marsdream

[marsdream]

月之暗面发布开源大语言模型Kimi K2- Kimi K2 是由中国人工智能公司 月之暗面（Moonshot AI） 研发的混合专家（Mixture of Experts, MoE）大语言模型系列，于 2025年7月正式开源。采用 MIT许可证，允许商业应用与二次开发。 核心亮点包括： 万亿级参数量：总参数达 1万亿（1T） ，每次推理激活 320亿（32B）参数，通过稀疏计算显著提升效率。 混合专家架构：结合多专家子网络，动态分配任务至最优处理单元，兼顾模型容量与计算效率。 双版本开源： Kimi-K2-Base：基础预训练模型，支持科研微��与定制开发。 Kimi-K2-Instruct：指令微调版本，优化聊天、工具调用与代理任务。 在关键基准测试中，Kimi K2 表现卓越： 代码能力 SWE-Bench Verified：65.8% 准确率（开源模型最高）。 LiveCodeBench v6：超越 DeepSeek V3 和 GPT-4.1。 智能体（Agent）任务 Tau2：58.4% 得分，支持复杂工具调用与多步推理。 AceBench：模拟真实世界工具使用场景，生成高质量训练数据。 数学与推理 MMLU-Redux、ZebraLogic：在STEM领域媲美闭源模型。 官网：https://moonshotai.github.io/Kimi-K2/ 模型下载：HuggingFace仓库：Kimi-K2-Base｜Kimi-K2-Instruct - 18 7 月, 2025 - http://osp.io/archives/9279

[marsdream]

月之暗面发布开源大语言模型Kimi K2- Kimi K2 是由中国人工智能公司 月之暗面（Moonshot AI） 研发的混合专家（Mixture of Experts, MoE）大语言模型系列，于 2025年7月正式开源。采用 MIT许可证，允许商业应用与二次开发。 核心亮点包括： 万亿级参数量：总参数达 1万亿（1T） ，每次推理激活 320亿（32B）参数，通过稀疏计算显著提升效率。 混合专家架构：结合多专家子网络，动态分配任务至最优处理单元，兼顾模型容量与计算效率。 双版本开源： Kimi-K2-Base：基础预训练模型，支持科研微调与定制开发。 Kimi-K2-Instruct：指令微调版本，优化聊天、工具调用与代理任务。 在关键基准测试中，Kimi K2 表现卓越： 代码能力 SWE-Bench Verified：65.8% 准确率（开源模型最高）。 LiveCodeBench v6：超越 DeepSeek V3 和 GPT-4.1。 智能体（Agent）任务 Tau2：58.4% 得分，支持复杂工具调用与多步推理。 AceBench：模拟真实世界工具使用场景，生成高质量训练数据。 数学与推理 MMLU-Redux、ZebraLogic：在STEM领域媲美闭源模型。 用 MuonClip优化器 与 qk-clipping技术，避免注意力logits爆炸，实现 15.5万亿token零训练中断。 代理能力优化 通过 大规模Agent数据合成 与 通用强化学习框架，解决可验证/不可验证奖励任务的RL应用难题。 推理效率 稀疏激活架构：仅调用32B参数，推理成本低于同级密集模型。 支持 vLLM、TensorRT-LLM 等高效推理引擎 官网：https://moonshotai.github.io/Kimi-K2/ 模型下载：HuggingFace仓库：Kimi-K2-Base｜Kimi-K2-Instruct - 18 7 月, 2025 - http://osp.io/archives/9279

[marsdream]

月之暗面发布开源大语言模型Kimi K2- Kimi K2 是由中国人工智能公司 月之暗面（Moonshot AI） 研发的混合专家（Mixture of Experts, MoE）大语言模型系列，于 2025年7月正式开源。采用 MIT许可证，允许商业应用与二次开发。 核心亮点包括： 万亿级参数量：总参数达 1万亿（1T） ，每次推理激活 320亿（32B）参数，通过稀疏计算显著提升效率。 混合专家架构：结合多专家子网络，动态分配任务至最优处理单元，兼顾模型容量与计算效率。 双版本开源： Kimi-K2-Base：基础预训练模型，支持科研微调与定制开发。 Kimi-K2-Instruct：指令微调版本，优化聊天、工具调用与代理任务。 在关键基准测试中，Kimi K2 表现卓越： 代码能力 SWE-Bench Verified：65.8% 准确率（开源模型最高）。 LiveCodeBench v6：超越 DeepSeek V3 和 GPT-4.1。 智能体（Agent）任务 Tau2：58.4% 得分，支持复杂工具调用与多步推理。 AceBench：模拟真实世界工具使用场景，生成高质量训练数据。 数学与推理 MMLU-Redux、ZebraLogic：在STEM领域媲美闭源模型。 用 MuonClip优化器 与 qk-clipping技术，避免注意力logits爆炸，实现 15.5万亿token零训练中断。 代理能力优化 通过 大规模Agent数据合成 与 通用强化学习框架，解决可验证/不可验证奖励任务的RL应用难题。 推理效率 稀疏激活架构：仅调用32B参数，推理成本低于同级密集模型。 支持 vLLM、TensorRT-LLM 等高效推理引擎 官网：https://moonshotai.github.io/Kimi-K2/ - 18 7 月, 2025 - http://osp.io/archives/9279

