魔法的保质期：权重编程被复核，AI 结论要贴有效期

Postman 静默自装 AI 插件，用户级信任边界被踩穿

一位 Mac 用户打开 Postman 桌面版之后，发现自己的编码智能体出了怪事：Codex 反复弹出 MCP 认证警告，API 请求被悄悄路由进 Postman 的技能通道。顺藤摸瓜的调查结果是：系统里多出了一个用户级的 Postman 插件、一个开机自启的指令钩子、一条远程 MCP 连接、一个 Claude Code 插件，外加一个单独安装的 Postman CLI，这些没有一个经过他本人同意。该用户 10 月 25 日在 Postman 官方仓库提交了 [SEVERE] 级 issue，11 月 3 日这条 issue 被顶上 HN 首页，一天之内拿下 1274 分、429 条评论。更扎眼的细节是：桌面版 12.33.4 的安装器还试图给自己写入的启动钩子自动登记信任哈希，等于把「自我批准」做进了安装流程。报告者的结论写得很直白：一个 API 客户端，不应该因为被打开了一次，就把自己变成其他所有工具的默认工作流。

编者评： 这条 issue 的杀伤力来自它的可复现性——受影响的不是 Postman 自己的功能，是用户装在别处的 Codex 和 Claude Code。AI 工具的装机之争已经从「抢入口」打到「改配置」，改的还是别家的配置。安装器替自己的钩子登记信任哈希这一步，踩的是安全设计里最古老的红线：裁判不能是自己人。1274 分是近期 HN 对单一厂商行为最重的一次投票，这份声量本身就是行业给出的裁决。

honnibal：那篇「Astra 改权重」的帖子，方法学上站不住

昨天 2624 分的 MIT《Sparks of Weight-Space Programming》今天迎来第一篇高质量反驳。spaCy 作者 Matthew Honnibal 11 月 3 日发文，标题不留情面：《The ‘Astra can read and write weights to improve Qwen’ post is misleading》，HN 979 分。他的核心拆解用一张表完成：原帖八个实验里，「只看原始权重、无工具、无代码执行」的设定只出现在实验 1、2、4 上，对应的是 17K 到 172K 权重的小网络；所有涉及真实语言模型的实验都允许模型写 Python，而作为标题的 Qwen 数学修复实验，还额外拿到了最多 50 批练习题的前向传播预算。Honnibal 用魔术师做类比：同一个戏法换三种手法演，观众每次都以为被拆穿的只是其中一种解释。他的判词是：Qwen 实验展示的是 Astra 能完成人类 ML 工程师做得到的事——用代码分析和修改权重本来就是工程师的日常——把两条技术路线不同的实验放进同一篇论文里讲，暗示了并不存在的「单一深能力」。

编者评： 这篇反驳的价值不在否定，在校准。八实验表格逐条标出「是否读原始权重、是否写 Python、是否允许跑网络」，把「魔法叙事」还原成「能力分层」：读小网络权重是真的，用 Python 改大模型也是真的，混在一起讲就是误导。对照昨天编者评里「外科手术不是点石成金」的说法，honnibal 走得更远：连手术刀都是借的。一天之内从 2624 分的惊叹到 979 分的拆解，这个速度本身就是社区健康的证据。

Simon Willison：别急着惊叹，我笔记本上的 Qwen 27B 也能读权重

紧随反驳而来的是复现。Simon Willison 11 月 3 日发文：原论文的四个「猜游戏」提示词在 GitHub 上完全自包含，他拉下来直接喂给了自己笔记本上的 Qwen 3.8 27B（17GB 的 Q4_K_M 量化版，走 LM Studio）。结果：Pac-Man 用了 46 分钟、43,506 个推理 token，判断正确，置信度 72%；Pong 跑了 1 小时 4 分，正确；Breakout 52 分钟，正确；冷门的 Freeway 判错，认成了 Pac-Man。他还用 OpenRouter 上的 Kimi K3.1 Pro 试了 Breakout，9 分 41 秒猜对。推理轨迹的画风是逐行数浮点数、推断每个通道的语义，Willison 的评价是「几乎读不懂，但一个拿着纸笔的老练人类大概也能走通」。他的收尾很清醒：这是一篇好论文，但围绕它的部分外围解读并不成立——他不准备宣布「源代码的时代结束了，未来是不可理解的机器在编辑自己的权重」。

