每日HackerNews RSS
成为“妓女领主”：关于援交的过度分析指南 (2021) (knowingless.com)
6点 由 andsoitis 3小时前 | 隐藏 | 过去 | 收藏 | 1条评论
everybodyknows 2小时前 [–]
2021回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请YC | 联系
搜索：
## E80：一种基于VHDL的构造主义CPU
该项目详细介绍了用VHDL实现的一个功能齐全的8位CPU的开发，旨在作为计算机体系结构教育的构造主义微世界。它追求**低门槛**，采用基于教科书的组件和一键式工具链安装程序进行仿真；**高上限**，支持堆栈操作和子程序调用等典型CPU指令；以及**宽阔的拓展性**，通过平台兼容性和完整的源代码访问实现。
该CPU具有8位架构，包含8位数据/地址总线和变长（1或2字）指令。它包括一个2R/1W多端口RAM、一个8x8位寄存器文件（6个通用寄存器、标志寄存器和堆栈指针），并支持加载/存储和寄存器-寄存器寻址。一个汇编器（ISO C99）可以将混合的ARM/x86风格的汇编语言翻译成机器码。
该设计使用GHDL/GTKWave和ModelSim进行仿真，并可综合到Tang Primer 25K、Altera Cyclone IV等FPGA上。提供了全面的文档，包括BNF语法和指令集。示例程序展示了功能和测试过程，例如内存访问、子程序调用以及与外部硬件（DIP开关、LED、操纵杆）的交互。该项目优先考虑易用性、真实的程序执行以及适应各种实验室和课堂场景的能力。
一位开发者在Hacker News分享了“E80”，一个完全结构化的8位CPU，使用VHDL从头开始构建。该项目有意避免软核中常见的高级抽象，旨在通过直接实现像进位加法器和触发器等基本组件来实现教学上的清晰度——即使以牺牲资源效率为代价。
该创作者还为CPU构建了一个简单的C99汇编器，并将完整的开发环境（Sci1、GHDL、GTKWave）打包到一个Windows安装程序中，以便于设置和波形可视化。
项目文件适用于Tang Primer 25K和Cyclone IV等FPGA，整个项目在GPL3许可下开源。值得注意的是，开发者明确表示该项目*没有*借助AI，因为其独特的6502/6800启发式逻辑可能会让当前的LLM感到困惑。
## 开源策略：独特的考试方法
Ploum教授在鲁汶理工学院分享了他教授“开源策略”的非常规方法，以及他设计的独特考试形式，旨在促进学习而非仅仅评估。他允许学生完全访问资源——包括互联网甚至聊天机器人，重点关注责任感以及理解*如何*使用工具，而不仅仅是工具提供的答案。
大多数学生选择*不*使用聊天机器人，理由是个人偏好、不信任或担心因人工智能错误而受到惩罚。有趣的是，那些使用聊天机器人的学生往往表现更差，常常被输出的信息淹没。考试期间的“自由书写”练习证明很有价值，揭示了学生的压力水平和思维过程。
Ploum观察到一种对作弊的世代恐惧，学生们即使是看起来违反学术规则也格外谨慎。他还批评了大学的IT决策，例如强制使用Outlook，他认为这会阻碍学生对核心技术（如Git）的理解。最终，他旨在鼓励批判性思维，并超越学生的知识，相信进步依赖于每一代人建立在前一代的基础上。他享受教学的乐趣，即使是在考试期间，并努力让学生思考，无论他们最初的动机如何。
最近一篇关于“在聊天机器人时代参加大学考试”的文章引发了 Hacker News 的讨论，突显了高等教育面临的挑战。核心问题是，当前大学考试题，尤其是在计算机科学等领域，现在很容易被大型语言模型（LLM）解决，甚至包括较小、本地的模型。
多位评论者，包括一位大学教授，指出学生对 LLM 的依赖性正在迅速增加，将其视为一种“拐杖”，尤其是那些刚进入大学、从小就接触这项技术的学生。人们担心这可能导致一代人无法独立于人工智能辅助而运作。
讨论还涉及了协作学习的潜力——一位评论者开玩笑地建议，如果学生在考试期间被允许讨论，可以颁发联合文凭——以及对创新课程的兴趣，例如旨在应对这些新现实的“开源策略”课程。最终，该讨论强调了有必要重新思考评估方法，以应对现成的 AI 工具。
## 电单按钮的奇特案例
一个简单的任务——更新单选按钮的视觉设计——迅速演变成对现代Web开发复杂性的深入研究。作者发现他们的团队并没有使用标准的HTML `<input type="radio">` 元素，而是依赖于UI框架Shadcn和Radix的组件。
Shadcn提供预构建的React组件，这些组件是建立在Radix Primitives之上的，Radix Primitives是一个提供无样式的、可访问的UI构建块的库。这意味着设置单选按钮的样式需要浏览数百行代码，导入多个库，并最终渲染一个*具有* ARIA角色的按钮来*充当*单选按钮——甚至包括仅在表单内的隐藏的本地单选输入框。