[marsdream]

月之暗面发布大语言模型Kimi K2- Kimi K2 是由中国人工智能公司 月之暗面（Moonshot AI） 研发的混合专家（Mixture of Experts, MoE）大语言模型系列，于 2025年7月正式开源。采用 MIT许可证，允许商业应用与二次开发。 核心亮点包括： 万亿级参数量：总参数达 1万亿（1T） ，每次推理激活 320亿（32B）参数，通过稀疏计算显著提升效率。 混合专家架构：结合多专家子网络，动态分配任务至最优处理单元，兼顾模型容量与计算效率。 双版本开源： Kimi-K2-Base：基础预训练模型，支持科研微调与定制开发。 Kimi-K2-Instruct：指令微调版本，优化聊天、工具调用与代理任务。 在关键基准测试中，Kimi K2 表现卓越： 代码能力 SWE-Bench Verified：65.8% 准确率（开源模型最高）。 LiveCodeBench v6：超越 DeepSeek V3 和 GPT-4.1。 智能体（Agent）任务 Tau2：58.4% 得分，支持复杂工具调用与多步推理。 AceBench：模拟真实世界工具使用场景，生成高质量训练数据。 数学与推理 MMLU-Redux、ZebraLogic：在STEM领域媲美闭源模型。 用 MuonClip优化器 与 qk-clipping技术，避免注意力logits爆炸，实现 15.5万亿token零训练中断。 代理能力优化 通过 大规模Agent数据合成 与 通用强化学习框架，解决可验证/不可验证奖励任务的RL应用难题。 推理效率 稀疏激活架构：仅调用32B参数，推理成本低于同级密集模型。 支持 vLLM、TensorRT-LLM 等高效推理引擎 官网：https://moonshotai.github.io/Kimi-K2/ - 18 7 月, 2025 - http://osp.io/archives/9279

[marsdream]

月之暗面发布大语言模型Kimi K2- Kimi K2 是由中国人工智能公司 月之暗面（Moonshot AI） 研发的混合专家（Mixture of Experts, MoE）大语言模型系列，于 2025年7月正式开源。采用 MIT许可证，允许商业应用与二次开发。 核心亮点包括： 万亿级参数量：总参数达 1万亿（1T） ，每次推理激活 320亿（32B）参数，通过稀疏计算显著提升效率。 混合专家架构：结合多专家子网络，动态分配任务至最优处理单元，兼顾模型容量与计算效率。 双版本开源： Kimi-K2-Base：基础预训练模型，支持科研微调与定制开发。 Kimi-K2-Instruct：指令微调版本，优化聊天、工具调用与代理任务。 在关键基准测试中，Kimi K2 表现卓越： 代码能力 SWE-Bench Verified：65.8% 准确率（开源模型最高）。 LiveCodeBench v6：超越 DeepSeek V3 和 GPT-4.1。 智能体（Agent）任务 Tau2：58.4% 得分，支持复杂工具调用与多步推理。 AceBench：模拟真实世界工具使用场景，生成高质量训练数据。 数学与推理 MMLU-Redux、ZebraLogic：在STEM领域媲美闭源模型。 用 MuonClip优化器 与 qk-clipping技术，避免注意力logits爆炸，实现 15.5万亿token零训练中断。 代理能力优化 通过 大规模Agent数据合成 与 通用强化学习框架，解决可验证/不可验证奖励任务的RL应用难题。 推理效率 稀疏激活架构：仅调用32B参数，推理成本低于同级密集模型。 支持 vLLM、TensorRT-LLM 等高效推理引擎 官网：https://moonshotai.github.io/Kimi-K2/ - 18 7 月, 2025 - http://osp.io/archives/9279

[marsdream]

