脈報

脈報

By 思思主播Technology
Download on the App Store

All 脈報 episodes

  • 你按下的 AI 權限,連別人傳來的訊息也交出去了!Signal 擋手機 AI 助理


    Signal 宣佈限制手機作業系統內建的 AI agent 擷取 Signal 資料,iPhone 版加入阻止 Siri AI 掃描的設定,代價是 App 內不能截圖。AI agent 靠掃描螢幕運作,對話裡從沒開過 AI 的參與者,隱私也一起受影響。Signal 坦承封鎖截圖擋不住 AI 從檔案系統讀取已存在裝置上的內容,並要求作業系統業者提供讓 App 退出 AI 資料存取的方式。



    ⭐ 文章深度讀:Signal 擋下手機內建 AI 助理!你按的允許也牽動別人隱私

    → https://heymaibao.com/signal-blocks-phone-ai-assistants-7239a6/


    ⚡ 章節重點

    按下允許的另一面 00:00

    加密擋不住的那一頭 00:49

    Signal 的補救與破口 02:05

    給作業系統業者的要求 03:49

    礦坑裡的金絲雀 05:12


    📝 懶人包

    ∙ Signal 宣佈限制手機系統內建 AI agent 擷取它的資料


    ∙ iPhone 版擋 Siri AI 掃描,代價是 App 內不能截圖


    ∙ Signal 坦承封鎖截圖擋不住 AI 從檔案系統讀舊資料


    ∙ 我的觀點:AI 助理越好用看得越多,按下允許也有另一面


    📚 參考資料

    Signal is Serious About Protecting Your Privacy

    → https://signal.org/blog/protecting-your-privacy/


    Signal is blocking Gemini and Siri AI from reading your screen

    → https://www.theverge.com/ai-artificial-intelligence/1038390/signal-blocking-ai-agent-screenshots-mobile-app

    6 min
  • 讓 AI 多想一下只是多等幾秒?Gemini 4 Hydrogen 開到 xhigh 帳單約 6 倍


    Gemini 4 Hydrogen 從 high 開到 xhigh 推理等級後,花費從 3.99 美分增加到 23.61 美分,等待從 19 秒拉長到 2 分 36 秒,Simon Willison 評價這張鵜鶘圖能和更貴的 Gemini 4 Neon 一較高下。輸入同樣是 40 個 token,差距全在輸出 token:Hydrogen 每百萬輸出 token 7.50 美元,Neon 是 15.00 美元。



    ⭐ 文章深度讀:Gemini 4 思考檔位實測!便宜模型開 xhigh 能跟 Neon 比

    → https://heymaibao.com/gemini-4-thinking-levels-price-test-2fae07/


    ⚡ 章節重點

    多想一下的價格旋鈕 00:00

    鵜鶘騎單車考題 00:30

    多開一檔的畫面與帳單 01:18

    便宜模型追平 Neon 02:14

    容易漏看的第四檔 02:49

    輸出計價與六成帳單 03:19

    測試範圍與我的做法 04:33


    📝 懶人包

    ∙ Hydrogen 開 high 用 5,311 個輸出 token,花 3.99 美分。


    ∙ 開到 xhigh 用 31,477 個輸出 token,花 23.61 美分。


    ∙ 每一格的輸入都是 40 個 token,差別全在輸出。


    ∙ 我的觀點:多想一下的選項是一顆價格旋鈕,轉一格帳單能翻好幾倍。


    📚 參考資料

    Release: llm-gemini 0.38.1

    → https://simonwillison.net/2026/Nov/20/llm-gemini/


    Gemini 4 SVG thinking-level comparison

    → https://static.simonwillison.net/static/2026/gemini-4-carbon-neon-hydrogen-with-xhigh.html