编者评： 这条复现把昨天的惊叹完成了三重降级：从 GPT-6 Astra 降到 27B 本地模型，从前沿 API 降到一台笔记本，从神秘能力降级到「纸笔可及」。对论文作者来说这未必是坏消息——能力分层越清楚，科学含量越高；对传播链来说才是坏消息——「Astra 直接改写模型权重」这类标题在今天之后应当失效。Willison 的实验设计值得抄作业：自包含提示词、量化版本地模型、全量推理轨迹公开，任何人都能照着跑一遍。

Anthropic 开源 FlashProve：给 AI 输出配一张密码学身份证

Anthropic 官方账号 11 月 3 日晚间宣布新研究 FlashProve，帖文拿下 4200 余赞、43 万次浏览。方向是「可证明推理」：用密码学证明验证某条回复确实来自某个特定模型。机制上，实验室发布不泄露专有权重的公开模型指纹，开发者据此在本地做轻量验证；官方称效率显著优于此前同类开源方案。用途清单直面当下几桩信任争议：防止聊天记录被中途调包、防止实验室悄悄降级线上模型、给安全评估中对齐合规的声明提供证据。研究已开源。

编者评： FlashProve 出现的时机让它不像巧合：模型降级争议、输出被劫持的担忧、招股书里的合规承诺，三件事都缺一个「这条回复确实出自这个模型」的技术凭据。密码学指纹的聪明之处在双向保护——验证方拿不到权重，被验证方也伪造不了输出。把它放进今天这期的语境：honnibal 在校验「能力声明」，Willison 在校验「复现门槛」，FlashProve 校验的是「输出来源」，三种校验指向同一件事：信任正在从口头承诺换成可验证的凭据。

Mistral Large 4 接入 Open Math OS，数学工作区押注社区自治

Mistral 官方 11 月 3 日宣布 Mistral Large 4（1.05T 开放权重、1M 上下文）即日起在 Open Math OS 上向获批团队开放。Open Math OS 是一个给数学家与 AI 智能体协作研究的工作区：只跑开放模型，社区可以检查和运行全部组件，研究数据的主权握在社区自己手里。Mistral Large 4 是这家法国公司十月开放权重的旗舰 Le Chonk（1T 总参数、修改版 MIT 许可），此次接入把它的数学推理能力带进了这个以「可检查」为第一原则的研究环境。

编者评： 这条新闻的分量不在模型——Le Chonk 已经是一个月前的故事——在工作区的三原则：只跑开放模型、组件全可检查、数据归社区。把数学研究这种最依赖过程可验证性的工作流，建在开放权重上，是对「可检查性」的一次定向投资。Mistral 用主权 AI 叙事对抗巨头融资规模的路数一以贯之：别人拼算力账，它拼信任账。

Stanford 研究：44% 被广泛引用的 LLM 结论已经过期

Stanford 的 Owen Queen 与 James Zou 做了一件研究界欠了很久的事：把 50 条被广泛引用的 LLM 行为结论，放到 2024 年 7 月到 2026 年 9 月间发布的 20 个模型上重测。结果 11 月 3 日由 The Decoder 报道：44% 的结论已经「过期」——原始效应基本消失，另有 34% 显著弱化，仍然成立的只剩 16%，变强的 6%。22 条有明确过期时间的数据给出的平均保质期是 15.7 个月：一年后 16% 失效，两年后这个数字升到 39%。「不能做什么」类的结论过期最快——数字母、长文本丢中间信息、被用户反驳就改口，九条推理相关结论无一存活（其中五条彻底过期）；谄媚、自我偏好这类「倾向性」结论则活得最久。最戏剧性的案例是幻觉引用：2023 年 GPT-3.5 编造 55% 的参考文献，今天 GPT-6.1 Sol 是 0%、Claude Sonnet 5.5 是 1%，同为 2026 年模型的 Qwen3.7-Flash 却仍有 69%。研究者的建议很朴素：把每条发现写成「某个模型某个时点的观察」，附上版本号、日期、提示词与分析代码。