AI编程工具：资深开源软件开发者效率反而下降？- 最新随机对照实验得出了令人意外的结论：当经验丰富的开源程序员使用当前主流AI工具时，其编码效率反而出现了明显下降？METR（模型评估与威胁研究）团队招募了16位平均拥有多年开源项目经验的开发者，追踪记录他们在维护代码库过程中的246项常规任务，包括漏洞修复、功能开发和代码重构。实验采用分组对照设计： 半数任务使用Cursor Pro或Anthropic Claude等AI工具辅助 另一半任务禁用AI辅助 为平衡任务难度，研究人员预先评估了各项任务预期耗时，并将代码审查阶段的修改时间纳入整体效率评估。 参与者在实验前预估AI工具可缩短24%工作时间，实际使用后仍主观认为效率提升20%。然而客观数据显示：AI辅助组完成任务耗时反而增加19%，效率不升反降。通过屏幕录像数据发现，AI工具确实减少了开发者33%的主动编码时间，但新增的隐性操作吞噬了这些收益： 输出审查耗时：开发者需花费9%的总任务时间检查AI生成代码 交互成本激增：包括指令调试、等待响应等无效时间 修改成本：仅44%的AI生成代码可直接使用���多数需要人工调整 AI工具尽管减少了某些环节的工作量，却引入了新的效率瓶颈。大部分程序员表示他们需要修改 AI 生成的代码。目前AI工具在编程环境中仍然有很大局限性。 消息来源：https://arstechnica.com/ai/2025/07/study-finds-ai-tools-made-open-source-software-developers-19-percent-slower/ - 18 7 月, 2025 - http://osp.io/archives/9276

[marsdream]

AI编程工具：资深开源软件开发者效率反而下降？- 最新随机对照实验却得出了令人意外的结论：当经验丰富的开源程序员使用当前主流AI工具时，其编码效率反而出现了明显下降？METR（模型评估与威胁研究）团队招募了16位平均拥有多年开源项目经验的开发者，追踪记录他们在维护代码库过程中的246项常规任务，包括漏洞修复、功能开发和代码重构。实验采用分组对照设计： 半数任务使用Cursor Pro或Anthropic Claude等AI工具辅助 另一半任务禁用AI辅助 为平衡任务难度，研究人员预先评估了各项任务预期耗时，并将代码审查阶段的修改时间纳入整体效率评估。 参与者在实验前预估AI工具可缩短24%工作时间，实际使用后仍主观认为效率提升20%。然而客观数据显示：AI辅助组完成任务耗时反而增加19%，效率不升反降。通过屏幕录像数据发现，AI工具确实减少了开发者33%的主动编码时间，但新增的隐性操作吞噬了这些收益： 输出审查耗时：开发者需花费9%的总任务时间检查AI生成代码 交互成本激增：包括指令调试、等待响应等无效时间 修改成本：仅44%的AI生成代码可直接使用，多数需要人工调整 AI工具尽管减少了某些环节的工作量，却引入了新的效率瓶颈。大部分程序员表示他们需要修改 AI 生成的代码。目前AI工具在编程环境中仍然有很大局限性。 消息来源：https://arstechnica.com/ai/2025/07/study-finds-ai-tools-made-open-source-software-developers-19-percent-slower/ - 18 7 月, 2025 - http://osp.io/archives/9276

[marsdream]

Google 正计划将ChromeOS与Android系统整合- 谷歌正在推进另一项重大战略——将ChromeOS与Android系统整合为一个统一的平台。这一举措旨在提供更无缝的跨设备体验，使用户能够在手机、平板、笔记本和智能电视之间无缝切换，而无需重新适应不同的操作系统。Sameer Samat，谷歌Android生态系统总裁透露，谷歌计划将ChromeOS迁移至Android系统，以实现这一目标。虽然目前尚未透露具体细节，但这一整合无疑将为Android带来更大的灵活性和扩展性。 Sameer Samat同时强调，AI也是Android未来发展的核心驱动力。他指出：“现在，借助AI，我们有机会重新思考智能手机上的用户体验。” 这句话揭示了谷歌对Android未来的雄心——通过AI技术，Android将不再只是运行应用的平台，而是成为用户生活的一部分，提供真正“有用”的智能服务。AI的集成将带来前所未有的便利。例如，AI可以用于筛选垃圾电话、自动处理客服请求，甚至自动生成个性化的壁纸。这些功能不仅提升了用户的日��效率，也展示了AI在移动设备上的强大潜力。Samat还提到，AI的自然语言处理能力使得人机交互更加流畅，用户无需复杂的指令即可完成任务。 ChromeOS和Android系统整合不仅有助于提升用户体验，也将增强Android在教育、办公和娱乐等领域的竞争力。例如，Android已经具备支持大屏设备的能力，提供完善的桌面模式和窗口管理，以及外接显示器的支持。这些功能的进一步优化，将使Android在生产力工具和多任务处理方面更具优势。 原文报道：www.techradar.com/phones/android/i-think-you-see-the-future-first-on-android-googles-android-leader-sameer-samat - 17 7 月, 2025 - http://osp.io/archives/9274

[marsdream]

