Transit Swap 这次安全事故不是个简单的坑… 主要原因在于 Transit Swap 协议在进行代币兑换时并未对用户传入的数据进行严格检查，导致了任意外部调用的问题。攻击者利用此任意外部调用问题窃取了用户对 Transit Swap 授权的代币。 多说无益，尽力追踪。

基于 Transformer 架构的 LLM 最大的问题就是没有时间感，我觉得这是主观智能甚至是意识到重要部分，时间的连续感知和记忆的先后形成了“自我”！每次涉及到Agentic 任务我都得让模型自己使用 tool 确定操作时间，别让它靠幻觉脑补😂 不知道我这样对不对？

Unicoin 的运营母公司 TransparentBusiness Inc. 正式向美国纽约南区联邦地区法院起诉 Uniswap Labs，请求法院作出确认性判决，确认其“UNICOIN”商标未侵犯且未弱化 Uniswap 旗下“UNI”、“UNISWAP”及“UNICHAIN”等商标权益，并申请依法撤销 Uniswap Labs 拥有的“UNI”美国联邦商标注册。起诉书披露，Uniswap 法律代理人此前先后三次向 Unicoin 发出催告函，指控其涉嫌商标侵权、商标稀释、域名抢注及不正当竞争，要求其全面停止使用带有“UNI-”前缀的标识，强制无偿转让 unicoin com 与 unicoin org 两个核心顶级域名，并要求核算相关商业收益及赔偿诉讼律师费。(Cointelegraph)

Meta发布Muse Voice Transcribe：实时精准转写 集成了流式语音识别、声纹分割与端点检测能力，支持在单句内无缝识别中英文夹杂，并能实时区分超过20位说话人。模型通过自回归架构与强化学习实现了动态延迟调节，在流式语音转写与说话人日志基准测试中均排在首位。 在Meta AI应用里可以使用，支持API调用。 在线体验：

想搞懂 Transformer 到底怎么运转的，翻教程不是一行代码调完接口，就是直接甩来 40 页论文。 how-to-train-your-gpt 是一本 12 章、7500 多行的教材，带着从零写出一个 LLaMA 3 那套架构的语言模型。 分词器、嵌入层、注意力、训练循环、推理引擎，每一部分都自己动手写，每行代码都注了是什么和为什么。 GitHub： 另配 28 篇专题拆细节，RoPE 怎么用旋转表达相对位置、KV 缓存省在哪、混合精度是怎么回事，都单独讲。 还有两篇走查，跟着一句话从进模型到出结果走一遍，中间每一步的数字都摆出来。 最后能训出一个 151M 参数的模型，配了 Colab 笔记本，不用自己折腾环境。 作者在开头写了句实话，说做这个是因为自己一直没吃透注意力那部分，边学边写。 学习需要一点 Python 基础，微积分和线性代数这些不用。在注意力那一章卡住过的朋友，可以从这份重新走一遍。