请启用 JavaScript 和 Cookie 以继续。
每日HackerNews RSS
我们将 TimescaleDB 的数据块（chunks）周期从 30 天缩短到了 7 天。 We shrank our TimescaleDB chunks from 30 days to 7
20 分钟前
Hacker News
最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
我们将 TimescaleDB 数据块从 30 天缩减至 7 天 (wmg.com)
5 分，由 yask123 发布于 1 小时前 | 隐藏 | 过往 | 收藏 | 讨论 | 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
当我们与公众人物——或任何经常被问及相同问题的人——交流时，往往会得到“缓存式”的回答：经过润色、安全且预先准备好的片汤话。这类交流因缺乏现场即兴和原创对话的自然感，而显得像机器人一样僵硬。 若要“打破缓存”，你必须停止提问那些可预测且低质量的问题。如果对方处于“自动驾驶”模式，通常是因为对话本身没有提出更高的要求。要实现突破，你需要提供一个观察角度，或提出一个足够新颖且敏锐的问题，迫使对方去整合新的观点，而非重复旧调。成功的标志是对方出现了停顿——那是一种尴尬而真实的思考瞬间，此时他们必须先思考再回答。 通过将对话从“表演”转变为“探索”，你可以绕过对方预设的客套面具。其目标是提供一份“真实对话”的礼物，让对方能够得出他们此前未曾表达过的结论。当你改变了投入的质量，你就从根本上改变了产出的本质，将一段乏味的互动转化为生动且原创的交流。
在 *autodidacts.io* 的一场讨论中，评论者“hypfer”对“社交缓存清除”（Social Cache Busting）这一概念进行了重新解读。作者认为，这并非一个技术术语，而是指打破“社交剧本”的行为——即我们为了高效应对复杂社交场合而预设的行为模式。
由于实时处理每一次互动需要消耗大量的认知能量，人类依靠这些“性能优化”来节省精神资源，尤其是在压力之下。破坏这些剧本（即“清除缓存”）可能会带来新颖的互动和宝贵的见解，但作者呼吁保持谨慎。由于这些剧本往往是必要的认知捷径，在没有提供替代方案的情况下打破它们可能会适得其反，甚至是不道德的。其核心启示在于：识别他人何时在使用剧本，理解他们为何这样做，并审慎地决定中断这种模式是否具有建设性的意义。
Franz 的创始人 Stefan 回顾了过去十年开发该应用的历程。2016 年，它最初只是一个为了整合碎片化消息应用而开发的周末原型项目。尽管创始人早期决定拒绝风险投资，且面临着要求扩大规模的内部压力，但这个简单的工具最终演变成了一项全职事业。
作为独立开发者，Stefan 能够优先考虑产品质量和个人实用性，而非增长指标。这种独立性在他最近从严重事故中康复期间显得至关重要，当时他依靠 Franz 来保持专注。
随着 Franz 6 的发布，该平台从一个实时消息聚合器演变为一个综合中心，引入了原生电子邮件和用于“异步”通信的端侧 AI。Stefan 强调了用户至上的理念：本地数据隐私、性能以及“更从容”的体验。十年后的今天，Franz 依然是由一个人为自己和用户所构建的项目，它将继续专注于深度、隐私和有意义的智能化，而非由公司驱动的快速扩张。Stefan 始终致力于构建自己所需的应用，以应对高强度的数字生活。
抱歉。
Hacker News新帖 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交登录
标普 500 指数拒绝 SpaceX，同时将 OpenAI 和 Anthropic 拒之门外 (arstechnica.com)
30 点 由 maltalex 发布于 54 分钟前 | 隐藏 | 过往 | 收藏 | 2 条评论 | 帮助
zippyman55 7 分钟前 | 下一条 [–]
没错！！向他们致敬。我本来打算转投等权重指数，但这让我有更多时间评估方案。回复
muadddib 19 分钟前 | 上一条 [–]
为标普 500 点赞。世界上绝大多数人根本不知道他们养老基金里的数万亿美元是如何流入极少数人手中的。简直可悲。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 加入 YC | 联系
搜索：
这个谜题要求我们不用循环、标准递归或变量声明，在 JavaScript 中计算阶乘。 其核心难点在于如何在避免显式或相互自引用的前提下实现递归。解决方案在于“不动点组合子”的概念。通过定义一个以辅助函数为参数的“生成器”函数（`factgen`），我们将递归逻辑与执行调用的机制隔离开来。 在 JavaScript 这类采用及早求值（eager evaluation）的编程语言中，标准的 Y 组合子会因为试图立即解析自引用而导致无限循环。为了解决这个问题，我们使用了 Z 组合子。通过将自应用包裹在匿名函数中（`v => x(x)(v)`），我们引入了一层间接引用，从而延迟了求值，直到真正需要结果时才进行计算。 归根结底，阶乘函数就是生成器的不动点。通过将这些概念组合成一个单一的匿名函数表达式，我们得出了最终解。该解法仅使用 Lambda 演算风格的模式来执行计算，成功绕过了那些被禁止的语言特性。
Hacker News
最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
无 Let，无递归，无问题：Y 和 Z 组合子的入门指南 (irfanali.org)
5 点，由 sayyadirfanali 于 1 小时前发布 | 隐藏 | 过往 | 收藏 | 讨论 | 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