Blender Studio首款免费开源游戏《Dogwalk》- Blender Studio 正式发布了其首款免费开源游戏《Dogwalk》（遛狗），这是一款以亲子互动为主题的短篇治愈系游戏，旨在通过轻松愉快的玩法探索冬季森林中的自然美景。这款游戏不仅体现了Blender Studio在创意与技术上的双重追求，也展示了其在游戏开发领域的全新尝试。 《Dogwalk》的开发结合了Blender和Godot两大开源引擎的优势。Blender Studio首先在Blender中制作所有资产和关卡，并开发一个无缝衔接的管道，将资产导入Godot进行游戏开发。这种跨引擎协作的方式不仅提高了开发效率，也为未来的游戏开发提供了新的可能性。 游戏背景与设定 《Dogwalk》游戏中，玩家将扮演一只名为“Chocomel”的大型犬，带领小主人“Pinda”在雪覆的森林中探索。游戏的核心玩法是收集隐藏在环境中的彩色物品，用于装饰雪人，同时体验与小主人之间的互动与情感交流。游戏场景包括露营地、林间小径、溪流和冰湖等，构成一个微型开放世界，玩家可以自由探索，感受沉浸式的自然环境互动体验。 游戏特色 双角��互动系统：玩家可以控制狗狗引导小主人完成任务，也可以调皮捣蛋，拖拽玩耍，动态关系影响游戏趣味性。小主人Pinda会根据情绪变化产生不同反应，玩家需要根据其哭泣或欢乐状态调整引导策略，这一设计被外媒称为“亲子向游戏的AI情感实验”。 无压力玩法：游戏采用完全自由的叙事结构，没有失败惩罚，所有行为都会触发独特反应，创造纯玩家主导的个性化故事线。 纸艺美学：游戏场景采用真实纸模扫描重建，独特的手工质感赋予游戏温暖治愈的视觉风格，如同置身立体童话书。 物理互动：游戏真实模拟了狗狗的拖拽、奔跑等动作物理效果，增强角色操控的生动性与喜剧表现力。 开源精神：作为Blender Studio的“开放项目”，游戏本体及开发工具链全部开源，践行创意共享理念。项目同时测试优化Blender与Godot引擎，推动两大开源工具在游戏开发领域的深度整合。 跨平台支持：游戏支持简体中文和英语，适合多个人游玩，从而建立人与人之间的密切配合。 自发布以来，《Dogwalk》在Steam平台上获得了广泛的好评。玩家普遍认为游戏画面精美、玩法轻松，尤其适合亲子互动。游戏的免费性质也吸引了大量玩家体验，成为Steam平台上的热门选择。 对于感兴趣的开发者，如果想获取游戏源代码以及资源的话，需要加入Blender Studio订阅社区，每月 €11.50。 官方博客：https://studio.blender.org/blog/dogwalk-official-release/ Steam地址：https://store.steampowered.com/app/3775050/DOGWALK/     - 16 7 月, 2025 - http://osp.io/archives/9271

[marsdream]

