arXivLabs是一个框架,允许合作者直接在我们的网站上开发和分享新的arXiv功能。个人和与arXivLabs合作的组织都认同并接受我们开放、社群、卓越和用户数据隐私的价值观。arXiv致力于这些价值观,并且只与秉持这些价值观的合作伙伴合作。您是否有为arXiv社群增加价值的项目想法?了解更多关于arXivLabs的信息。
arXivLabs是一个框架,允许合作者直接在我们的网站上开发和分享新的arXiv功能。个人和与arXivLabs合作的组织都认同并接受我们开放、社群、卓越和用户数据隐私的价值观。arXiv致力于这些价值观,并且只与秉持这些价值观的合作伙伴合作。您是否有为arXiv社群增加价值的项目想法?了解更多关于arXivLabs的信息。
根据全国纳税人联盟的布莱恩·莱利称,特朗普政府可能计划利用1974年贸易法第122条重新征收关税,但在法律上站不住脚。虽然官员们声称该条款允许最高15%的关税,但莱利认为它不适用于当前的经济环境。 第122条是在应对1971年国际支付危机时制定的,当时采用的是固定汇率的布雷顿森林体系,允许征收临时关税以解决国际收支赤字或防止美元贬值。然而,美国在1973年采用了浮动汇率,消除了需要使用第122条的条件。 由于浮动汇率机制下货币价值会自然调整,因此触发第122条的“根本性国际支付问题”并不存在。因此,莱利得出结论,特朗普总统缺乏使用该条款征收关税的法律权力,因为它实际上已经过时。
请启用 JavaScript 并禁用任何广告拦截器。
## Taalas新型ASIC芯片达到17,000 Token/秒
初创公司Taalas发布了一种ASIC芯片,能够以惊人的每秒17,000个Token的速度运行Llama 3.1 8B模型——比当前最先进的推理速度快十倍。这种速度的实现,是通过与传统GPU处理方式的根本性偏离。
Taalas没有像传统方式那样依赖GPU重复从内存中获取权重(造成显著瓶颈),而是将整个模型直接硬编码到芯片上,作为物理晶体管。这消除了对持续数据传输进出外部内存(VRAM/HBM)的需求,从而大大降低了延迟和功耗——声称在这两个方面都有10倍的提升,以及成本。
虽然该芯片是固定功能的(专用于单个模型),但Taalas利用可定制的设计,允许相对快速的模型映射——据报道,对于Llama 3.1 8B模型,耗时两个月。他们还采用了一种新型“魔术乘数”来有效地处理4位数据,并利用片上SRAM用于KV缓存和微调适配器。这种方法代表着迈向更快、更便宜、更高效的LLM推理的重要一步。
框架文件 · v1.0 · 2026年2月 基础框架文件——三大支柱、信任链、双路径架构以及开放的构建邀请。 献给公共领域。 无保留权利。
## AES 库与安全责任:摘要 两个广泛使用的 AES 库,`aes-js` 和 `pyaes`,包含一个关键缺陷:它们在 AES-CTR API 中提供默认初始化向量 (IV)。这个看似方便的功能导致频繁的密钥/IV 重用,从而产生严重的安全漏洞——攻击者可能能够解密敏感数据。数千个项目受到影响,凸显了这一疏忽的广泛影响。 Trail of Bits 研究人员发现了这个问题,并观察到库维护者和受此缺陷影响的供应商 strongSwan 的反应截然不同。虽然 strongSwan 的维护者迅速且彻底地响应,使用现代密码学修复了其软件中的漏洞,但 `aes-js` 的维护者驳回了这一担忧。 核心问题在于使用默认 IV 会抵消 CTR 模式的安全优势。此外,这两个库都缺乏对更安全的密码模式(如 AES-GCM)的支持,并且容易受到时序攻击。这一事件强调了负责任的软件开发的重要性,尤其是在密码学领域。strongSwan 所展示的精湛工艺包括承认错误、优先修复和采用最佳实践,而 `aes-js` 的回应所体现的疏忽则使用户面临风险。
20世纪初的美国,随着经济繁荣和对童年观念的演变,玩具需求不断增长。布鲁克林糖果店老板莫里斯·米克托姆于1907年凭借畅销的“坚不可摧”黄色小子娃娃抓住商机,该娃娃灵感源自一部流行的漫画。与此同时,孩之宝等企业也从简单的布箱起步,逐渐发展为玩具医生套装。
创新是关键。理想公司推出了越来越精致的娃娃——眨眼翻滚的弗洛西·弗利特,发出声音的斯努齐·斯迈尔斯,以及技术复杂的贝茜·韦西,能够逼真地“像婴儿一样运作”。这些进步反映了创造更具吸引力和“成熟”的游戏体验的愿望。
米克托姆的遗产由他的儿子延续,而像美泰公司的露丝·汉德勒等人则设想了更具抱负的玩具。尽管理想公司放弃了玛丽莲·梦露娃娃,但汉德勒最终于1959年推出了芭比,永远改变了游戏格局,并反映了一代人对成年世界的迷恋。
(Empty input provided. There is nothing to translate.)
请启用 JavaScript 并禁用任何广告拦截器。
## Floe 中的布隆过滤器:更快的查询与降低的误判率
Floe 利用布隆过滤器——一种概率数据结构,能够快速确定一个元素*绝对不在*一个集合中——来大幅加速 SQL 查询,特别是哈希连接。这些过滤器避免了不必要的数据解压缩和哈希表探测,从而提高效率。
Floe 在两个关键领域使用布隆过滤器:在存储引擎内部,在解压缩*之前*过滤列;以及在哈希连接期间,预先过滤探测侧的行。自适应过滤会根据统计信息动态地启用/禁用存储引擎过滤,从而最大限度地提高性能。
核心优化集中在降低误判率上。标准方法会导致过滤器填充时误判率升高。Floe 通过为每个 uint32 存储*两个*比特,并使用单个哈希函数确定比特位置,从而提高了准确性。这几乎将准确性提高了一倍(将误判率从 11.7% 降低到 5.7%),且性能成本最小——每行仅增加一纳秒——并避免读取可能达到数十千兆字节的不必要数据。
这种方法优先考虑固定大小(256KB),以实现可预测的性能、无锁访问和高效的缓存利用率,使其成为像 Floe 这样的并发数据库引擎的理想选择。未来计划进行进一步优化,例如使用 SIMD 指令。