    Pelicans on a bicycle

    → https://simonwillison.net/2024/Oct/25/pelicans-on-a-bicycle/


    Choosing a model - Gemini API | Google AI Studio

    → https://aistudio.google.com/docs/choosing-a-model


    Gemini 4 思考級別怎麼選?low 到 xhigh 的參數寫法、成本和 Ofox 實測

    → https://ofox.io/zh/blog/gemini-4-thinking-levels/

    6 min
  • 沒有原始碼、字串也藏起來!AI 只看位元組就說出程式在做什麼,還抓出 bug


    AI 直接讀執行檔位元組,不靠反組譯器也不執行程式,就認出四個程式,還在 ministat 抓到標 99.5% 卻用約 99.8% 臨界值的統計 bug。作者再回原始碼確認,結果對得上。



    ⭐ 文章深度讀:沒有原始碼也行!AI 直接讀執行檔位元組還抓出統計 bug

    → https://heymaibao.com/llm-reads-executable-bytes-finds-bug-ba6a43/


    ⚡ 章節重點

    直接讀位元組的模型 00:00

    小程式實驗:找錯與加功能 01:28

    沒人提示的惡意程式分析 04:15

    檔案大小的極限與逆向工程 06:33

    看不懂的檔案與最後核對 07:46


    📝 懶人包

    ∙ 只給四個程式的位元組,模型全部認出它們是什麼程式。


    ∙ 模型發現 ministat 標 99.5% 的選項,實際用約 99.8% 的臨界值。


    ∙ Sol 6.1 只讀惡意樣本,211 秒判斷出它會下載並執行機器碼。


    ∙ 我的觀點:沒原始碼、字串也藏起來的程式,對模型不一定是黑盒子了。


    📚 參考資料

    Programming in the Machine Code Space: LLMs can read & write executables byte by byte

    → https://sgiannopoulos.github.io/blog/machine-code-programming/


    Dynamic analysis in a sandbox

    → https://academy.mlab.sh/page/sandbox-analysis


    S.3.1 Hypothesis Testing (Critical Value Approach) | STAT ONLINE

    → https://online.stat.psu.edu/statprogram/reviews/statistical-concepts/hypothesis-testing/critical-value-approach


    AHSS Inference for a mean with the t-distribution

    → https://spot.pcc.edu/~evega/AHSS2/oneSampleMeansWithTDistribution.html

    9 min
  • 你叫手機 AI 讀螢幕時,朋友傳的訊息也一起被看見!Signal 決定動手擋下


    Signal 宣佈限制 Gemini 與 Siri AI 這類手機內建 AI 助理擷取聊天資料。AI 靠掃描螢幕取得資訊,加密守得住傳輸、守不住螢幕,資料被擷取後受影響的是對話裡所有人。Signal 也向作業系統公司要求一套讓 App 退出 AI 資料存取的正式方式。



    ⭐ 文章深度讀:Signal 封鎖手機 AI 助理讀螢幕!聊天訊息為何不該被看見

    → https://heymaibao.com/signal-blocks-phone-ai-screen-reading-3cce71/


    ⚡ 章節重點

    AI 正在看的螢幕 00:00

    Signal 的封鎖令 00:39

    擋截圖的招數與代價 01:59

    Signal 對平台的訴求 04:00

    一鍵上傳的螢幕建議 05:09

    Signal 的最後底線 05:41

    沒用 Signal 的你 06:11


    📝 懶人包

    ∙ Signal 宣佈限制手機作業系統內建的 AI agent 擷取、儲存它的資料。


    ∙ Signal 在 Windows 上設 DRM 旗標,讓 Recall 與截圖程式拍不到內容。


    ∙ 點了 Gemini 的螢幕建議,螢幕上或檔案裡的資訊會上傳當上下文。


    ∙ 我的觀點:不用 Signal 也躲不掉,AI 會看見別人只想給你看的訊息。


    📚 參考資料

    Signal is Serious About Protecting Your Privacy

    → https://signal.org/blog/protecting-your-privacy/


    By Default, Signal Doesn't Recall

    → https://signal.org/blog/signal-doesnt-recall/


    Use screen actions to chat with the Gemini mobile app - Gemini Apps Help

    → https://support.google.com/gemini/answer/15850607?hl=en


    Screen security & blocking Siri AI – Signal Support

    → https://support.signal.org/hc/en-us/articles/11338514641306-Screen-security-blocking-Siri-AI


