 預覽,不連線也不送出密碼;還能設定預期輸出,讓結果不符時工作失敗。API 預設關閉,只在本機監聽並需要權杖。文章也提醒,指令列不要放密碼,API 不應開放成網路服務;目前沒有 macOS 版本。
Lean 和 Mathlib 社群確認一份黎曼猜想證明通過多種程式檢查,但作者發現,程式裡有個叫 anyGeometry 的條件,對任何輸入都直接回傳 True。作者追查程式碼後確認,這個條件出現在 24 個檔案中,也被用來建立一些假設;不過,他還沒查完它是否真的一路影響最後的定理。程式檢查能確認證明符合寫好的定義,卻不會判斷定義本身是否真的表達了數學上的幾何條件,因此目前的發現還不能單獨判定整份證明是否成立。
推薦理由:文章對照程式碼與驗證紀錄,說明形式證明能檢查推導是否符合定義,卻無法判定定義是否承載了名稱所指的數學內容。
圖片檔的名稱看起來安全,不代表裡面的內容不會啟動有風險的程式。研究者發現,Ghostscript 的 Type 1 字型載入器有記憶體錯誤,攻擊者可用含有 PostScript 內容、但副檔名是 .png 的檔案,在多種應用程式處理圖片時執行指令;研究者已在 10 種應用程式路徑確認可執行,Roundcube 的案例不需要收件者點開附件。作者沒有執行攻擊,只在已修補的 Ubuntu 版本確認圖片解碼會呼叫 Ghostscript。修補版本包括上游 10.08.0、Debian 10.05.1~dfsg-1+deb13u3,以及 Ubuntu 24.04 的 10.02.1~dfsg1-0ubuntu7.10;管理者也應檢查上傳檔案後的預覽與轉檔流程。
推薦理由:研究者確認這個漏洞可透過多種應用程式的圖片預覽路徑觸發,文章也整理了修補版本與需檢查的轉檔流程。
在 Google Sheets 查資料時,大小寫不同的程式碼常被當成一樣,查表可能因此拿到錯的價格,而且不會提醒你。這篇教學整理哪些函式會忽略大小寫,並示範用 EXACT 搭配 INDEX 和 MATCH 找出大小寫完全相同的資料;例如搜尋「ABC」時,可以找到程式碼「ABC」對應的價格,而不是清單中先出現的「abc」。文章也提供計算重複值、保留不同大小寫資料的方法,並提醒先清除多餘空格。
作者檢查自己收錄 4,323 筆資料的 AI 工具目錄後發現,一筆資料不一定代表一家公司或一個產品:有些只是同一家公司旗下不同頁面,還有不少連到 GitHub Pages 等平臺。把 GitHub 和 GitHub Pages 算在一起,目錄裡最多的「廠商」其實是 GitHub,共有 184 筆;另有 337 筆把平臺或聯盟行銷網址當成工具的官方網站。目錄裡還有許多介紹文字和標籤容易讓人誤會。作者因此認為,4,323 筆代表的是清單專案,不是 4,323 個產品;若能替每筆資料標明所屬公司,讀者會更容易看清目錄實際收錄了什麼。
網站的 robots.txt 看起來允許 AI 爬蟲,不代表它真的能讀到頁面;CDN 或 WAF 也可能先把請求擋下來。作者建議依序檢查 robots.txt、用不同 AI 使用者代理名稱測試伺服器回應,再檢視 CDN 或 WAF 的機器人規則。回應 403、429 或 503 可能表示遭到拒絕,但這種測試只是初步檢查,因為任何人都能冒用使用者代理名稱,而且 200 頁面也可能只是驗證頁。要確認真實機器人是否被擋,還得檢視防火牆紀錄,並明確決定哪些機器人能讀取哪些頁面。
把 NixOS 裝上新的 RISC-V 開發板,常會卡在開機流程、硬體支援和交叉編譯。作者記錄如何讓 Zhihe Computing A210 啟動 NixOS:先用 Nix 從桌上型電腦交叉編譯,再逐步排查 USB、序列埠和 OpenSBI 的問題,最後修正設定讓系統進入 NixOS。GPU 部分則把較新版 Linux 的驅動程式移植到廠商提供的舊版核心,並在 Mesa 開啟 Vulkan 測試。作者提醒,這份自行移植的驅動程式可能有安全風險,使用前應先檢查原始碼。