最近一篇对《C++编程语言》一书的评论指出了该书缺乏专业性，其封面竟然错误地印上了JavaScript代码。封底的简介同样存在问题，内容模糊且套用了通用模板，完全没能描述该书的实际内容。 调查显示，这并非个例。出版商Larson and Keller在各种互不相关的主题（从冶金、营养学到食品工业）上使用了几乎一模一样、重复率极高的简介。这些简介充斥着空洞、可随意替换的短语，适用于任何教科书，表明该出版商重数量而轻质量。通过重复使用库存模板而非撰写独特的描述，出版商表现出明显的编辑工作缺失，这一点从其糟糕的封面设计——一张与内容无关的通用代码素材图——也可见一斑。总之，这些教科书似乎是低投入的产品，在制作时对所声称教授的具体学科几乎毫不关心。
Hacker News
最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
《C++ 程序设计语言》封底提出的问题，封面却未给出解答 (devblogs.microsoft.com/oldnewthing)
10 分，发布者：paulmooreparks，1 小时前 | 隐藏 | 过往 | 收藏 | 讨论
帮助
准则 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
本系列探讨了前工业化时期的军事体系如何反映其所属的平民社会。由于军队不可避免地会复制平民的社会结构，军事组织（从征兵到领导层）从根本上受到社会经济和政治现实的制约。
作者指出，军事体系通常产生于精英阶层与广大民众之间的关系。要了解一个社会的军事状况，必须首先确定其社会经济结构：
* **农业与非农业：** 大多数社会是农业社会，这为专业化和国家建设提供了条件。
* **集权与分权：** 军事权力是集中在国家手中，还是分散在地方贵族手中。
* **阶级结构：** 贵族如何维持其地位（土地所有权与官僚职位的对比），以及他们如何统领农民阶层。
征兵制根据服役的“动机”分为以下几类：
* **雇佣制：** 为薪酬而服役（需要一个强大且富裕的国家）。
* **权利义务制：** 作为与政治权利挂钩的公民义务而服役。
* **职业制：** 作为世袭社会角色而服役（“全民皆兵”的社会或精英武士阶层）。
* **依附制：** 作为对社会上级或地主的义务而服役。
本系列认为，社会很少能自由选择其军事模式；其基础设施和社会传统决定了它们的选择范围。
Hacker News
最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
世界构建者的前现代军队，第一部分：他们为何而战 (acoup.blog)
5 点积分，由 gostsamo 发布于 48 分钟前 | 隐藏 | 过往 | 收藏 | 讨论 | 帮助
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
请启用 JavaScript 和 Cookie 以继续。
抱歉。
请启用 JavaScript 和 cookie 以继续
Hacker News
最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
Lockdown Mode (help.openai.com)
11 分，berlianta 发布于 24 分钟前 | 隐藏 | 过往 | 收藏 | 3 条评论
varenc 13 分钟前 | 下一条 [–]
可能受苹果同名功能的影响：https://support.apple.com/en-us/105120
我想企业公司会对这个很感兴趣。
回复
rafram 12 分钟前 | 上一条 [–]
https://x.com/sama/status/1891533802779910471
回复
ares623 11 分钟前 | 父评论 [–]
我确实能感觉到 AGI 了
回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
大语言模型的工作原理 How LLMs work
6 小时前
现代大语言模型（LLM）共享一种通用的“Transformer”架构，这是一种现已成为人工智能领域标准的通用设计。以下流程概述了使这些模型能够处理文本的核心机制：
* **分词（Tokenization）：** 将文本转换为代表子词单元的整数 ID。
* **嵌入（Embeddings）：** 将这些 ID 映射为多维向量，使语义相关的词在空间位置上更为接近。
* **位置编码（RoPE）：** 注入有关词序的信息，使模型能够理解上下文和序列。
* **注意力机制（Attention Mechanisms）：** 使标记（Token）能够“关注”提示词中其他相关的部分。**多头注意力（Multi-head attention）**同时追踪多种关系（如语法、代词），而**分组查询注意力（Grouped-Query Attention）**则用于优化内存。
* **前馈网络（FFN）：** 对每个标记进行独立处理；在大型模型中，这些通常会被**混合专家模型（MoE）**取代，以提升扩展效率。
* **残差流与归一化（Residual Streams & Normalization）：** 确保深层网络保持稳定且可训练。
模型以**下一词预测（next-token prediction）**循环的方式运行，根据概率迭代生成文本。尽管私有模型在训练数据、规模和训练后微调方面有所不同，但它们在这一统一的结构蓝图上基本趋同。理解这些基础组件，有助于解读现代研究及模型文档。
Hacker News
最新 | 过往 | 评论 | 提问 | 展示 | 招聘 | 提交
登录
大语言模型（LLM）是如何工作的 (0xkato.xyz)
10 点，由 0xkato 发布于 1 小时前 | 隐藏 | 过往 | 收藏 | 1 条评论
帮助
singpolyma3 6 分钟前 [–]
下一步写写“大语言模型为什么能工作”
回复
准则 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：