    Signal now blocks screenshots on iPhone to stop Siri AI from seeing chats

    → https://9to5mac.com/2026/11/20/signal-now-blocks-screenshots-on-iphone-to-stop-siri-ai-from-seeing-chats/


    Signal iPhone 預設封鎖截圖,連 App Switcher 也受影響 · TechLab

    → https://www.techlab.hk/p/signal-iphone-block-siri-ai-screenshots

    7 min
  • 別再事後一條條盯 AI!逆向工程老手先替 AI agent 擺好會說對錯的關卡


    逆向工程老手 ioma8 靠 AI agent 修好舊 HP 印表機的 macOS 驅動,也把 A7III 相機變成無線網路攝影機。他讓 agent 把發現寫進筆記檔,卡關時用假設表逼它做決定性實驗。



    ⭐ 文章深度讀:別再事後盯 AI!逆向工程老手替 AI agent 擺好的關卡

    → https://heymaibao.com/reverse-engineering-ai-agent-checkpoints-c58b4b/


    ⚡ 章節重點

    事先擺好的關卡 00:00

    拆了 20 年機器的老手 00:37

    老手的 AI 工作流程 01:17

    替 AI 找的裁判 03:09

    grill-me 反問法 04:11

    抽屜裡舊機器的重生 04:46

    換模型也帶得走的紀律 05:08

    方向盤上的老手直覺 05:58

    一般人帶得走的兩招 06:33


    📝 懶人包

    ∙ ioma8 說過去 6 個月靠 AI 做成的事,每件手做都要好幾年


    ∙ ioma8 把自己的 A7III 相機改成了無線網路攝影機


    ∙ repo 說 grill-me 會追問到設計每條分支都有答案


    ∙ 我的觀點:別再事後盯 AI,先替它擺好會說對錯的關卡


    📚 參考資料

    LLM assisted reverse engineering

    → https://www.slowchronicle.com/posts/llm-assisted-reverse-engineering


    GitHub - mattpocock/skills: Skills for Real Engineers. Straight from my .agents directory.

    → https://github.com/mattpocock/skills


    What is Ownership? - The Rust Programming Language

    → https://doc.rust-lang.org/stable/book/ch04-01-what-is-ownership.html


    Introduction - The Rust Programming Language

    → https://doc.rust-lang.org/stable/book/ch00-00-introduction.html


    DeepSeek | DeepSeek V4.1 Flash:更强、更快、更普惠

    → https://www.deepseek.com/news/deepseek-v4-1-flash/

    8 min
  • Google 新版 Project Genie 能在 AI 世界裡邊逛邊改!為什麼還不適合交差


    Google 新版 Project Genie 讓 Genie 4 在探索途中接受一句指示,即時改掉天氣、角色或劇情。新版先開給符合資格的 Ultra 訂閱者,Google 也承認場景越久越容易走樣。



    ⭐ 文章深度讀:Google Project Genie 新版:在 AI 世界裡邊逛邊改場景

    → https://heymaibao.com/google-project-genie-edit-worlds-while-exploring-e4d3b3/


    ⚡ 章節重點

    邊逛邊改的 AI 世界 00:00

    Genie 的邊走邊改 00:33

    方案門檻與版本選擇 02:02

    研究階段的限制與判斷 03:26


    📝 懶人包

    ∙ Project Genie 在瀏覽器裡生成世界、走進去逛,再動手改。


    ∙ Google 說 Genie 4 能在逛到一半時再打一句指示,即時改掉世界。


    ∙ 新版開給符合資格的 Ultra 訂閱者,Pro 會員只能排候補。


    ∙ 我的觀點:被改的東西從聊天回答,變成一個會動、有聲音的世界。


    📚 參考資料

    Genie 4 is now available

    → https://blog.google/innovation-and-ai/models-and-research/google-deepmind/genie-4-now-available-project-genie/