WordPress 預約外掛看起來功能都差不多,真正麻煩的常是表單打不開、兩個人訂到同一時段,或提醒信沒寄出去。作者整理出 7 項安裝前就能做的檢查,從在頁面編輯器裡測試表單,到同時送出 20 筆預約,看看系統會不會把同一個時段賣給多人;也要確認提醒工作有排隊、失敗時查得到原因,並檢查時區和免費版限制。 文中也用 Bookance 當例子:它目前把多人員、地點、行事曆和通知等功能放在免費版,但還不適合需要線上付款的人。挑外掛時,除了看功能清單,也要先確認資料能不能匯出、更新會不會弄壞網站,免得生意忙起來才發現預約出了問題。
llama.cpp 的 b12622 版本會自動處理 .scale 張量,並修正相關正確性問題。更新也調整了部分模型運算程式碼,並修正 CI 建置。此版本提供 macOS、iOS、Linux、Android、Windows 和 openEuler 等平臺的版本,部分版本支援 CUDA、Vulkan 等運算方式。
寫部落格時,RSS、Google Trends 和 YouTube 標題常混著過時或沒人想看的題目;若全都交給大型語言模型挑選,就得花錢請它一一判斷。作者在 n8n 加上 Jev AI,先替題目打分數,再把分數達 0.45 的留下來。像「昨天的首爾天氣」被刷掉,「無線鍵盤推薦」則通過;如果篩選太嚴,系統也會補回高分題目,遇到錯誤時則讓題目照常通過。一次檢查 24 個題目,留下 15 個、花 3 點數,約 900 毫秒。這讓大型語言模型只需處理較少題目,也提醒作者還得繼續調整分數門檻。
寫程式時,大家常希望軟體跑得快,又別太吃電和記憶體。作者打造了 Kil-C 程式語言和 Kil-C Studio 編輯程式的桌面軟體,並公佈多項比較結果:例如檢查 200 萬筆銀行交易資料時,Kil-C 花 0.14 秒,Python 花 3.68 秒;能源消耗最多少 85%,但在部分測試中也輸給 Rust。Kil-C Studio 還能讓人用 Claude 或 GPT 協助寫程式,並把作品發布成電腦上的桌面軟體。這些數字是作者公佈的測試結果,實際表現會依工作內容而不同。
AI 助理一個工作可能同時叫出許多工具,耗掉的 token 和等待時間也會跟著增加;只看伺服器忙不忙,常會等到模型服務的排隊變長、回應變慢才發現不夠用。文章建議用排隊中的 token 數量估算需求,並先替重要、需要即時回應的工作保留名額,讓批次工作在忙碌時先等候或暫停。比如要一次處理一萬份檔案的批次工作,可以提早安排 token 額度;如果還是太忙,就先改用較便宜或較慢的模型處理不趕時間的工作,最後才拒絕新的即時請求。這樣能把有限的模型額度留給更重要的工作,也讓管理者看得出延遲是怎麼來的。
考試、面試或上臺前容易緊張,但一般呼吸計時器不會告訴你練習有沒有帶來變化。Calmo 用網路攝影機讀取呼吸、脈搏和表情,透過畫面上的呼吸圈帶著你練習,也會依當下資料提供一個可以馬上做的建議。影片在自己的電腦上處理,不會錄下、儲存或上傳;讀數和對話只留在當次使用期間。Calmo 提供的是一般身心放鬆回饋,不會診斷或治療疾病。
Next.js 的中介層會用網址比對規則,決定哪些頁面要檢查登入。原本規則只看開頭,例如把 api/auth 當成排除專案,結果 /api/authority 這類開頭相似的網址也可能被排除,漏掉這一層登入檢查。修正方式是在路徑名稱後加上界線,只有網址接著是斜線或已經結束才算符合;測試也確認 /api/authority 會受到保護,而 /api/auth/session 仍維持原本的排除設定。這個中介層只檢查是否有工作階段 Cookie,因此修正是補強一層防護,避免相似網址被誤判。
客服信件分錯團隊會拖慢回覆,直接用生成式模型判斷也要花較多時間和運算。作者示範如何透過 API 使用 basal,讓模型從信件中選出負責團隊,並判斷客戶是否無法使用服務;它一次讀完文字,就能回答多個問題,還會列出各選項的把握程度。比較 38 個判斷時,basal-2.0-4.5b 答對 35 個,兩個 27B 生成式模型答對 38 個;在 H200 上,basal 處理客服信件約需 20 毫秒,生成式模型則約需 150 毫秒。作者也提醒,選項要附上簡短說明,日期和金額則最好先交給程式計算。