格芯（GlobalFoundries）宣布全资收购RISC-V IP供应商MIPS- MIPS官网宣布：全球第三大晶圆代工厂格芯（GlobalFoundries）宣布全资收购RISC-V IP供应商MIPS。此次收购并非传统意义上的技术整合，而是格芯构建“IP-代工-终端”垂直生态的关键落子：将MIPS��高性能RISC-V IP核（如eVocore P8700）与格芯12nm/22FDX工艺深度绑定，为汽车、数据中心客户提供“芯片设计+制造”一站式方案，复制ARM-台积电合作模式。 MIPS开源史：一场未竟的革命 1. 高调开源与理想主义（2018-2019） 2018年12月：Wave Computing（MIPS母公司）宣布启动MIPS Open计划，承诺免费开放MIPS R6指令集及专利，试图对抗RISC-V。时任高管Art Swift宣称：“开源是重振MIPS生态的唯一路径”。开源内容：包括32/64位R6指令集、多线程扩展（MT）、微控制器架构（MCU）及虚拟化技术（VZ），理论上允许自由商用。 2019年初：Wave发起”MIPS Open Initiative”，宣布开源MIPS指令集（ISA），试图通过开放生态吸引开发者，与RISC-V竞争 2. 执行溃败与社区崩塌（2019-2020） 承诺落空：2019年Q1，Wave仅发布有限文档，未开放核心工具链及社区平台，开发者无法实际参与。分析师Linley Gwennap尖锐指出：“MIPS开源已落后RISC-V五年”。 中国盟友倒戈：龙芯坚持旧版MIPS R3/R5开发3A4000芯片，拒绝适配R6；北京君正转向RISC-V架构，MIPS开源彻底失去最大市场支点。 根本矛盾：MIPS开源协议要求商业用户加入“MIPS Open基金会”并接受条款，与RISC-V的BSD宽松许可形成鲜明对比。 3. 破产转型：拥抱RISC-V（2020-2021） 2020年Wave破产重组，次年3月宣布放弃MIPS架构，全员转向RISC-V研发。关键转折：RISC-V基金会CTO Mark Himelstein（前MIPS工程师）主导技术迁移，复用MIPS五级流水线、分支预测等核心设计。 2021年加入RISC-V基金会：成为RISC-V International成员，利用开源生态弥补自身短板 开源溃败的深层逻辑 生态分裂的历史包袱 MIPS长期允许客户自定义指令扩展（如思科、博通），导致工具链碎片化，开源后无法统一标准。 对比RISC-V：基础指令集固定，扩展模块标准化（如Vector 1.0），工具链��容性强。 商业基因与开源文化的冲突 Wave试图以“开源引流+高端IP收费”盈利，但RISC-V阵营已涌现SiFive等成熟IP供应商，挤压MIPS生存空间。 RISC-V基金会中立性获得谷歌、英特尔支持，而MIPS Open被质疑为“Wave的营销工具”。 中国市场的战略误判 MIPS视中国为“救命稻草”，但龙芯自研LoongArch指令集（2020年），君正拥抱RISC-V，国产替代路径与MIPS彻底脱钩。 MIPS 成立于 1984 年，2013 年被 Imagination Technologies 收购， 2017 年出售给 Tallwood Venture Capital，2018 年被 Wave Computing 收购。MIPS的兴衰是半导体行业从封闭走向开放的缩影。MIPS架构的五级流水线、延迟槽设计等理念深刻影响RISC-V，被学术界誉为”RISC活教材”，历史高峰累计出货超30亿颗，曾支撑游戏主机（PlayStation）、路由器（思科）等经典产品。MIPS虽为首个商用RISC（1984年），但封闭生态败于ARM/RISC-V，2010年代未及时拥抱开源，错失IoT市场窗口。GlobalFoundries（格芯）的收购标志着其技术价值在新时代的重估。未来成败取决于能否在RISC-V红海中实现差异化 MIPS官方公告：https://mips.com/press-releases/gf-mips/ - 15 7 月, 2025 - http://osp.io/archives/9269

[marsdream]

跨平台文件去重神器- dupeGuru 智能揪出「隐藏垃圾」- dupeGuru 是一款跨平台（Linux/macOS/Windows）的 重复文件检测开源工具，通过智能算法识别文件名或内容相同的文件，解决存储空间浪费问题。基于Python编写，遵守GPL3.0开源协议。 功能特色： 多语言支持：支持中/英/德/法等11种语言本地化。 跨平台 GUI： 核心逻辑：Python 3.7+ 编写。 界面框架�� macOS：Objective-C/Cocoa Linux/Windows：Python + PyQt5。 智能扫描引擎： 模糊匹配：识别文件名相似但非完全相同的文件（如 photo1.jpg 与 photo_1.jpg）。 深度内容比对：通过哈希值校验文件内容一致性。 三大工作模式： 模式 适用场景 特色功能 标准模式 通用文件（文档/视频等） 基于文件名/大小/内容比对 音乐模式 音频文件（MP3/FLAC等） 解析元数据（歌手/专辑） 图片模式 图像文件（JPG/PNG等） 视觉相似度比对 软件使用指南： 1. 基础扫描步骤 启动应用 → 选择扫描模式（标准/音乐/图片）。 添加目标文件夹（支持多选）。 点击 “Scan” 启动扫描。 2. 高级参数配置 设置项 作用说明 匹配精度 调整文件名相似度阈值（默认85%） 忽略扩展名 如将 .jpg 与 .jpeg 视为相同类型 最小文件大小 过滤小文件（如 - 14 7 月, 2025 - http://osp.io/archives/9265

[marsdream]

