Vegas12

昨天的硬體錢包披露或許只是冰山一角。
我們在 Coldcard 的種子生成中發現了一個嚴重的熵（entropy）漏洞。受影響的 Mk2 與 Mk3 韌體在 2021 到 2023 年間生成的種子，可能只有約 40 bits 的熵；而 Mk4、Mk5 以及 Q 生成的種子，熵量甚至可能低至 72 bits，遠低於原本預期的安全等級。
用更簡單的說法，恢復短語是從比使用者預期要小得多的可能性集合中生成的。這可能使部分種子得以被重現或透過暴力破解，而不是幾乎不可能被猜中。
然而，這也許只是開始。
這項 Coldcard 漏洞的具體性質取決於其韌體，但「舊錢包用弱隨機性生成種子」的更大問題，可能會影響其他硬體錢包、軟體錢包與 Web3 錢包。
弱種子一旦生成，就會永遠保持脆弱。更新韌體、把短語匯入到另一個錢包、或在不同區塊鏈上使用它，都無法修復原始的熵。相同的恢復短語可能會在多條鏈上、跨多個地址與多個應用程式中暴露帳戶。
我們可能正看到冰山一角，更多脆弱的錢包與歷史上的種子生成方法仍有待被發現。
資安建議：如果你的恢復短語是在受影響的 Coldcard 上生成，或是在 2021–2023 期間由舊錢包生成，而你不確定其安全性，請立即調查。
使用已更新且可信的軟體或硬體建立一個全新的錢包，生成一組全新的恢復短語，並仔細轉移你的資產。不要只是在新裝置上匯入舊的種子。
裝置可以更換。韌體可以修補

燃燒稅？

成交量，成交量是什麼？

AI 泡沫是真實的

隨著新的加密貨幣法律與法規生效，更多中心化交易所（CEX）可能會在特定市場縮減或停止營運。
這可能引發流動性自系統中撤出的連鎖反應。市場做市商仍將是合法的，但那些仰賴市場操縱、洗錢式交易或虛假交易量的人，將難得多地營運。適當的許可、透明的帳務、合規以及報告將變得至關重要。
DeFi 在這裡有真正的機會，但也有重大風險。
如果流動性在未轉移到鏈上的情況下從中心化交易所消失，許多生態系可能面臨大量代幣拋售壓力卻沒有流動性。
DeFi 的下一階段不會容易。具備真正用途、鏈上流動性深厚且代幣經濟可持續的鏈條將能存活，其他可能會掙扎得很慘。

DeFi 比起未來的量子攻擊，還有更多需要擔心的事。
量子運算是一個真實的威脅，但在非國家級行為者之外的廣泛取得可能仍需好幾年的時間。我們可以透過後量子簽章、錢包遷移、金鑰輪替以及精心規劃的協議升級等方式先行準備等。
...
眼前的威脅正在此刻發生。
太多鏈與 DeFi 協議在資安、稽核與開發上的投入不足。如今，幾乎任何人只要能使用強大的本地端 AI 模型，以及一個 a agent，就能分析公開程式碼，找出弱點並僅透過餵入足夠的資料來設計潛在的攻擊途徑。
這不再是未來才會發生的攻擊情境。
它正在今天發生。
專案必須停止把資安當作一筆支出，並開始把資安視為核心基礎設施。
#DeFi #AI

Luna 升級進展得非常順利！🚀
✅ Vegas 節點已經更新
✅ 鏈正在正常產生區塊
✅ 鏈停機時間：零
順利的升級，以及所有參與人員的出色工作。👏

去年你是律師，今年你是經濟專家……哈哈哈，真可惜有些人看不出這點 😢 哈哈

⟦ŁƲ₦₡Λł⟧ꙮ̧̨̛̖̗̘̙̜̝̞̟̠̤̥̦̩̪̫̬̭̮̯͇͈͉͍͎͓͔͕͖̍̎̄̅̿̑̆̐͒͗͑̇̈̊͂͋͌͐͛̚̕͝͠͡ͅ·ŁƲ₦Λ⸸̧̨̛̖̗̘̙̜̝̞̟̠̤̥̦̩̪̫̬̭̮̯͇͈͉͍͎͓͔͕͖̍̎̄̅̿̑̆̐͒͗͑̇̈̊͂͋͌͐͛̚̕͝͠͡ͅŦЯIX⟧ϟ̧̨̛̖̗̘̙̜̝̞̟̠̤̥̦̩̪̫̬̭̮̯͇͈͉͍͎͓͔͕͖̍̎̄̅̿̑̆̐͒͗͑̇̈̊͂͋͌͐͛̚̕͝͠͡ͅ

比特幣正在討論像 BIP-360 和 BIP-361 這樣的提案，以保護網路免受未來的量子攻擊，包括如何處理易受攻擊且閒置（dormant）的錢包。
Michael Saylor 已經分享了他的立場。
你的看法是什麼？必要的保護，還是危險的先例？
#Bitcoin #BTC #QuantumComputing #BitcoinSecurity #Crypto

Cmp170 真實還是炒作？

真是一場不錯的遊戲。

讓大型 AI 模型更容易在家用電腦上使用
超過三個月以來，我一直默默研究降低運行非常大型 AI 模型所需的硬體與記憶體負擔的方法——特別是像 GLM-5.2 這類普通家用電腦上的混合專家（mixture-of-experts）模型。
這項工作是我電腦科學碩士學位的一部分，而早期結果令人鼓舞。
我現在已經有一個可運作的原型，並計畫很快分享更多細節。
目標並不只是製作模型的更小版本，或宣稱數以百億計的參數能神奇地塞進消費級 GPU。
完整模型仍然可用，但系統會嘗試只載入、保留並傳遞目前推論階段所需的元件。
我的研究包含以下面向：
動態專家常駐（Dynamic expert residency）
預測式專家預取（Predictive expert prefetching）
跨 VRAM、系統 RAM 與 NVMe 儲存的階層式載入（Hierarchical loading）
具快取意識的路由（Cache-aware routing）
減少不必要的參數移動
根據可用硬體調整執行路徑（Adapting the execution path）
我最近看到另一個朝類似方向探索的專案，這也鼓勵我把自己的研究公開。
不過，我認為目前一些做法可能低估了真實的推論負載。
僅計算分配給作用中專家的參數，並不能代表完整的推論成本。共享層、注意力狀態