CivetWeb 可以嵌進應用程式或裝置裡,所以產品裡可能有它,網頁標題卻不會寫出 CivetWeb;看到這個名稱,也不一定知道它藏在哪種產品中。一次 ZoomEye 搜尋只在網頁標題找到 13 筆結果,在應用程式名稱和伺服器資訊欄位都沒有找到;這不代表網路上沒有其他 CivetWeb。這些結果適合拿來找線索,不能當成完整清單。 檢查安全性時,得先找出 CivetWeb 所在的產品和版本,再確認開了哪些功能、誰能登入、能存取哪些檔案。像只用來看裝置狀態的網頁,就要確認外人不能上傳檔案或執行程式;出現登入畫面,也不代表每個網頁入口都受到保護。要盤點產品裡是否藏有 CivetWeb,還得檢視原始碼清單、軟體物料清單或裝置韌體資料。
AI 助理寫程式越來越快,程式碼審查卻可能跟不上;大型變更也更難讓人一次看懂。作者根據自己的專案經驗,建議在寫程式前先決定每份工作的範圍,並和 AI 助理一起問清楚需求、可能出錯的地方和重要取捨。接著用測試、程式檢查工具和 AI 審查處理各自擅長的問題,再由熟悉業務的人看整體變更是否合理。審查中發現的問題,也應補進測試、規範或需求說明,避免下次重複踩坑。
黎曼猜想牽涉複雜的數學條件,不容易直接看出計算結果是否符合預期。VIDRAFT 推出 Weil Positivity Gauge,讓人用互動圖表檢視黎曼 ζ 函式和四個狄利克雷 L 函式的魏爾二次型最低特徵值。文章指出,在能測量的範圍內,這些函式的數值為正;三種刻意改動條件的仿造例子則出現負值。部分數值低到超出目前的計算解析度,因此不能把它們當成已測得的正負結果。這是用來觀察相關數值條件的工具,並不等於它證明瞭黎曼猜想。
背景工作可能在完成一半時中斷,也可能因為重複送達而把付款或許可權變更做兩次。文章比較耐久佇列和 cron 定期掃描:工作量持續增加、需要及時重試,或會影響金錢與許可權時,佇列通常較好管理;低量、時間不必很準、重複執行也安全的工作,則可用 cron。每次工作都應有固定識別碼,記下重試過程,並先確認資料已寫入,再回覆工作完成。多次失敗或資料不合規時,應留下原因供人檢查,而不是無限重試。
只看畫面有沒有變化,無法知道機器的哪個零件移動了多少,也容易把光線變化或路過的堆高機當成動作。作者示範一種不用訓練圖片的追蹤方法:先在畫面上替零件框出範圍、標記幾個細節點,再逐格比對位置,並把零件移動量和畫面雜訊分開。追蹤結果可以整理成每個班次的運轉時間、停機時間和停機紀錄;遇到遮擋、光線不足或外觀相似的零件時,判斷也可能受影響。
程式如果在不同地方各自建立按鈕、核取方塊和捲軸,可能把 Windows 和 Mac 風格的元件混在同一個畫面裡。抽象工廠把建立這些元件的方式放進同一個工廠,畫面只向它索取元件,就能讓它們來自同一種風格;要換風格時,也只要換工廠。文章還比較抽象工廠和工廠方法:前者適合多種元件要一起變化,後者適合一次只改一種產品。若家族裡常增加新種類的元件,抽象工廠也會需要修改每個工廠,因此作者建議先從簡單做法開始。
詳細網頁版與參考連結:https://podcast.david888.com/post/2026-11-22 今日科技圈見證數學史里程碑:Lean 社群在 24 小時內完成 1,700 萬行黎曼猜想形式化證明驗證。同時 AI 界掀起現實檢驗,GPT-6.2 在 SimpleBench 排名驟降,本地極限量化 Inkling-2-Mini 亦遭實測質疑;資安面聚焦 GPGME 記憶體漏洞、冰島主機商 1984 遭襲與 FBI 資料庫風暴;系統開發則迎來 Valkey 淘汰跳錶改用 B+ 樹、Zero C# 挑戰無 GC,以及純 CPU 工業視覺追蹤實戰。 相關連結: Inkling-2-Mini in 5.4 GB Memory RCE in Gnupg LLMs can read and write executables byte by byte from a hex dump jingyaogong / minimind (68,146 ⭐) Show HN: Zero C# – C# without a runtime or GC Lean verification of th
