微软披露一种利用Unicode标签字符的钓鱼攻击，攻击者将隐形字符插入“funding”等金融词汇，绕过垃圾邮件过滤和AI分类器，单日检测量超230万。该技术类似“ASCII走私”，可改变文本处理结果，影响NLP和LLM系统。建议在文本进入模型前移除标签字符，但需注意保留合法用途（如旗帜表情符号），并测试实际使用的分词器。

Mux的@mux/ai工具现已支持开源模型，新增Baseten和OpenAI兼容端点提供商，允许用户自带本地或自托管模型。该工具要求视觉能力和结构化输出，部分模型需base64模式，并附验证脚本。开源模型存在可靠性问题，已通过重试机制解决。用户还可微调模型，集成更便捷。

作者反思了开源社区对LLM生成代码的争议，指出SuperCMD未修复问题，转而推荐有明确AI政策的vicinae项目。他列举了反对LLM的理由，如版权不明、信任危机、资源消耗和代码质量下降，但也承认其短期效率。最终认为LLM生成内容不应公开发布，因版权归属不清，但可容忍有限使用。

本文介绍如何构建统一的scikit-learn管道，结合轻量级开源语言模型生成的文本嵌入与表格特征进行分类。通过自定义Transformer封装Hugging Face的sentence-transformers，利用ColumnTransformer并行处理文本、数值和分类特征，最终用随机森林分类器评估。以垃圾短信检测为例，混合真实文本与合成表格数据，实现高精度分类，提供可复用的部署方案。

本文介绍如何利用Scikit-LLM和本地Ollama模型生成电影评论嵌入，训练逻辑回归分类器评估质量，并通过UMAP降维可视化语义结构，最后使用SHAP值识别关键嵌入维度，以提升LLM文本分类的可解释性。

本文介绍LLM Wiki在企业合规知识问答中的实践，面临三道坎：并发编译导致38%页面重复，通过串行规划解决；目录摘要有损压缩导致查询遗漏，用BM25全文检索补充，命中率从70%提升至92.7%；人工修正被重编译覆盖，用语义pin保存修正意图。最终强调LLM Wiki适合少而精的知识，非RAG替代品。

该研究将大语言模型视为信息处理规则，通过贝叶斯更新偏差衡量其内部一致性。实验发现，非贝叶斯启发式更新常优于精确贝叶斯更新，表明模型世界模型存在错误设定。该度量可用于诊断LLM推理系统问题。

本文介绍如何确保语言模型输出可靠的结构化数据。核心方法包括：用工具调用和JSON模式约束输出，先设计Schema而非提示词，区分语法、结构和语义错误，构建带本地修复和重试的循环，以及处理无法重试的失败。建议字段设为可空而非可选，并跟踪每次成功提取的尝试次数作为关键指标。

本文介绍微软首席应用科学家Mariko Wakabayashi和高级应用科学家Zixiao Chen，他们专注于开发网络安全运营的智能体AI工作流，研究LLM驱动系统、智能体工作流及前沿AI应用，并涉及秘密检测、智能体安全系统及LLM微调，旨在提升AI效率、可扩展性和实际部署能力。

该文章介绍了多个AI模型的API配置，包括Kimi、DeepSeek和小米MiMo。Kimi提供K3和K2.7代码模型，支持工具调用、视觉和长上下文；DeepSeek提供V4系列，支持长输入输出；小米MiMo提供V2.5系列，涵盖文本、视觉、语音识别和语音合成等功能。

作者利用LLM制作工具，为图标库补充颜色元数据。该工具通过HSV色相直方图分析未标记图标，生成HTML页面，左侧列出颜色，右侧分为“已标记”和“可能缺失”两栏。作者手动选择后复制ID，让LLM更新元数据。此方法高效，LLM擅长生成一次性代码，工具简单（HTML/CSS/JS），作者掌控视觉决策，避免盲目信任。

该研究证明，一条事实错误的针对性论证足以让大语言模型放弃正确答案。通过GRPO强化学习训练说服模型，Qwen-2.5-7B在TruthfulQA上的准确率从66.2%骤降至1.8%。该策略可跨模型迁移，对Qwen-14B和Llama-3.1-8B的PSR均超79%。闭源模型如GPT-5-mini更抗说服，但现有防御仍不充分，PBT-8B的PSR仍达60%。

LLM使编程语言选择不再重要，开发者可借助AI使用不熟悉的语言（如Rust、Zig）构建快速小型软件。这推动了更多人对性能的追求，并涉足DWARF、eBPF等复杂技术，尽管可能产生更多“垃圾代码”，但也扩大了开发者群体。

Rust官方通过4200份问卷和70余次访谈发现，学习Rust的真正难点并非语法，而是摆脱旧语言思维习惯。编译器报错信息是有效学习工具，LLM正降低学习门槛。企业培养Rust团队有成熟路径，但存在“静默流失”现象，社区氛围影响新人留存。

AI提升效率，但带来空洞与焦虑。Vibe coding快速实现想法，却削弱思考；LLM即时回应，缺乏深度。焦虑源于能力下滑、竞争加剧及被替代风险。解法在于适应技术，如蒸汽机时代，驾驭而非对抗，同时警惕效率提升不解决竞争，需持续努力。

Stripe确认以约80亿美元收购AI模型路由平台OpenRouter，为其最大收购。OpenRouter通过统一API连接数百个模型，优化成本与性能，日处理超10万亿token。Stripe旨在整合AI“token经济学”，帮助企业管理AI推理成本，提升盈利。OpenRouter保持品牌独立，交易反映AI成本管理成为企业核心需求。