开源音乐播放器-Amarok- Amarok由KDE社区开发，是一款基于Qt（C++）的免费开源音乐播放器，采用GNU通用公共许可证授权。其命名灵感源自英国作曲家Mike Oldfield的专辑名，项目定位不仅是播放器，更是帮助用户”重新发现音乐”的工具，通过创新界面实现对音乐收藏的深度管理。尽管隶属于KDE项目，但Amarok始终独立于KDE核心软件的发布周期。 Amarok 支持多种操作系统：原生支持Unix/Linux，后扩展至Windows和macOS。2010年左右，开发团队耗费大量精力完成Windows移植。音频格式：支持MP3、FLAC、AAC、FFmpeg等几乎所有主流格式，甚至可播放音频CD并翻录至本地。设备同步：兼容iPod、iPhone、iPad及MTP/UMS协议设备，提供iTunes数据库导入功能。 功能亮点 智能播放列表 动态创建基于复杂条件（如年份、评分）的自动更新列表，例如”1967年左右的歌曲”。 上下文视图（Context View） 集成维基百科艺术家信息、歌词显示、专辑封面（支持从Amazon自动获取）。 网络服务整合 无缝连接Last.fm （流媒体/推荐）、Magnatune（购买）、Jamendo、播客平台（OPML/Librivox）等。 独特交互设计 PopUp Dropper：革命性拖放菜单简化操作。 文件追踪：移动或重命名文件不影响统计数据与播放列表，支持MusicBrainz标识符。 高级工具 ReplayGain音量均衡、书签标记、睡眠定时器、多语言界面。 Amarok 专业音乐管理能力远超VLC等通用播放器，媲美iTunes但更轻量。曾因开发缓慢被误认为”已死”，实则拥有60+贡献者持续维护。2024年开始频繁更新。历经20余年发展，从KDE的衍生项目成长为跨平台标杆，证明了开源社区可持续创新的生命力。 官网：https://amarok.kde.org/ 下载：https://flathub.org/apps/org.kde.amarok - 11 7 月, 2025 - http://osp.io/archives/9263

[marsdream]

全球位置模拟神器-GeoPort- GeoPort一款���源的位置模拟工具，支持用户在iOS 17/18设备上自由设定虚拟位置。无论是开发者测试定位功能、用户虚拟旅行，它都能一键实现全球位置切换。其突破性在于原生支持Windows/Mac双平台，无需安装Python等复杂环境，操作门槛大幅降低。项目遵守GPL3.0开源协议。 核心功能亮点 全球定位模拟 瞬间定位到全球任意城市/地标（如东京、罗马、巴厘岛） 开发者测试利器 模拟多地点场景，测试地图/社交类App的定位功能 澳洲专属”Fuel”模式 实时比价全澳加油站，支持按州筛选最优油价 隐私保障机制 虚拟位置与真实位置隔离，自主控制位置暴露时机 跨平台兼容性 完美支持iOS 17/18（Windows需搭配iTunes）   使用教程 ▌ 前期准备 设备要求 iOS 17/18设备（iPhone/iPad） Windows电脑需安装 iTunes ���提供USB通信服务） Mac电脑无需额外安装 开发者模式激活 *关键步骤：iOS 17/18必须开启开发者模式* - 进入手机设置 > 隐私与安全性 > 开发者模式（若隐藏） - 若无法开启： ① 临时关闭设备锁屏密码 ② 运行GeoPort时按提示自动激活 ③ 完成后可重新启用密码 ▌ 操作流程（以Windows为例） 下载安装 访问官网下载对应系统安装包（Windows版后缀为.exe） 连接设备 用数据线连接iPhone与电脑 首次连接需在iPhone点击”信任此电脑” 启动GeoPort 位置模拟操作 步骤1：地图搜索目标位置（如”Sydney Opera House”） 步骤2：拖动图钉精确定位 步骤3：点击右下角▶ Start Simulation 成功提示：设备地图App将立即显示虚拟位置 澳洲加油比价技巧 顶部切换至”Fuel“模式 选择州名（如New South Wales） 地图自动标记低价加油站，点击图钉查看油价 停止模拟 电脑端点击⏹ Stop Location 源代码：https://github.com/davesc63/GeoPort - 10 7 月, 2025 - http://osp.io/archives/9257

[marsdream]

全球位置模拟神器-GeoPort- GeoPort一款开源的位置模拟工具，支持用户在iOS 17/18设备上自由设定虚拟位置。无论是开发者测试定位功能、用户虚拟旅行，它都能一键实现全球位置切换。其突破性在于原生支持Windows/Mac双平台，无需安装Python等复杂环境，操作门槛大幅降低。项目遵守GPL3.0开源协议。 核心功能亮点 全球定位模拟 瞬间定位到全球任意城市/地标（如东京、罗马、巴厘岛） 开发者测试利器 模拟多地点场景，测试地图/社交类App的定位功能 澳洲专属”Fuel”模式 实时比价全澳加油站，支持按州筛选最优油价 隐私保障机制 虚拟位置与真实位置隔离，自主控制位置暴露时机 跨平台兼容性 完美支持iOS 17/18（Windows需搭配iTunes）   使用教程 ▌ 前期准备 设备要求 iOS 17/18设备（iPhone/iPad） Windows电脑需安装 iTunes （提供USB通信服务） Mac电脑无需额外安装 开发者模式激活 *关键步骤：iOS 17/18必须开启开发者模式* - 进入手机设置 > 隐私与安全性 > 开发者模式（若隐藏） - 若无法开启： ① 临时关闭设备锁屏密码 ② 运行GeoPort时按提示自动激活 ③ 完成后可重新启用密码 ▌ 操作流程（以Windows为例） 下载安装 访问官网下载对应系统安装包（Windows版后缀为.exe） 连接设备 用数据线连接iPhone与电脑 首次连接需在iPhone点击”信任此电脑” 启动GeoPort 位置模拟操作 步骤1：地图搜索目标位置（如”Sydney Opera House”） 步骤2：拖动图钉精确定位 步骤3：点击右下角▶ Start Simulation 成功提示：设备地图App将立即显示虚拟位置 澳洲加油比价技巧 顶部切换至”Fuel“模式 选择州名（如New South Wales） 地图自动标记低价加油站，点击图钉查看油价 停止模拟 电脑端点击⏹ Stop Location   源代码：https://github.com/davesc63/GeoPort - 10 7 月, 2025 - http://osp.io/archives/9257