    Project Genie: Experimenting with infinite, interactive worlds

    → https://blog.google/innovation-and-ai/models-and-research/google-deepmind/project-genie/


    Google One

    → https://one.google.com/about/google-ai-plans/


    Genie 4 - Google DeepMind

    → https://deepmind.google/models/genie/


    Google、ワールドモデル「Genie 4」提供開始 探索中の編集や環境音・會話の生成に対応 | TECH+(テックプラス)

    → https://news.mynavi.jp/techplus/article/20261119-5357654/


    Get started with Project Genie - Google Labs Help

    → https://support.google.com/labs/answer/16875695

    5 min
  • 騰訊 WorkBuddy 日活破千萬!但真正嚇人的,是攤到每個人頭上的 token 量


    騰訊 WorkBuddy 據轉述報導日活超過 1000 萬,截至 11 月初日均 token 用量達 100 兆,攤到每人每天約 1000 萬 token。這個量級較像 AI 在背景跑完整段工作。「中國用量最高」的排名只比每天 token 用量一項,與豆包大模型的總用量不是同一個口徑。



    ⭐ 文章深度讀:騰訊 WorkBuddy 日活破千萬!平均每人每天燒掉千萬 token

    → https://heymaibao.com/tencent-workbuddy-daily-token-usage-270782/


    ⚡ 章節重點

    交出整段工作的人 00:00

    騰訊 AI 產品的單日用量 00:32

    排行榜比的是哪一項 01:40

    用戶身分與產品定位 02:18

    燒量這個新角度 03:19


    📝 懶人包

    ∙ 騰訊 WorkBuddy 每日活躍用戶據轉述的報導已超過 1000 萬。


    ∙ 同一轉述說,截至 11 月初 WorkBuddy 日均 token 達 100 兆。


    ∙ 它被稱為中國用量最高的 AI 產品,口徑只比每天 token 用量。


    ∙ 我的觀點:每人每天千萬 token 等級,代表有人把整段工作交給 AI 跑。


    📚 參考資料

    According to IThome, Tencent's WorkBuddy has surpassed 10 million daily active u

    → https://x.com/thexpin/status/2123001325785108843


    WorkBuddy 定價 - AI Agent 辦公新范式

    → https://www.workbuddy.cn/pricing/


    定價詳情 | WorkBuddy - AI Agent 辦公新范式

    → https://www.workbuddy.cn/docs/workbuddy/Pricing


    豆包大模型日均 Token 使用量突破 120 万億

    → https://www.yicai.com/news/103116165.html


    字節跳動豆包 AI 日均 Tokens 調用量突破 180 万億_新浪財經_新浪網

    → https://finance.sina.com.cn/roll/2026-06-23/doc-iniekknt9788268.shtml

    5 min
  • 等 AI 跑很久以為它很用心?Gemini 4 Carbon 其實早有答案,只是停不下來


    Gemini 4 Carbon 在 kernel.dev 評測裡一個任務要將近一小時,多花的時間有一大塊來自找到原因後還在做沒人要求的工作。每五輪插一句提問,動手前的空檔從 25 分鐘縮到大約 10 分鐘。



    ⭐ 文章深度讀:Gemini 4 Carbon 為什麼這麼慢?早找到答案卻收不了手

    → https://heymaibao.com/why-gemini-4-carbon-is-slow-b86ead/


    ⚡ 章節重點

    等 AI 的那段空白 00:00

    Carbon 多出來的時間 00:30

    收不了手的兩種解釋 02:06

    每五輪一問的實驗 02:33

    讓 AI 早點動手的問法 03:32


    📝 懶人包

    ∙ kernel.dev 評測裡,Gemini 4 Carbon 一個任務要將近一小時


    ∙ 範例任務中,Carbon 找到原因後又過 25 分鐘才寫程式碼


    ∙ 每五輪插一句提問,空檔從 25 分鐘縮到大約 10 分鐘


    ∙ 我的觀點:等 AI 很久,可能是它在做沒人要的工作


    📚 參考資料

    Why is Gemini 4 Carbon taking so long? · Kernel

    → https://kernel.dev/blog/why-is-gemini-4-carbon-taking-so-long/

    5 min
  • 不用內部消息也考得出來!最新 Claude 吃過大量蛋白質序列的證據藏在哪?


