今天 Google 把 NotebookLM 改名 Gemini Notebook——3000 萬用戶的研究工具正式納入 Gemini 生態系，並新增了雲端程式碼執行功能。同一天，LM Studio 推出 Bionic，一個專為開源模型設計的 AI agent。兩條路線同時推進：一條把所有東西收進同一個品牌和伺服器，一條把運算地點的選擇權留在使用者手上。

🔥 NotebookLM 改名 Gemini Notebook：Google 把所有東西都叫 Gemini 的計畫又往前一步

Google 今天宣布將 NotebookLM 改名為 Gemini Notebook。NotebookLM 最早是 2023 年 Google I/O 上的 Project Tailwind，定位是「幫人學習」的研究工具。三年後，Google 的官方數字是超過 3000 萬用戶和 60 萬個組織在使用。

改名的同時，Google 為 Gemini Notebook 加入了一項新功能：每個筆記本都會獲得一個「安全的雲端電腦」，讓 Gemini Notebook 直接在筆記本內撰寫和執行程式碼，進行以使用者上傳資料為基礎的數據分析。這項功能目前開放給 Google AI Ultra 訂戶和符合條件的 Workspace 商業客戶，Google 表示將在未來幾週內推送給所有 Pro 用戶。

另一個變動是跨產品同步：使用者已經可以在 Gemini app 內存取和建立筆記本，Gemini app 和獨立的 Gemini Notebook 之間可以雙向同步。Google 也表示很快會把筆記本帶進 Google 搜尋的 AI Mode。

Google 的說法是「讓你的筆記本跟隨你到任何地方」。另一個角度是：你的研究筆記現在不只存在一個 app 裡，而是存在 Google 的伺服器上，透過 Gemini 處理，然後可以出現在搜尋結果旁邊。NotebookLM 原本是一個相對獨立的產品，現在它跟 Google 帳號、Gemini app、Google 搜尋的綁定都更深了一層。Google 沒有說明「安全的雲端電腦」的隔離機制細節——「安全」的定義由 Google 決定。

🦾 LM Studio Bionic：開源模型的 agent 來了

LM Studio 今天推出了 Bionic——一個全新的獨立應用程式，定位是「專為開源模型打造的 AI agent」。跟原本的 LM Studio（以模型下載和 local inference 為主）不同，Bionic 是一個完整的 agent 介面，涵蓋程式開發、文件處理、語音輸入等功能。

Bionic 讓使用者可以選擇在本機跑模型，或切換到 LM Studio Secure Cloud 上跑更大的開源模型。LM Studio 列出的雲端支援模型包括 GLM 5.2 和 Kimi K2.7 Code。語音輸入使用 Mistral 的 Voxtral 模型做本機端即時轉錄，不需連網。LM Studio 對 Bionic 雲端推理的資料處理政策是「Zero Data Retention」——請求處理完後不保留任何資料。

在程式開發方面，Bionic 提供 codebase 檢視、行內 diff、agentic code search；文件處理則在 sandbox 環境中進行，附自動 checkpoint 和 in-app preview。Bionic 是獨立於 LM Studio 的新 app，使用雲端模型需要註冊 LM Studio 帳號並設定計費。

LM Studio 的產品頁面寫道：「隨著前線開源模型在 coding、reasoning、tool calling 和長上下文任務上持續進步，Bionic 給你一個在它們變強時隨時試用的地方。」目前開源模型的 agent 生態系以 CLI 工具為主（Claude Code、Codex CLI、以及前天剛開源的 Grok Build），LM Studio 走的是把這些能力包裝進一個有 GUI 的獨立 app 的路線。

🔬 用古典機器學習抓 AI 生成文：sklearn SVM 準確率 85%

一位開發者（lyc8503）在週末專案中實作了一個 AI 文字偵測器，方法不是用 LLM 去問「這是不是你寫的」，而是回到最基本的機器學習：scikit-learn 的 TF-IDF 向量化搭配 LinearSVC 分類器。

訓練資料的準備方式：從 2022 年以前（ChatGPT 出現前）的網路平台抓取近萬篇人類文章做為「人類樣本」，然後用七顆不同的 LLM——Gemini、Qwen、GLM-5、Kimi、DeepSeek、豆包、GLM-4.7——根據這些文章的大綱重新生成全文，做為「AI 樣本」。七組樣本分別訓練了七個 binary classifier，每個都達到 85% 以上的準確率和 80% 以上的 F1。最後採用多數投票：一句話被 ≥2 個模型標記為 AI 生成，就判定為 AI。

作者將整個 pipeline（TF-IDF + SVM）匯出為 JavaScript，在瀏覽器端執行推理。模型檔 JSON 格式 107MB（gzip 後約 38MB），對數千字的文字推理幾乎是瞬間完成。他也架了一個線上 demo 供測試。

幾個值得注意的細節。第一，不同 LLM 生成的文字在統計特徵上高度相似——多類別分類器（人類 vs. 七種 AI 分別辨識）表現不佳，準確率只有約 50%，作者推測是因為各家模型互相蒸餾導致風格趨同。第二，作者在生成訓練資料時，用上了多個低價或免費的 API 管道，包括逆向工程的 Qwen API 和 OpenRouter 免費 beta，並在文中標注「這些行為違反平台 ToS，可能導致帳號被封」。

附代一提：作者最初讓 Claude 寫分類器時，Claude 直接把整篇原始文字丟進模型，得到了「可疑的 99.45% 準確率」——後來作者自己手動清理、按句子分割後才得到 85% 這個比較可信的數字。

👤 Pseudpocalypse：你的寫作風格就是你逃不掉的指紋

dynomight 發表了一篇長文，核心命題是：任何人在網路上留下足夠多的文字，這些文字本身就構成一個統計指紋，足以把所有使用過的假名串聯回真實身份。

文章的量化基礎是：要在英語圈約 4.9 億人中唯一識別一個人，只需要 29 bits 的資訊。而你的寫作風格——語氣、用詞偏好、標點習慣——每一處都在洩漏這些 bit。dynomight 用 em-dash 的寫法舉例：你寫「like — this」還是「like—this」，就是一個 bit。

跟這篇日報直接相關的部分是：LLM 讓文字風格分析變得極其容易。dynomight 在文中提到，他把這篇文章的 1000 字草稿餵給 Claude 4.8，Claude 直接認出作者是他。他預測在不久的將來，即使是相對冷門的作者、極短的文字片段，甚至跨文體、跨主題的寫作，都能被可靠地連結回本人。

文章把這個推論延伸到文字之外：體型、步態、汽車引擎聲、網頁捲動的手指軌跡——任何高頻寬的人機互動都在洩漏身分。dynomight 的結論是：LLM 讓文字風格分析的成本大幅下降，匿名和假名寫作過去仰賴的那層「攻擊者沒有足夠算力」的保護正在消失。

📡 其他值得關注

  • Agent-talk：一個讓 Claude Code、Codex、Antigravity 的 coding agent 互相傳訊息的 plugin，基於 retalk CLI，支援公開 relay。Claude Code 可以自動接收訊息，Codex 目前只能手動拉取。 → GitHub