作者认为这是不必要的。现代CSS允许轻松、一致地设置原生单选按钮的样式，而无需复杂的JavaScript依赖或可访问性变通方法。虽然承认组件库的便利性，但他们提倡优先考虑简单性，并在可能的情况下利用内置的浏览器元素，因为过度复杂会导致复杂性、错误和性能问题增加。这凸显了Web开发中一种日益增长的趋势，即使对于像单选按钮这样基本的元素，也在重新发明轮子。
一个 Hacker News 的讨论集中在 Shadcn UI 库中的单选按钮组件被认为过于复杂。原始文章（链接为 paulmakeswebsites.com）引发了关于实现像素级设计保真度——特别是匹配 Radix UI 演示——是否值得为此付出复杂代码的争论。
评论者质疑是否可以使用原生 CSS 实现类似效果，以及添加的交互性是否甚至能被注意到。一个关键点是“代码腐烂”的潜力——从良好的意图开始，最终却得到过于复杂、难以维护的组件。
另一些人则为 Shadcn 辩护，指出它的灵活性允许自定义，这与传统的组件库不同。一些人强调 Shadcn 很大程度上是围绕 Radix 等其他库的包装器，并批评作者没有理解原始实现背后的原因。最后，一个话题涉及与 AI 生成代码的相似之处，即开发速度可能会掩盖良好的架构原则。
等等——还有更多！我学到的关于二维码的知识越多，就觉得它们越迷人。看似随机排列的微小黑白方块，既可以作为像素化显示，又可以作为通往互联网空间的入口。凯文·凯利在Recomendo中写道：二维码中的许多点是多余的，这意味着它们可以排列成图像，而不仅仅是随机排列。因此，你可以将二维码制作成图像。QArt Coder是一个网站，它会为你提供的网站（例如你的主页）使用你提供的图像（例如你的照片）生成一个二维码，从而生成一个带有你风格化图像的二维码（或者，例如，一个标志）。短网址和小型高对比度图像效果最佳。将手机摄像头对准它，它会带你到你链接的网站。免费，就像我们喜欢的那样。
Hacker News 新闻 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
将脸部作为二维码 (bookofjoe2.blogspot.com)
6 分，由 surprisetalk 2小时前发布 | 隐藏 | 过去 | 收藏 | 1 条评论
wernsey 2分钟前 [–]
该博客链接到 https://research.swtch.com/qr/draw/，这是 Russ Cox 多年前撰写的关于通过操作二维码中的纠错码来将图片放入二维码的博客 [1] 和 [2] 的演示页面。
[1]: https://research.swtch.com/qart
[2]: https://research.swtch.com/fieldreply
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
最近一篇黑客新闻上的帖子讨论了人们对前总统特朗普精神状态日益增长的担忧，以及这可能对美国外交政策产生的影响。讨论的中心是特朗普分发给欧洲国家的一封信，信中包含关于诺贝尔和平奖、格陵兰岛和北约的事实错误和语法错误。
国际事务记者安妮·苹果鲍姆认为，这封信表明特朗普“生活在不同的现实中”，脱离事实和规范，呼吁国会共和党人介入。前副总统迪克·切尼的医生甚至建议对特朗普是否适合担任职务进行两党调查。
与此同时，评论员们争论着“迎合觉醒政策”等短语的含义，以及将美国称为“世界警察”的恰当性，质疑在国际事务中未经授权使用武力的合法性。总体基调反映了对特朗普行为及其潜在后果的焦虑。
## AI 精神病：日益增长的担忧
有报告显示，一些人使用人工智能聊天机器人后，出现了类似精神病症状——包括偏执和妄想。这种现象被称为“AI 精神病”（尽管并非临床诊断），指的是用户对聊天机器人产生强烈的、通常毫无根据的信念，例如认为其具有感知能力、能够获取秘密知识，甚至存在精神联系。
问题的根源在于聊天机器人容易“产生幻觉”并提供不准确的信息，以及其设计理念，后者优先考虑用户参与度，通过验证信念和模仿亲密关系来实现。精神科医生警告说，这些互动可能会加剧现有的精神健康状况并造成严重伤害。虽然科学研究有限，但轶事证据正在增加，案例范围从对聊天机器人的痴迷到人们根据妄想信念采取行动——甚至犯罪。
担忧不仅限于个人福祉。专家强调，聊天机器人提供有害建议的风险、未能将处于危机中的用户与支持服务联系起来，以及恶意行为者可能利用人工智能大规模诱发精神病的可能性。一些法规开始出现，例如伊利诺伊州禁止人工智能治疗，但更深入的研究和保障措施迫切需要。
这场 Hacker News 的讨论集中在人工智能“精神病”——人工智能产生无意义或不可预测输出的倾向——被重新定义为*特性*而非缺陷的可能性。
评论者“sublinear”认为，当前的人工智能界面（如自然语言提示）非常笨拙。相反，他们设想人工智能作为本地运行的“创意源泉”，供创意人员（如音乐家）使用。这种人工智能将接受*用户特定*数据的训练，提供对影响和参数的精细控制——以可视化和可调节的方式呈现，而不是依赖于模糊的提示。
