【重奪控制權】聞泰科技邀請安世託管方洽談 擬重奪對荷蘭子公司掌控權 聞泰科技已邀請法院指定的安世半導體監管人與其討論如何重新掌控這家荷蘭晶片製造商，解決威脅汽車製造商關鍵零部件供應的僵局。聞泰科技向Guido Dierick和Arnold Croiset van Uchelen發出了接洽邀請。

🎒 卧槽，DevOps-Interview-Guide 把 85 家公司的 DevOps 面试真题攒成了一个仓库，面试前照着翻就行 GitHub 上 1400+ star，fork 数居然有 1593 个、比 star 还多，一个人业余时间在维护 准备 DevOps 和 SRE 面试最难的是不知道人家考什么：八股背了一堆，进去被问的是线上服务挂了怎么定位、SLO 该怎么定、Terraform 的 state 冲突怎么处理。DevOps-Interview-Guide 里那 151 篇全是 2025、2026 年真去面过的人记下来的，按公司建文件夹，文件名直接写清是 DevOps 工程师还是 SRE principal，同一家面过几次就存几份，不合并。 内容覆盖 Kubernetes、Docker、Terraform、三大云、Jenkins 和 GitHub Actions 这类 CI/CD、Ansible、Linux 和脚本，SRE 那套 SLI/SLO/SLA、可观测性、事件响应也都有。 想投哪家就先翻那家的文件夹，看完再准备，比漫无目的地刷题清楚多了。 GitHub：

新加坡女童军协会（Girl Guides Singapore）迎来新主席。贝莱德（BlackRock）东南亚可持续与转型方案负责人叶欣宜将接替上任主席苏塔博士（Seetha Subbiah），成为新加坡女童军的第14任主席，任期自星期六（9月19日）起正式生效。

斯坦福最新研究突破：Self-Guided Self-Play 如何让 LLM 实现自我进化？ 在大模型训练中，我们一直面临一个痛点：高质量的推理数据是有限的。一旦模型学完了人类编写的高质量数据，其推理能力的提升往往就会撞上天花板。 最近，来自斯坦福大学的研究团队发表了一篇名为 Scaling Self-Play with Self-Guidance 的论文。他们提出了一种名为 SGS (Self-Guided Self-Play) 的算法，试图彻底打破这一瓶颈。简单来说，这项工作让模型不仅能做题，还能自动出题、自己审题，从而在不需要更多人类介入的情况下，进一步提升后训练和微调的效果，实现模型推理能力的持续缩放（Scaling）。 现在前沿模型公司，后训练和微调的时候都会使用自博弈（Self-Play）方法 自博弈（Self-Play）的核心理念是：出题者（Conjecturer）负责出题，解题者（Solver）负责做题，两者在对抗中不断进步。在理想状态下，这个过程是没有天花板的。 但在现实训练中，这类方法通常会陷入 “学习停滞”（Learning Plateau）： 出题者很快就会发现，只要生成一些逻辑混乱、故意堆砌复杂词汇但又不合逻辑的题目，解题者就很难解出，或者产生某种“虚假提升”。 训练退化：由于缺乏有效的监督，随着训练周期拉长，合成数据的质量迅速下降，导致模型不仅没学到新知识，反而越练越笨。 为了解决这一问题，SGS 引入了一个至关重要的角色——引导者（Guide）。在 SGS 框架下，LLM 同时担任三个角色： Solver (解题者)：负责求解问题。 Conjecturer (出题者)：负责生成相关的合成问题，难度需与当前目标匹配。 Guide (引导者)：作为质量把关人，它负责评估出题者生成的题目质量。 Guide 会根据题目与目标任务的相关性、结论的简洁性以及逻辑的自然度进行评分。如果出题者试图通过“制造复杂逻辑冗余”来蒙混过关，Guide 会直接给出低分，强迫出题者回到高质量的学习路径上。 研究团队在 Lean4 形式化定理证明任务上验证了 SGS 的性能： 真正的持续 Scaling：在长周期的训练中（训练步数远超以往工作），SGS 的累计解题率表现出了极好的缩放特性，并没有出现以往常见的性能退化。 经过 SGS 长周期自我训练后，一个 7B 参数的模型，其推理能力甚至超越了未经过此类训练的 671B 参数模型（DeepSeek-Prover-V2）。 SGS 的意义，可以看成是 LLM后训练/微调领域的“AlphaZero 时刻”并不为过。它代表了一种重大的训练范式转变： 从单纯依赖人类标注数据的“手工作坊”模式，转向利用算法闭环自动生成高质量训练数据的“智能工厂”模式。 SGS 证明了在推理能力上，我们同样可以拥有“扩展定律”（Scaling Laws）。只要计算资源（Compute）充足，并且通过 Guide 机制守住数据质量，模型能力的提升就是可预测、可扩展的。 目前 SGS 在形式化验证领域（Lean4）已经证明了其价值。下一步的挑战在于如何将这种自我引导机制扩展到代码生成、复杂决策、甚至更广泛的通用逻辑推理领域。 我们可能正处于 又一次模型能力指数级增长的起点

