机器文摘第 183 期

anydoc：500 个 DOCX 1.7 秒的文档解析器

anydoc，Firecrawl 出品的 Rust 文档→Markdown 转换库，16.3k Star，MIT。核心卖点是快：中位单文档转换 4.4ms（README 声称 <5ms），500 个 DOCX 只要 1.7 秒。

技术实现的核心是"统一文档模型"：每个格式一个解析器（doc/docx/ppt/pptx/xls/xlsx/odf/rtf/epub/csv/pdf）→ 全部汇入共享 Document 模型（blocks/inlines/tables/footnotes/assets）→ 单一 GFM 序列化器输出。关键设计：按内容标记识别格式（PDF header/RTF group/OLE 流名/ZIP mimetype），不依赖文件后缀——所以文件后缀错了也能正确解析。纯 Rust 实现，无 ML、无外部服务。

基准对比很夸张：LibreOffice 1129ms、unstructured 573ms、markitdown 135ms，anydoc 4.4ms——快一个数量级。14 种格式全覆盖，每格式评分第一。支持 Node/Python/Wasm 三端绑定，Wasm 版可以在浏览器里直接做本地文档转换。PDF 扫描件需要外部 OCR。

pdf-inspector：先判断 PDF 是什么，再决定怎么提取

pdf-inspector，Firecrawl 的 PDF 分类 + 文本提取库，15.7k Star，MIT。和 anydoc 是同一个团队的配套产品。200 个 PDF 0.47 秒。

核心思路是把 PDF 分类和文本提取分开：先判断 PDF 是文本型、扫描件、图片型还是混合型（只解析 xref + 页面树，不全量加载，10-50ms 完成），然后精确到具体哪几页需要 OCR——文本型的直接本地提取 Markdown，扫描件才路由到 OCR。每页带机器可读的原因码（scanned/no_text/vector_text/suspected_garbled_text）。

防误判的工程细节很有意思：图像主导页会提阈值、模板型 PDF（文字+整页背景图）单独判 Mixed、CID 字体带 ToUnicode 不误判为扫描、报纸多栏排版检测。表格处理是另一大块：双模式（矩形检测 + 文本对齐启发式），TEDS 0.814 业界领先。基准：opendataloader-bench 200 PDFs 上 Overall 0.875 第一，比 pymupdf4llm 快 36 倍。

文档解析领域正在经历"快 100 倍"的竞赛——anydoc 和 pdf-inspector 把之前需要几秒的解析压缩到几毫秒，这让大规模文档处理流水线（RAG、数据清洗）的成本大幅下降。

i-have-adhd：让代码 AI 闭嘴专注干活

i-have-adhd，20.9k Star 的编码 AI agent 输出风格 skill，支持 Claude Code / Gemini CLI / Cursor / Codex 等。它不是 VS Code 插件，而是一个纯 Prompt 工程的"输出风格"配置。

解决的问题很真实：你问 AI “这个 bug 怎么修”，它会回复"这是个很好的问题！让我想想……你的认证流程有几个关键部分……一种方案是……另外你还可以看看……希望这对你有帮助！"——对新手友好，但对高频使用者是灾难。

10 条输出规则：①第一行给可执行动作（命令/路径/代码片段置顶）②多步骤编号列表③结尾给一个 2 分钟内能做的下一步④禁止"顺便一提"式离题⑤每轮重申进度⑥时间用具体单位⑦明确展示成果⑧报错直说位置+原因+修法⑨列表≤5项⑩禁止开场白/总结/客套（“Great question!"、“Hope this helps!” 全部禁用）。每条规则配 Bad/Good 正反例。还有 pre-send check：发消息前删首句/末句/旁枝/模糊副词/习语。

可复用的启示：想让 agent 简洁回答不需要写代码，做成"输出风格 skill"注入即可；规则要具体到禁止词表+正反例+自检清单。

语音到语音不再需要语音到文本

Qwen3-Omni，来自斌叔OKmath的微博推荐。传统的语音 Agent 技术栈是 VAD → STT → LLM → TTS——先把语音转成文本，LLM 处理文本，再合成语音。现在多模态 LLM 可以直接接收音频输入：VAD → MLLM → TTS，没有 STT 环节，模型能直接理解你的声音。

这意味着什么？语音里的情绪、语调、语气这些在 STT 阶段会丢失的信息，现在可以直接进入模型。而且少一个环节就少一次延迟。多模态模型可以直接听出"你说话很急"或者"你在叹气”，而不只是理解文字内容。