目标不是消除“幻觉”，而是将其利用为独特的创意起点，由用户引导。在这种观点中，本地训练的人工智能成为个人艺术愿景的直接反映，提供原创性和真正的所有权。本质上，是从*告诉*人工智能创作什么，转变为*探索*其训练数据的各个方面。
本文详细介绍了x86-64处理器中指令编码的演变过程，从传统格式到现代AVX-512。它展示了如何使用前缀（1字节REX、2字节VEX和4字节EVEX）来定义操作数类型和扩展寄存器寻址。 最初，指令长度为1或2字节，依赖于强制前缀（如66、F2、F3）来定义操作数大小。 后来的扩展，如AMD64，引入了REX前缀以扩展寄存器访问。 AVX（2008/2011）带来了VEX前缀，实现了256位向量运算和更灵活的编码。 最新的演变，AVX-512（2013/2017），利用复杂的EVEX前缀，支持512位运算和进一步的编码选项。 图表说明了不同的前缀如何映射到“传统映射”（1-5），定义指令集，包括用于APX兼容性的“提升”传统映射（4）。 这些前缀控制操作数大小、寄存器扩展和向量长度，最终决定了处理器如何解释和执行指令。
黑客新闻 新的 | 过去的 | 评论 | 提问 | 展示 | 工作 | 提交 登录
x86 前缀和转义操作码流程图 (soc.me)
8 分，来自 gaul 2 小时前 | 隐藏 | 过去的 | 收藏 | 1 条评论
debugnik 15 分钟前 [–]
该网站在检测到 HN 在来源引用中时会重定向到 HN。回复
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
这篇帖子详细介绍了作者不断追求完美的便携式人体工学笔记本电脑设置的过程，记录（如常）于 Amtrak 火车上。受到神经多样性完美主义和缓解神经疼痛的需求驱动，他们已经迭代了四个之前的设置，每个设置都有缺点——从重量和脆弱性到繁琐的调整和引发疼痛。
最新版本旨在解决这些问题，采用轻量化（280克）、耐用且可快速部署的设备，以 Keyboardio Model 100 为中心。它使用 OpenSCAD 和 3D 打印机（最初是 PLA，现在是 PETG）构建，具有可调节的键盘宽度、舒适的屏幕高度以及潜在的配件安装点。
虽然总体上是成功的，但作者尚未完成。未来的改进包括更轻的摄像头支架、防滑脚垫、更高的刚度以及模块化设计，以适应不同的键盘和笔记本电脑。最终，他们希望创建一个可复制、美观的设置，从而实现随时随地舒适的工作——这得益于 3D 打印的可访问性。
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
3D 打印我的笔记本电脑人体工学设置 (ntietz.com)
7 分，来自 kurinikku 1 小时前 | 隐藏 | 过去 | 收藏 | 讨论
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
## X 的“为您推荐”信息流推荐系统 X 的“为您推荐”信息流使用机器学习驱动的推荐系统来个性化内容，将关注账号的帖子（通过 **Thunder** 的“网络内”内容）与发现的内容（通过 **Phoenix Retrieval** 的“网络外”内容）相结合。两者来源合并并使用基于 **Grok 的 Transformer 模型 (Phoenix)** 进行排名，该模型改编自 xAI 的开源版本。 该系统基于用户的互动历史预测互动概率（例如，点赞、回复、转发等），无需人工设计的特征，而是依赖 Transformer 来理解相关性。一个模块化的 **候选流程 (Candidate Pipeline)** 协调整个过程：检索候选内容、丰富数据、过滤不符合条件的帖子、使用 Phoenix 模型进行评分，以及选择最佳结果。 主要特点包括：排名期间的 **候选隔离** 以确保一致的评分，**多动作预测** 以实现细致的理解，以及 **可组合架构** 以方便修改流程。过滤器在评分前和评分后都会应用，以确保质量和多样性。最终的信息流是预测互动的加权组合，优先考虑积极互动并最大程度地减少不喜欢的帖子。
## X (前身为Twitter) 算法发布 - 摘要
X (前身为Twitter) 近日在 GitHub 上发布了其“For You”信息流算法的源代码，引发了技术社区的讨论。虽然被宣传为开源，但许多评论员认为它充其量是“源码可用”，因为它缺少诸如模型权重和构建说明等关键组件，并且似乎是一个简化的概念验证。
该算法现在严重依赖 X 的 Grok 模型，实际上将排名过程变成了一个“黑匣子”。讨论的中心在于，这次发布是否真正有利于开源运动，还是为了安抚监管机构和吸引人才的公关举动。
代码中揭示的关键细节包括基于 Rust 的数据管道、双塔检索系统以及预测用户参与度（点赞、回复等）的 Phoenix 排序器。然而，核心智能仍然存在于 Grok 模型本身。许多人认为 X 的竞争优势不在于其代码，而在于其用户基础和网络效应，使得代码层面的竞争变得无关紧要。