## 后对应问题编程语言 (PCPL) 概要 后对应问题 (PCP) 询问两组多米诺骨牌是否可以通过对齐上下行的方式进行匹配。令人惊讶的是,尽管定义简单,PCP 却是 *图灵完备的* ——这意味着它可以计算图灵机可以计算的任何内容。这导致了 **后对应问题编程语言 (PCPL)**,一种基于寻找多米诺骨牌匹配的独特编程范式。 PCPL 程序被定义为一组多米诺骨牌。PCP 实例的解(匹配)有效地模拟了计算过程。例如,PCP 可以计算两个数的最小公倍数 (LCM),其中最短匹配的长度代表 LCM。 一个 Haskell 包,`PCPL`,实现了一个编译器,可以将图灵机转换为等效的 PCP 程序。这允许通过搜索多米诺骨牌匹配来执行复杂的算法。提供的示例演示了编译和运行一个一元加法器,展示了匹配如何代表成功的计算历史。虽然功能强大,但寻找匹配可能在计算上很昂贵,通常需要广度优先搜索。PCPL 突出了隐藏在看似简单的数学问题中的意外计算能力。
## Luminal:利用巨内核实现峰值GPU性能
Luminal 是一种推理编译器,旨在通过解决两个关键限制——计算和带宽——来最大化 GPU 利用率。传统的推理由于内核启动开销、GPU 核心(波量化)上的工作负载分布不均以及等待初始权重加载的空闲时间而导致资源浪费。
Luminal 通过将整个模型前向传播**融合到一个“巨内核”中**来解决这些问题。这消除了内核启动延迟,允许立即分配工作负载,并能够将权重加载与计算重叠。Luminal 不使用静态调度指令,而是使用带有共享全局指令队列的**动态调度方法**,从而提高了对硬件变化的适应性。
该编译器通过将操作重写为平铺版本,并使用**屏障计数器**仔细推导数据和同步依赖关系,将计算图转换为此指令队列。此过程会自动生成巨内核代码,不同于以前的手动方法。一项关键创新是**“符号工作队列”**,它允许在无需重新编译的情况下实现动态批处理大小。
通过最大限度地减少同步并最大化硬件利用率,Luminal 旨在为推理任务提供显著的性能提升。该项目是开源的,并且正在积极开发中,建立在 Hazy Research 的先锋工作之上。
感谢您的关注。以下是核打击美国可能呈现的情况。NukeCast利用当前天气预报模拟放射性尘埃可能传播的路径、在大气中的扩散方式以及可能沉降的地点,以便您快速识别可能受影响的下风区域并做出更明智的准备决策。有关模型工作原理、假设和局限性的详细信息,请查阅Wiki。如果您觉得此工具有用,请考虑升级到高级版——亚马逊的计算时间并不便宜!—Todd Wiki 创建账户 / 升级高级版 开始使用
今年一月,作者尝试利用人工智能(具体来说是Codex与GPT-5.2)将两个现有应用程序——Datasette和一个名为Sessy的Rails应用——迁移到Cloudflare Workers,旨在利用其低成本资源。尽管过去对Cloudflare的限制感到沮丧,作者希望通过人工智能的帮助克服这些限制。
对于Datasette,目标是在Workers上运行一个轻量级版本,使用Drizzle、Hono和Alchemy。前端使用Hono的JSX重建,而不是React SPA。 现场演示地址是datasette-legislators.ep.workers.dev。
Sessy的移植涉及一个更复杂的单仓库项目,包含一个Worker API和一个React SPA前端,需要更多手动干预来完善人工智能生成的UI组件(用Shadcn/BaseUI替换它们)。该项目集成了Amazon SNS和Cloudflare的D1数据库。
虽然不完美,但这两个项目都取得了成功,主要得益于Codex。作者发现Codex在 medium 设置下是一个强大的工具,每个项目消耗了大约一周的团队计划积分。
谷歌的 Paul Kinlan 探索了将网络浏览器用作编码代理的沙盒环境,灵感来自 Claude Cowork 等工具。他构建了“Co-do”,一个演示浏览器能够在用户计算机上安全运行不受信任的代码,*无需*大型本地容器的潜力。
Kinlan 利用现有的浏览器技术进行沙盒处理:文件系统访问 API 用于文件处理,带有 `<iframe sandbox>` 的内容安全策略 (CSP) 用于隔离,以及 WebAssembly 在 Web Workers 中用于安全代码执行。Co-do 允许用户将 LLM 连接到选定的文件文件夹,并通过聊天界面与其交互。
文章强调了 `<input type="file" webkitdirectory>` 在主要浏览器中用于只读目录访问的实用性,并详细介绍了一种复杂的双 iframe 技术,用于在沙盒中进行精细的网络控制。作者指出,虽然功能强大,但 `<iframe sandbox>` 功能的文档记录不足。