[marsdream]

全球位置模拟神器-GeoPort- GeoPort一款开源的位置模拟工具，支持用户在iOS 17/18设备上自由设定虚拟位置。无论是开发者测试定位功能、用户虚拟旅行，它都能一键实现全球位置切换。其突破性在于原生支持Windows/Mac双平台，无需安装Python等复杂环境，操作门槛大幅降低。项目遵守GPL3.0开源协议。 核心功能亮点 全球定位模拟 瞬间定位到全球任意城市/地标（如东京、罗马、巴厘岛） 开发者测试利器 模拟多地点场景，测试地图/社交类App的定位功能 澳洲专属”Fuel”模式 实时比价全澳加油站，支持按州筛选最优油价 隐私保障机制 虚拟位置与真实位置隔离，自主控制位置暴露时机 跨平台兼容性 完美支持iOS 17/18（Windows需搭配iTunes）   使用教程 ▌ 前期准备 设备要求 iOS 17/18设备（iPhone/iPad） Windows电脑需安装 iTunes （提供USB通信服务） Mac电脑无需额外安装 开发者模式激活 *关键步骤：iOS 17/18必须开启开发者模式* - 进入手机设置 > 隐私与安全性 > 开发者模式（若隐藏） - 若无法开启： ① 临时关闭设备锁屏密码 ② 运行GeoPort时按提示自动激活 ③ 完成后可重新启用密码 ▌ 操作流程（以Windows为例） 下载安装 访问官网下载对应系统安装包（Windows版后缀为.exe） 连接设备 用数据线连接iPhone与电脑 首次连接需在iPhone点击”信任此电脑” 启动GeoPort 成功 失败 运行GeoPort 检测设备 地图界面 检查iTunes服务/USB连接 位置模拟操作 步骤1：地图搜索目标位置（如”Sydney Opera House”） 步骤2：拖动图钉精确定位 步骤3：点击右下角▶ Start Simulation 成功提示：设备地图App将立即显示虚拟位置 澳洲加油比价技巧 顶部切换至”Fuel“模式 选择州名（如New South Wales） 地图自动标记低价加油站，点击图钉查看油价 停止模拟 电脑端点击⏹ Stop Location   源代码：https://github.com/davesc63/GeoPort - 10 7 月, 2025 - http://osp.io/archives/9257

[marsdream]