编者评： 15.7 个月的平均保质期，比多数论文的评审周期还短——这个数字该贴在每篇 LLM 行为研究的标题旁边。细看数据还有一个更扎心的分层：同代模型之间差距悬殊（DeepSeek V4 Pro 有 11 条过期，GPT-6.1 Sol 有 30 条），说明「前沿模型」四个字掩盖的内部差异，不比代际差异小。对照昨天 MIT 论文一天内被拆解复核的节奏，这项研究像是给整个领域发了张体检报告：结论的生产速度已经超过结论的保鲜速度。

YouTube：Kai 深读 DeepSeek Super Agent，把它叫作 Claude Code 的对手

频道 Kai 11 月 3 日上线 22 分 28 秒的新片《Deepseek Just Drops a Claude Code Rival (Super Agent)》，把 11 月 1 日发布的 DeepSeek Super Agent 当作 Claude Code 的直接竞品来拆：Router 负责拆解分发、Worker 按需起停的架构，与订阅制对手在工作流和成本上的取舍。上线约一天播放 3.1 万。

编者评： DeepSeek 用 Router+Worker 的架构发布 Super Agent 时，讨论集中在「又一个免费旗舰」；Kai 这类频道的价值是把新闻转成工程视角的对比账。标题里的「Rival」是频道式修辞，真正的看点是第三方的使用成本测算正在成为模型发布后的标配内容——订阅制与 token 制的账，最终要靠这类视频算给开发者看。

B站：ChatGPT 搜索量约为谷歌两成，晨报四条看 AI 入口的换位

UP 主 Gemini哈基米在运营喵 11 月 4 日早晨发布 3 分 36 秒晨报，播放 2900 余次，四条快讯拼出一张「入口换位」的速写：OpenAI 产品负责人 Adam Fry 透露 ChatGPT 处理的搜索查询量达到谷歌的两成（口径为触发联网搜索的查询）；百度公开 Apollo World 世界模型；小米机器人开始进入公寓场景作业；千问家族开源模型数量超过 470 款。标题里「约为谷歌两成」的措辞沿用了 OpenAI 的口径，没有把统计边界讲成市场份额。

编者评： 20% 这个数字要先过口径关——只统计触发联网搜索的查询，与谷歌的全量搜索不可直接相比，晨报的措辞已经算克制。把四条放在一起读更有意思：搜索入口、世界模型、家庭机器人、开源模型家族，AI 的竞争面正在从「一个对话框」摊开成四条战线。中文晨报生态对这类跨条目拼图的处理，正在形成自己的风格。

编者按

本期三条线。

第一条是复核的速度。昨天 2624 分的权重编程论文，今天就被 honnibal 拆掉方法学外衣、被 Willison 用一台笔记本上的 27B 模型完成降级复现——从惊叹到复核不超过 24 小时，「魔法」被还原成「能力分层」：读小网络权重是真的，用 Python 改大模型也是真的，混着讲就是误导。

第二条是结论的保质期。Stanford 给 50 条被广泛引用的 LLM 结论标出平均 15.7 个月的保鲜期，44% 已经过期；而 Willison 式的公开复现，正是研究界对抗过期的手段。结论的生产速度超过了保鲜速度，复核就得变成日常动作而非偶发事件。

第三条是凭据的升级。Postman 越界改装别家工具遭 HN 千分声讨，Anthropic 用密码学指纹自证输出来源，Mistral 把数学工作区建在「只跑开放模型、数据归社区」的原则上。三件事方向一致：信任的供给方式正在从「厂商承诺」换成「可验证的凭据」——校验能力、校验复现、校验来源，今天这一天，AI 生态把免疫系统练成了一件正经产品。