Qwen3-Omni 这类模型让"语音 Agent"变得更自然——不只是听懂你说什么，还能听懂你怎么说。这对客服、语音助手、会议记录这类场景是质变。现在的语音 AI 已经不只是"语音转文字的翻译器"，而是真正"能听声音的模型"。

姜饼人版《拯救大兵瑞恩》：本地生成电影级片段

MiniMax H3，一个全模态生成系统——文本/图像/视频/音频统一理解与生成。微博上刷到的姜饼人版《拯救大兵瑞恩》D-day 登陆片段就是用它生成的：外国网友在本地跑了这个模型，做出了一段"姜饼人抢滩诺曼底"的短片。

H3 的亮点：原生立体声（32kHz 双声道，与视频同帧生成而非后期拼接）、4-15 秒任意宽高比、默认 768p 可到 2K、24 FPS、支持 11 种语言。架构是 33B 参数稠密模型 + Qwen3-VL-32B 文本编码器 + 16×4 时空压缩 VisualVAE + 40Hz AudioVAE。

本地运行的门槛已经大幅降低：官方推荐 SGLang 4 卡部署；量化优化后峰值显存从 123.6GB 降到 42.5GB（降 66%），动态显存卸载后连 RTX 3060 都能跑。antirez 开源了 h3.c（Apple Silicon 原生推理），M5 Max 128GB 上端到端约 75 秒/段。HN 实测：RTX 4070 Ti Super 16GB 生成 10 秒 480p 视频约 10 分钟，RTX 5090 快得多。

“在本地跑一个电影级视频生成模型"这件事正在从实验室走向桌面。

RISC-V：他们本应做得更好

RISC-V: They Should Have Known Better，Dmitry Grinberg 的文章，HN 273 分、331 评论。作者认为 RISC-V 作为 2010 年代白纸起家的 ISA，手握 x86/ARM/MIPS 几十年教训却犯下新手级错误。

六大批评：1）想通吃所有场景——超算与廉价 MCU 需求在架构层面本就对立；2）MCU 中断延迟惨败——约 44 周期 vs Cortex-M0 的 27 周期，基本 ISA 连合规中断处理都没有；3）压缩指令编码荒谬——16 位 store 偏移仅 0~~3/0~~2；4）无寄存器+寄存器寻址模式——数组访问要 3 条指令，Zba 两年后才补上（“他们花了两年才意识到数组存在”）；5）无限可选性——特性检测手段 misa 本身可选且低特权不可读；6）缺失明显指令——缺按位测试跳转、缺位域操作。

最狠的一条：Zcmp 与 D 扩展编码冲突，导致同一字节串在不同核上含义不同——x86 保持了 50 年语义稳定，RISC-V 不到 5 年破功。作者结论：RISC-V 不会死，会因免费拿下廉价 MCU 和 ML 加速器"保姆核"市场，但"是被选中因为便宜，不是因为好”。

Going Dark：当执法机构丧失黑客能力

Everything is about to “go dark”，约翰霍普金斯大学密码学教授 Matthew Green 的博客，HN 447 分。

论点很有意思：作者担心 AI 会让软件"过于安全"——AI 漏洞挖掘（Anthropic Mythos、中国 Z.ai/Moonshot 开源模型）使防御方两年内可能耗尽可远程利用的漏洞，美国情报/执法机构将首次真正"Going Dark"（丧失攻击监控能力）。

历史脉络：2010 苹果全盘加密 → 2011 短信端到端加密 → 2014 Comey 启动 Going Dark 计划 → 2016 Apple v. FBI 案被外部公司"直接黑掉手机"破局。过去十年执法能力实际建立在购买黑客工具（GrayKey 解锁、NSO Pegasus 远程入侵）之上，属法律模糊地带；漏洞被 AI 清零后，对"例外访问"后门的立法需求将重新抬头。

这个问题没有简单的答案：一方面我们不想给政府开后门，另一方面执法机构的合法需求确实存在。AI 让这个天平变得更极端了。

AI by Hand：手算 Transformer

AI by Hand，Tom Yeh 教授（科罗拉多大学博尔德分校）创办的 By Hand Research 项目，主打"Math, Algorithms, Architectures, by hand"——手算 AI。HN 355 分，73,000+ 订阅者。

核心是 Attention 教程：基于《Attention Is All You Need》的 11 个交互式图解，QKV 投影、自/交叉注意力、多头、MQA、GQA 等，用"狗"做类比。扩展内容还包括 MLP、激活函数（12 节）、微调、矩阵乘法手算教程 + Excel 练习册（GitHub 上有配套仓库）。