處理影片影格時,轉置卷積可能花上不少時間。llama.cpp 的 b12621 更新縮小了 SYCL 轉置卷積每次要讀取的輸入範圍;在文中列出的測試中,部分運算快了 2.90 到 710.23 倍。測試輸出與舊版逐位元相同,相關運算元測試也全部通過。不過,這些數字是單一核心運算的測試結果,不能直接當成整體語音生成速度的提升。
Brienne Barker 與病毒學家 Vincent Racaniello 指出,腺病毒蛋白 7 會阻止 TRIM25 對 RIG-I 進行 K63 泛素化,從而阻斷幹擾素誘導,同時抑制 RNA 與 DNA 的感測。
AI 寫論文的新聞常讓人分不清哪些工作由 AI 完成、哪些仍由人參與。作者依序整理 Sakana AI 的四篇 AI Scientist 研究,說明系統從自動產生研究想法、實驗和論文,走到安排現有程式開發 AI 助理分工;其中一篇 AI 生成的論文通過 ICLR 工作坊審查,但送審稿由人挑選,通過後也依事前約定撤回。系列研究的範圍仍限於能在電腦上進行的機器學習研究。作者指出,論文生成能力雖有進展,引用和實驗結果仍可能出錯,評估方式也可能被系統改動,因此判讀成果時要看誰寫、誰評,以及人在哪些步驟參與。
記下每筆交易時,光看試算表不容易看出自己常犯什麼錯、做對哪些決定。Whale 是一款開源桌面交易日誌,可以記錄交易和績效,還能把紀錄變成可互動的 3D 鯨魚;交易、進場策略、失誤和當下情緒也能串在一起,並用 Markdown 寫下詳細筆記。使用者也可以選擇連線 Claude 或 Ollama,資料則儲存在自己的電腦裡。作者希望這些紀錄能幫助交易者看出習慣、從失誤中學習;目前 Whale 還在開發中。
訓練大型語言模型時,模型和訓練資料可能塞不進顯示卡記憶體,得決定怎麼分散資料或搬到 CPU。這篇教學比較 PyTorch FSDP 和 DeepSpeed ZeRO:兩者都能把模型資料分到多張顯示卡,DeepSpeed 還能只把最佳化器資料移到 CPU,或進一步放到 NVMe。以 8 張 80 GB H100 為例,70B 模型採用 ZeRO-3 並把最佳化器移到 CPU,估算每張卡需要 17.5 GB;但 CPU 記憶體需求也很高。作者依列出的租用價格估算,這種做法要比使用 B200 慢不到約 2.1 倍,費用才較低,而實際速度差異尚未測量。文章建議先用 FSDP;只有模型放不進顯示卡、且搬移資料後的速度與費用合算時,再考慮 DeepSpeed。
MONAI Label 的伺服器若沒有驗證身分,外部人員可能透過上傳圖片的端點寫入任意檔案。Amazon 表示,攻擊者使用 Cairn AI 助理利用這個漏洞;研究者記錄到,程式碼可被寫進伺服器,之後在新的 Python 程式啟動時執行。漏洞影響 MONAI Label 0.8.5 及更早版本,文章指出修補已進入原始碼,但 PyPI 上的 0.8.5 套件尚未包含修補。維護者建議只在封閉、可信任的區域網路中執行,不要讓伺服器直接連上網際網路。文章也提醒,攻擊者留下的紀錄是攻擊系統對自身行為的描述,不能單靠它確認目標端實際發生了什麼。
電商平臺更換 DNS 服務時,只看目前的設定,查不出是誰要求修改,也無法證明修改有沒有成功。做法是在平臺送出變更時,先記下提出要求的人、網域、修改內容和結果,再用定期查詢的設定清單找出平臺以外的變動;找不到負責人的變動,就先標成來源不明,調查後再處理。像顧客自己的網域和平臺管理的網域,應分開管理紀錄,避免顧客看到別人的資料。這樣即使換了服務商,調查問題時仍能追查變更是誰要求、由誰執行。