    Xinming Tu 給最新 Claude 一段冷門細菌蛋白質的開頭,Claude Fable 5.2 與 Opus 5.5 都接得出下一個胺基酸,測過的其他模型都做不到。同一條蛋白質把字母順序打亂後分數塌掉大半,在 128 個沒有論文的家族裡表現跟整體一樣好,不經思考直接作答也一樣準,蛋白質序列因此被推斷在最新 Claude 的訓練裡佔了可觀的一部分。換 AI 工具做比較時,拿自己手上冷門、沒公開過的案例考,比網路上的有名範例更看得出差距。



    ⭐ 文章深度讀:最新 Claude 吃過大量蛋白質序列!冷門接龍考出訓練資料

    → https://heymaibao.com/claude-trained-on-protein-sequences-474d8c/


    ⚡ 章節重點

    考出模型吃過什麼 00:00

    冷門蛋白質接龍 00:30

    字母洗牌的對照實驗 01:01

    論文與推理兩條退路 02:04

    Claude 訓練裡的蛋白質 03:08

    換工具時的冷門考題 03:34


    📝 懶人包

    ∙ 給最新 Claude 冷門細菌蛋白質的開頭,它能接著猜出下一個胺基酸


    ∙ Fable 5.2 真序列猜對 54%,字母打亂後只剩 9%


    ∙ 在 128 個沒有論文的家族裡,兩個 Claude 表現跟整體一樣好


    ∙ 我的觀點:換工具比較時,拿自己的冷門案例考,比有名範例準


    📚 參考資料

    Xinming Tu

    → http://xinmingtu.cn/blog/2026/claude-opus-5-5-protein-sequences/


    GitHub - XinmingTu/LLM-bioseq-probe

    → https://github.com/XinmingTu/LLM-bioseq-probe

    5 min
  • 連小事都丟給最貴的模型?PostHog 的個資檢查有 98.7% 根本不必叫大模型


    PostHog 在叫大型語言模型之前,先讓決策模型回答格式固定的問題並附上機率。Replay Vision 的個資檢查門檻壓到 0.4,正式環境裡 98.7% 的摘要不必叫大模型。Slack 機器人則要兩題都到 0.85 以上才放行。門檻依哪一種錯比較貴來設,換模型就重新校準。



    ⭐ 文章深度讀:不是每件事都需要大模型!PostHog 用決策模型先篩過一輪

    → https://heymaibao.com/posthog-decision-models-before-llm-calls-11c31c/


    ⚡ 章節重點

    大小事都找大模型的帳單 00:00

    決策模型與校準 00:31

    個資檢查的守門流程 01:30

    兩種錯與兩條門檻 02:35

    換模型後的重新校準 03:48

    帶得走的設門檻方法 05:00


    📝 懶人包

    ∙ 決策模型只回一個型別固定的答案,再附一個機率。


    ∙ Jina Yoon 說正式環境裡 98.7% 的摘要完全不用叫大型語言模型。


    ∙ Slack 機器人誤報比較傷,兩題都要 0.85 以上才放行。


    ∙ 我的觀點:叫大模型前先問一句需不需要,聊天視窗選模型也用得上。


    📚 參考資料

    Not everything needs an LLM

    → https://newsletter.posthog.com/p/decision-models


    chore(replay-vision): move pii check and search rerank to jeeves by rorylshanks · Pull Request #120387 · PostHog/posthog

    → https://github.com/PostHog/posthog/pull/120387

    6 min