这个项目的价值在于：用纸笔和 Excel 手算一遍 transformer，你对它的理解会远超任何视频教程。HN 上被与 llm.c、llm-from-scratch 并列推荐——“手算一遍"是最朴素也最有效的学习方式。缺点是约半数文章被 Substack 付费墙锁定。

RustDesk 支持 Wayland 真·无人值守远程访问

RustDesk Wayland 支持，HN 338 分。RustDesk 现在支持 Wayland 上真正的无人值守远程访问——包括登录屏和锁屏场景。

技术实现是"三件套”：抓屏双路——正常 Wayland 会话走 xdg-desktop-portal ScreenCast → PipeWire；登录屏/锁屏/无人值守场景走 DRM/KMS 直采（运行时加载 libdrmtap，root 服务抓取 scanout dma-buf，类似 Sunshine kmsgrab 思路）；输入注入用 uinput 虚拟键盘/鼠标；服务形态是 root systemd 服务先于会话运行，重启后可直连登录屏幕。

Wayland 一直被认为"不能做远程桌面"（协议层面不允许非特权应用抓屏），RustDesk 通过 root 服务 + DRM 直采绕过了这个限制。HN 上也有争议：认证协议被指有 MITM 风险，libdrmtap 是 AI 生成代码。预览包已发布（Debian/Ubuntu x86_64 nightly 通道）。

华硕的自行车加速器：把普通自行车变成电助力车

ASUS Oxiis E250G1 “Intelligent Bike Booster”，华硕 2026 年发布的外挂电助力设备，HN 265 分。它不是整车，而是一个摩擦驱动式电动自行车改装套件——夹在座管上、电机滚轮压住后轮轮胎，把任何普通自行车变成智能电助力车。

规格：电机 250W 额定/500W 峰值；电池 158.4Wh/36V 可拆卸，USB-C PD 100W 2 小时充满；3.7kg 可塞背包；Eco 续航 50km；IPX4 防水；三档模式（Eco/Normal/Sport）+ 无线踏频传感器 + 刹车感应尾灯。兼容 16"-29"+700C 轮径、轮胎 ≤60mm、座管 25.4-34.9mm；不兼容全避震车和碳纤维座管。

HN 争议点：摩擦驱动雨天打滑、磨胎、效率低约 20%；被评价为"所见最轻松的 ebike 改装"，但电池容量仅入门 ebike 一半。定价未公布。对不想买整车、想让现有自行车"升级"的人来说是个有意思的方向。

Eigendrum：画出形状，听它作为鼓的声音

Eigendrum，Show HN 157 分。画出任意形状，听它作为鼓膜的声音。

数学本质：Dirichlet Laplace 特征值问题（−∇²u = λu, u=0 边界），频率 ∝ √λ。技术上是真实的数值求解：P1 线性三角形 FEM（约 2600 内部节点），用块逆迭代 + Rayleigh–Ritz 投影求最低 20 个特征对。精度经过圆形（Bessel 零点）和矩形解析谱验证，优于 0.1%，57 个测试持续回归。

物理细节也是真的：锤子按各模态在击打点的位移投影激发——敲在节线上该模态静默（自然涌现，非硬编码）；Rayleigh 阻尼使高泛音先衰减。彩蛋：内置 Kac 鼓（Gordon–Webb–Wolpert 1992 的同谱鼓，7 个三角形重排，频谱完全相同）——回答"能听出鼓的形状吗？"= 不能。

“画一个形状，听它怎么响”——这个项目的趣味性和数学深度结合得很好。真正算特征值而不是伪造声音，是它和玩具类项目的本质区别。

Ploopy A+ Trackball：开源轨迹球的新一代

Ploopy A+ Trackball，开源轨迹球 Adept（2023）的下一代迭代，HN 139 分。套件 $99 CAD，2026-08-19 开启预售。

新特性：8 键（Adept 是 6 键）、2 个可编程旋钮（垂直/水平高分辨率滚动）、Pixart PMW-3360 传感器（1000Hz）、Omron D2LS-21 微动、可拆卸腕托、手势（按住旋钮+8 方向甩球触发剪切/复制/粘贴、切桌面、媒体控制）、图层系统（轨迹球行业首创）、设备端配置（左手镜像、DPI、滚动模式）。QMK + VIA，CERN OHL-v2s/GPLv3 全开源。

Ploopy 是轨迹球界的"开源硬件标杆"——硬件设计、固件全部开源，你可以自己 3D 打印外壳、自己改固件。“图层系统"是轨迹球行业首创：一个球可以有多套按键映射，按一下切换，相当于一个物理设备顶三个。

机器文摘 第 183 期