網站名錄上寫著「live」,不一定表示網站現在真的能用;它可能只是名錄上次檢查時的結果。作者把 20 個網址送進 payability index,不到 4 分鐘就都查得到,但「收下網址」、「曾經檢查過」和「現在替這筆紀錄簽名確認」是三回事。舉例來說,名錄會排定下一次檢查,兩次檢查可能相隔約 22.4 小時;剛更新的簽名,只能證明名錄現在保有這筆資料,不能證明網址剛剛還能收款。要確認當下能不能付款,仍得看該網址自己的 402 回應。
多個 AI 助理同時改程式時,常會各自照手上的資料做事,結果違反服務邊界,或漏掉會受影響的程式和測試。這篇實務指南建議把架構規則、服務關係、資料歸屬和決策來源整理成知識圖譜,讓 AI 助理動手前先找到和任務相關的規則與程式碼。完成修改後,再用固定工具檢查有沒有違規,並記錄架構變動。這種做法能讓規則更容易查證,也讓多個 AI 助理使用相同的架構資訊。
MONAI Label 0.8.5 和更早版本的上傳功能,會把使用者提供的路徑當成檔案位置,沒有確認檔案仍在資料儲存區內。Amazon 表示,攻擊者利用這個漏洞寫入檔案,再觸發訓練 API,取得伺服器的 root 許可權;研究者也指出,這條攻擊路徑約 11 分鐘就能成功。漏洞修補已合併到程式碼,但截至文章查詢時,PyPI 和 GitHub 都還沒有可安裝的新版本。作者建議檢查目前使用的版本,並避免讓 MONAI Label 連上網際網路或不受信任的網路。
推薦理由:文章拆解 MONAI Label 如何因上傳路徑檢查不足而遭入侵,也指出修補雖已合併,當時仍沒有可安裝的新版本。
AI 助理操作網頁時,出了錯常常只回報失敗,讓人猜不出是哪一步出了問題。DSH Agent Enhancer 的 Browser Use 功能可以把人操作網頁的步驟錄成流程,再讓 AI 助理或排程重播;如果失敗,也能檢視是哪一步卡住、頁面當時長什麼樣子。像是每天匯出訂單,可以先錄好流程,再交給排程執行。這套工具適合重複操作同一個網頁的人,能讓流程比較容易檢查和修正;不過它在單一電腦上執行,遇到網頁改版也不會自己猜新的操作方式。
用 Obsidian 記帳、寫小說或整理論文時,如果每次都用不同格式,資料就容易對不起來,也可能忘記當初記下某篇論文的原因。作者做了 36 種筆記範本,最常用其中 6 種:每日筆記、專案筆記、交易紀錄、章節卡與場景卡、文獻筆記,以及故事設定檢查表。例如,交易紀錄全年固定使用 7 欄,還要把帳戶間轉帳標清楚,月底才不會把同一筆錢誤算成收入和支出。這些範本用純 Markdown 撰寫,重點是先決定格式,再持續照著記,讓筆記更容易整理和接著用。作者也說明,這是一套他自己使用並販售的範本,不會替人思考或自動完成工作。
追蹤多家公司的職缺和美國薪資範圍時,逐頁操作網站既慢又容易出錯。BeakDo 示範直接用 HTTP 查詢 Workday 的 JSON 端點:先取得職缺清單,再依每筆資料中的路徑讀取完整職缺說明。文章也提醒,有些網址要先移除語系片段,薪資資訊可能藏在很長的 HTML 內容後段,搜尋前不要先截短。作者另提供 41 家企業的端點清單、職缺探索頁面和代管 API,方便把資料整理成可追蹤的格式。
Together AI 的部分提示詞樣本遭未經授權的人下載,起因是私有 Hugging Face 儲存庫的憑證被提交到公開 GitHub 專案 xorl。樣本來自 2026 年 6 月和 7 月對 MiniMax M3、GLM-5.2 和 Kimi K2.6 無伺服器推論服務的請求;對方也搜尋樣本中的其他服務憑證,並測試其中五個 Dragos 安全實驗用的金絲雀憑證。Together AI 表示,目前沒有理由認為資料又被轉傳,並已得知資料遭刪除;公司仍在檢查內容,確認是否涉及個人或客戶資料。公司已加強憑證和程式碼審查,並把 ZDR 設為新帳戶的預設值;處理敏感提示詞的客戶可在帳戶設定中啟用 ZDR。
推薦理由:這起事件交代了提示詞樣本遭下載的原因、涉及範圍與後續管控,能幫助使用者判斷是否啟用 ZDR 並留意憑證管理。