自 Chromium 148 起，Math.tanh 现在可被指纹识别，用于关联底层操作系统

新的 Math.tanh 指纹识别向量

• Chromium 148+ 现在会通过宿主 libc 路由 Math.tanh（以及 CSS 三角函数），从而在相同输入上产生特定于操作系统的结果。
• 这会创建一种可靠的 OS 和版本范围指纹，尤其是与声称的 User-Agent 结合时。
• 有人认为这只是众多现有版本检测技巧中的一个小补充；也有人觉得它值得注意，因为数学函数原本被认为应当在跨平台时保持确定性。
• 一种缓解思路是在 V8 中实现 tanh，采用一致的舍入，并让 CSS 从那里调用，但这可能在性能和复杂度上带来取舍。
• 朴素地用 JS 覆盖 Math.tanh 被认为是可检测的，而且它本身也可能变成一种指纹。

浮点数 vs 定点数，以及正确舍入

• 关于定点数与 IEEE-754 浮点数的讨论相当充分：
  • 支持浮点：硬件支持普及、范围更好、对非专家来说更容易做对；通过谨慎的工具链可以做到确定性；定点数较小众，而且很难正确实现。
  • 支持定点：绝对精度统一、误差建模更简单、在某些 DSP/仿真场景中能更有效利用 32 位；当 f64 不可用或很慢时也更合适。
• 正确舍入的超越函数（exp、sin、tanh、pow 等）被描述为在数学上原则上已经“解决”，但在实践中很难，有时也很慢。
• 文中提到 glibc 和 CORE-MATH 正朝着正确舍入方向推进；pow 和双变量函数仍然棘手（table-maker’s dilemma、Ziv’s rounding）。

LLM 生成的文章与内容质量

• 许多评论者把这篇博文形容为“LLM slop”：冗长、重复、信息密度低。
• 有人指出 AI 免责声明是在发布后才加上的；这让一些人对其可信度更低。
• 也有不少人认为作者本该直接发布简洁的笔记、表格和代码，而不是一篇由 AI 写成、经过填充的文章。
• 另一些人说，只要技术内容准确且已披露，他们并不在意作者身份。

抓取、指纹识别与伦理

• 这篇文章背后的公司出售可绕过反爬虫措施的抓取基础设施；一些人认为这篇文章是试图削弱防御的内容营销。
• CDN/反机器人检测视角：大规模恶意抓取（包括用于 LLM 训练）是激进指纹识别的主要驱动因素，并损害网站容量。
• 对于抓取是“盗窃”还是只是复制公开提供的数据，存在分歧；同意、带宽和意图是争论的核心。
• 有人担心一刀切的反爬虫措施和对 UA 的歧视会进一步巩固大型 CDN 看门人的地位，并伤害合法的小规模自动化。

隐私、合法性与反指纹识别的可行性

• 有人建议将指纹识别（或某些用途）直接定为非法，类似窃听；也有人认为这很难定义，而不会把合法诊断和反欺诈也一并禁掉。
• 讨论中把识别回访用户与在许多“商店”之间偷偷追踪他们作了类比。
• 许多人认为，由于存在大量侧信道（JS 行为、渲染怪癖、TCP 栈差异、屏幕/窗口指标、时序），完全隐藏 OS 或抵抗指纹识别在实践中是不可能的。
• 有人主张禁用 JS 或大幅减少 header；也有人指出这本身可能成为独特信号，并且常常与现代网站和 CDN 的需求相冲突。