每日科技速递 - 2026-05-27

🤖 Generated by tech-news-digest v3.14.0

---

摘要

过去48小时科技圈最值得关注的动态：GitHub 项目 asgeirtj/system_prompts_leaks 继续发酵，已提取并公开了 Anthropic Opus 4.7/4.6、OpenAI ChatGPT 5.5 Thinking、Google Gemini 3.5 Flash 等多个顶级 AI 模型的系统提示词，引发安全社区持续关注。AI Agent 领域涌现多个自进化项目，GenericAgent 以 3.3K 行种子代码生长出完整技能树，Token 消耗降低 6 倍；Cherry Studio 和 EvoMap/evolver 也表现亮眼。加密货币方面，特朗普公开支持 CFTC 扩大预测市场监管权，同时英国制裁 Huobi 及卢布稳定币发行商，监管博弈加剧。

🧠 LLM / 大模型

• 🔥8 | sgl-project/sglang — SGLang is a high-performance serving framework for large language models and multimodal models. https://github.com/sgl-project/sglang

• 🔥8 | yamadashy/repomix — 📦 Repomix is a powerful tool that packs your entire repository into a single, AI-friendly file. Perfect for when you need to feed your codebase to Large Language Models (LLMs) or other AI tools like C https://github.com/yamadashy/repomix

• 🔥7 | Microsoft Copilot Cowork Exfiltrates Files https://simonwillison.net/2026/May/26/copilot-cowork-exfiltrates-files/#atom-everything

• 🔥7 | Quoting Paul Graham https://simonwillison.net/2026/May/26/paul-graham/#atom-everything

课程: COMP5270 - Randomness, Probability, and Algorithms
学期: S1 2026
来源: Week 2 Lecture Notes + Tutorial 2 Solutions
主题: Markov inequality, Chebyshev inequality, Chernoff bound, Hoeffding bound, probability amplification, Monte Carlo 与 Las Vegas 的转换

---

Part 1: Tutorial 2 详细题解

这一周的 Tutorial 主要围绕一个核心问题：

随机变量通常会不会离它的期望很远？

这类问题叫 concentration bounds，也就是“集中不等式”。它们用来控制坏事件发生的概率，是分析随机化算法的重要工具。

---

Tutorial 开头的难度/要求说明

Tutorial 2 开头特别说明：这一周比较 technical、mathematics-oriented，重点是把后面整门课都会用到的离散概率工具练熟。不是每周都会这么“in the weeds”，但这一周的练习很适合打基础。

题目	Tutorial 原文难度/要求	复习时怎么安排
Problem 1	看过 lecture notes 后应该可以尝试并解决	必做，先把 union bound 和独立事件精确概率区分清楚
Problem 2	看过 lecture notes 后应该可以尝试并解决	必做，Markov 推 Chebyshev 是 concentration bounds 的基础推导
Problem 3	主要是练习操作 series 和 sums；比较 tedious，但学习期间最好做一次	做一次即可，重点是熟悉 Poisson 分布的求和技巧
Problem 4	可能有点 boring，但很适合练习 lecture 里的 bounds，并建立什么时候用哪个 bound 的直觉	必做或至少认真读解答，比较 Markov/Chebyshev/Chernoff 的强弱
Problem 5	用来检查 Monte Carlo 和 Las Vegas 算法关系	必做，理解可检测错误如何转成 Las Vegas
Problem 6	用来检查 Monte Carlo 和 Las Vegas 算法关系	必做，重点是组合两个 Monte Carlo 算法来得到 zero-error/Las Vegas 行为
Problem 7	聚焦 probability amplification，并量化提高成功概率的 cost	必做，掌握重复运行如何把错误概率压低
Problem 8	聚焦 probability amplification，并量化提高成功概率的 cost	必做，尤其注意 one-sided error 比 two-sided error 更容易放大
Problem 9	advanced knowledge；technical 但重要，Chernoff bound 的证明技巧很通用	重点题，建议至少完整读懂证明套路
Problem 10	Chernoff lower-tail 的配套推导，属于技术型 concentration 练习	跟 Problem 9 一起复习，重点看参数怎么选
Problem 11	advanced knowledge；technical 但重要，median trick 是必须知道的工具	重点题，理解什么时候用 median trick 以及为什么有效

课程: COMP5270 - Randomness, Probability, and Algorithms
学期: S1 2026
来源: Week 0 — What to know before we start

这篇是课程正式开始前的预备知识回顾，涵盖三大块：经典算法、离散数学常用结论、以及概率论基础。如果有些内容感觉陌生，建议在上课前补一补。

---

1. 算法预备知识

这门课默认你已经熟悉经典算法。如果有需要，推荐两个资源：

• Tim Roughgarden 的 Algorithms Illuminated 系列（有视频和编程作业）
• Jeff Erickson 的 Algorithms（免费 textbook，覆盖面很广）

Big-O 记号

确保你熟悉渐近记号：

这些用来描述算法复杂度：上界、下界、紧确界。Tim Roughgarden 书的第一卷第二章有完整讲解。