保护网站免受 AI 爬虫侵扰的开源工具-Anubis- Anubis 是一款通过工作量证明（Proof-of-Work, PoW）挑战保护网站免受 AI 爬虫侵扰的反向代理工具。它通过强制客户端（浏览器）完成计算密集型任务���区分人类用户与自动化爬虫，从而阻止恶意爬虫对服务器资源的无限制消耗。 大型语言模型（LLM）训练依赖海量数据抓取，导致爬虫请求量呈指数级增长，中小型网站服务器资源被恶意耗尽。 传统 CAPTCHA 影响用户体验，而 Cloudflare 等方案对自建架构或特定合规场景不适用。Anubis 的 SHA256 计算消耗使爬虫规模化抓取时，单次请求成本提升 1000 倍以上，迫使恶意行为无利可图。 Anubis 代表了开源社区对 AI 爬虫滥用问题的创造性反击，其 PoW 机制以低成本实现高效防护，成为 Cloudflare 之外的轻量级替代方案。项目遵守MIT开源协议。 核心原理 SHA256 工作量证明挑战： 用户访问网站时，Anubis 会返回一段 JavaScript 代码，要求客户端计算一个特定字符串的 SHA256 哈希值。 字符串由两部分组成： challenge：用户 IP、浏览器 User-Agent、当前日期、Anubis 公钥等公开信息。 nonce：递增的迭代次数（从 1 开始）。 目标：计算出的哈希值前 5 位必须为 0（默认设定），否则 nonce 自增并重新计算，直至满足条件。 此过程消耗大量 CPU 资源，迫使 AI 爬虫因计算成本过高而放弃。 验证与放行： 客户端提交符合条件的 nonce 后，Anubis 服务器验证哈希值有效性。 验证通过后，用户被重定向至目标网站，并写入 Cookie 避免后续请求重复验证。 实际效果 有站长实测显示：97% 的爬虫流量因无法完成计算被拦截（2.5 小时内 81,000 次请求仅 3% 通过）。 对真实用户影响极小：现代浏览器可在毫秒级完成计算，仅首次访问需验证。   使用方法 1. 部署 Anubis 实例 步骤： 从 GitHub 克隆项目并配置（需 Python 环境）。 修改 config.py  文件，指定目标网站和 PoW 难度（如哈希前导零数量）。 目录结构示例： anubis/ ├── anubis/ # 核心代码 │ ├── config.py # 配置文件 │ ├── main.py # 启动入口 │ └── routes/ # 路由逻辑 ├── tests/ # 测试用例 └── requirements.txt # 依赖库 2. 配置反向代理 将 Anubis 置于目标网站前端，例如使用 Nginx 或 Caddy： # Nginx 配置示例 location / { proxy_pass http://localhost:3000; # Anubis 实例地址 } 用户访问网站时，请求首先被重定向至 Anubis 的 PoW 挑战页面。 3. 定制化设置 允许合法爬虫： 在配置文件中添加 robots.txt 允许的爬虫（如搜索引擎），避免误封。 调整计算难度： 修改哈希前导零数量（例如从 5 位调整为 4 位），平衡安全性与用户体验 https://github.com/TecharoHQ/anubis - 9 7 月, 2025 - http://osp.io/archives/9255

[marsdream]

开源社区重启Copyleft-next项目- 在GPLv3发布18周年之际，开源法律专家Richard E. Fontana与Bradley M. Kuhn联合宣布，在非营利组织Software Freedom Conservancy（SFC）的支持下正式重启Copyleft-next项目，旨在打造新一代“强著佐权（Strong Copyleft）”许可证。这一举措旨在回应开源社区对现有许可模式的反思，但草案中一项“15年后自动转为宽松许可”的条款已引发激烈争论。 项目重启：吸取GPLv3经验 据官方公告，新项目将基于2013年Fontana提出的实验性框架，重点解决GPLv3制定过程中的不足： 独立运作：项目托管于自主搭建的Forgejo平台（git.copyleft.org ），避免依赖GitHub等商业平台； 透明治理：采用“禁止私下决策规则”（Hindering Backchannels Rule），确保讨论公开； 机构支持：SFC提供基础设施及每周4小时的专职开发支持，但暂未担任许可证官方管理者。 争议焦点：“15年著佐权日落条款” 项目草案中第8条Copyleft Sunset条款成为核心争议点： 机制：软件发布15年后，其著佐权属性自动失效，转为类似BSD的宽松许可（被社区称为“pushover license”）。 支持者观点： 用户wol认为这符合开源精神，类比“版权保护应有时限”，可吸引更多开发者参与； 用户ncm指出，类似设计能解决历史遗留问题（如MINIX系统被英特尔用于专有管理引擎）。 反对者声音： 用户mmorrow批评此举“削弱著佐权价值”，变相鼓励企业免费获取社区成果； 用户pabs质疑条款动机，直指其“符合科技巨头规避开源义务的利益”。 其他创新与质疑 草案同时提出两项突破性设计： 禁止双许可失效条款（第7条）：若开发者同时提供专有授权版本，则开源版本将失去著佐权保护； 衍生作品界定难题：用户就“动态链接场景”（如BASIC脚本集合）是否触发著佐权展开技术辩论，暴露许可条款模糊性。 社区呼吁清晰化 针对争议，项目贡献者回应：“15年条款可能移除，因表述不清已引发误读”。而Fontana与Kuhn在公告中强调，新许可证将聚焦“用户自由保护”本质，未来数月将公开征集意见。 背景延伸 当前主流著佐权许可证面临挑战： GPLv2/3分裂导致代码兼容性困境； 云服务兴起使AGPLv3等网络著佐权需求激增； 企业更倾向宽松许可，加剧社区对著佐权存续的担忧。 Copyleft-next的重启标志着开源许可演进的关键尝试，其能否平衡“创新自由”与“成果保护”，将成为观察开源哲学未来的风向标。 消息来源： https://lwn.net/Articles/1028166/ https://lists.copyleft.org/pipermail/next/2025q2/000000.html https://www.solidot.org/story?sid=81708 - 8 7 月, 2025 - http://osp.io/archives/9253