HertzFlow @Hertzflow_xyz 最近连续发布了 3 篇 Beginner’s Guide，分别讲 Trade、Pools & Vaults、Referral。 8 月 1 日测试网收官，官方把下一站指向 Mainnet。 这 3 篇内容放在一起看，重点并不只是教用户按钮怎么点，更像是在提前回答一个问题： 每一笔钱从哪里产生，最后的风险由谁承担。 先看 Trade。 HertzFlow 支持加密货币、外汇、商品、股票等资产，交易者可以选择 Normal 或 Hyper。 Normal 的开仓和平仓费用约为名义价值的 4–6 bps，Referral 的 5% 折扣只覆盖符合条件的费用。 Hyper 没有对应的开平仓费，但盈利平仓后会按照 ROI 规则分配利润，亏损平仓不收这部分分成。 Funding、Borrow 和 Gas 两种模式都还在。 这其实对应两种完全不同的付费习惯： 一种在交易发生时先付，另一种等盈利兑现后再分。 频繁交易的人，可能更在意费率能否提前预测； 持仓时间更长、盈利预期更高的人，则需要重点研究利润分配。 只盯着开仓费，很容易把整张账单看漏。 再看 Pool 和 Vault。 Pool 按单一市场隔离，用户存入 USDT 后获得 HzLP，资金作为该市场杠杆交易的对手盘。 收益来自交易手续费、借贷费用和交易者净亏损。 交易者整体盈利时，Pool 的份额价值可能下跌，这类产品天然带着对手方风险。 Vault 则聚合多个市场，协议或 Curator 会把资金分配到不同 Pool，并进行再平衡，用户获得 HzV。 操作更省事，风险相对分散，但它依然会受到整体交易表现影响，不能按固定收益产品去理解。 测试网数据约为 117 k 用户、$3.7 B 交易量、$170 M 资金池锁定。 这个规模说明产品已经被大量用户试用，可真正的压力测试还在主网： 真实资金进入后，用户会不会把 APY 当成利息？ 会不会把 Active Referees 直接理解成总邀请人数？ 会不会忽略提款限制和池子价值波动？ 我更关心 HertzFlow 接下来能不能把这些规则同步到官网、文档和下单页面。 尤其是确认订单时，如果能把开平仓费、利润分成、Funding、Borrow、Gas、Referral 折扣范围放在同一张成本卡里，体验会好很多。 DeFi 用户不需要先读完一整套协议设计，但至少要在确认之前知道： 自己付什么钱，承担什么风险，什么时候可以退出。

🦞OpenClaw 极简安全实践指南 (Security Practice Guide) 是面向 OpenClaw 的黑手册。 我尝试了其他一些方式来试图加固 OpenClaw，包括 Skill 方式，但是发现还不如给 OpenClaw 植入一个安全“思想钢印”来的有意思，这个“思想钢印”形成一个 md 文档，包含安全事前、事中、事后需要做的策略，但这里有个前提： 尽量不影响 OpenClaw 的日常使用，安全不要干扰用户体验，需要给这只🦞足够的自由。但是吧，江湖险恶，一只有 Root 权限且诞生才一个多月的🦞，安全不让人放心… 于是，这份面向 OpenClaw 的极简安全实践指南诞生了，目前是 v2.7 版本，此前我们内测了许多版本，也踩了不少坑。现在公布出来，大家玩之前务必仔细看这份指南的 README⚠️： 注意里面的说法。我相信你会很有收获。里面还推荐了我们实测在 OpenClaw 场景下聪明的模型，如果你有自己的感受，一定要和我们反馈。 一切都很新，一定有不完善的地方，请大家多指正！ ⚠️最后，务必认真阅读 README，也务必肉眼扫描下你将喂给你🦞的“OpenClaw极简安全实践指南.md”，相信我，会非常有意思。