Histo.fyi 是一个包含与主要组织相容性复合体 (MHC) 蛋白相关的数据、图像和氨基酸序列的网站。 英国牛津的研究员 Chris Thorpe 利用称为大语言模型 (LLM) 的人工智能 (AI) 工具将这些信息压缩为可理解的格式。 与 ChatGPT 等流行平台不同，Thorpe 的工具在他的笔记本电脑上本地运行，而不是在线托管。
最近，人们对利用紧凑的“开放重量”版本的法学硕士越来越感兴趣，拥有合适计算机资源的个人可以下载这些版本进行本地操作。 人工智能技术的这些发展使研究人员能够保护患者机密、降低成本并保持可重复性。
微软公司推出了多种紧凑模型，例如Phi-1、Phi-1.5、Phi-2以及Phi-3和Phi-3.5的多个迭代。 与早期较大的型号相比，这些型号在安装到便携式设备上时表现出令人印象深刻的性能。 这些模型效率的提高使科学家能够直接在个人笔记本电脑或智能手机上使用人工智能辅助。
这些进步有望在各个领域取得重大进展，使科学家能够创建适合其独特需求的专门应用程序，并增强本地人工智能能力，以执行在互联网连接有限的偏远地区执行的任务。 其中一个例子是新罕布什尔州的一位生物医学科学家创建了 TurbCat-72b，它是 Qwen 模型的一种变体，他利用科学数据专门针对他们的需求改进了模型。 这个本地应用程序为集思广益、编辑手稿、原型代码和浓缩以前发布的材料提供支持。
此外，这些进步还提供了更好的隐私保护，因为敏感的个人或公司数据不需要发送到外部进行分析。 随着这些工具的不断发展，科学家们可以期待在不久的将来能够轻松获得强大的人工智能辅助技术。
每日HackerNews RSS
为什么要创造如此巨大的图像？ 有了这个分辨率，我们就可以非常清楚地看到这幅画的精确物理状态。 铅皂的突起、微小的裂纹、单个颜料颗粒的形状、过去的修饰以及伦勃朗绘画技法的美丽细节都异常清晰。 这使得研究人员能够了解这幅画的状况，以便为未来的保护处理制定最佳计划。 它帮助我们更好地理解伦勃朗的绘画方式，并为《夜巡》历史上的这个时刻创造了精美的“快照”。
Makefile 是类 Unix 操作系统中常用的通用自动化工具，用于简化各种软件项目的构建、测试和部署过程。 它们的吸引力在于它们在多个项目中的简单性和一致性，以及无论使用何种底层技术都能够执行预定义的命令集。 Makefile 通常定义任务（目标），例如“dev”、“build”、“watch”和“deploy”。 这些任务执行启动开发服务器、编译代码、监视文件修改和发布已完成的项目等操作。 通过使用单个“make”命令，用户可以快速设置和运行这些任务，而无需记住每个单独工具或项目的复杂细节。 虽然与 Docker 或 Gulp 等现代构建工具相比，Makefile 可能显得很基本，但由于它们与多种工具和环境兼容，因此它们提供了灵活性，同时需要最少的设置和更少的依赖项。 由于其悠久的历史、易于学习和跨平台的广泛可用性，它们仍然很受欢迎。
Container Desktop 是一款兼容 Windows、Mac 和 Linux 的跨平台桌面应用程序，提供统一的用户界面 (UI)。 它作为“podman”命令行界面的学习工具，有助于更好地理解这个强大的工具。 其仪表板专注于提供必要的功能，确保为用户提供直观的体验。 该应用程序允许管理容器，显示有关容器来源和状态的信息。 用户可以快速访问日志、环境变量、已安装的驱动器、开放端口和监控统计信息。 可以轻松执行停止、启动和移除容器等定期维护任务。 浏览器可以访问容器内公开的服务。 还可以通过 Container Desktop 管理图像。 有关其来源和状态的信息以及注册表、名称和标签等详细信息都很容易获得。 新容器可以直接从现有映像生成，允许修改名称、端口映射和可用安装点。 可以检查映像的构建、影响和设置，同时可以执行常见的维护操作，例如提取最新更新或将更改推送到分布式映像项目。 该应用程序提供广泛的安全通知，让用户了解潜在的漏洞并帮助他们构建和维护安全系统。 它支持网络创建和重用，从而可以详细了解各个网络配置。 此外，它还在兼容引擎上提供完整的 Pod 功能，允许探索日志、运行进程和其他相关细节。 虚拟机管理、秘密处理、卷共享以及更多高级功能增强了 Container Desktop 的综合性。
该论文介绍了“AnySkin”，这是一种新型触觉传感器，旨在通过解决与灵活性、耐用性和易于更换相关的问题来改进以前的传感器。 与视觉或本体感觉相比，触觉在机器人技术中尚未得到充分利用。 设计师从“ReSkin”中汲取灵感，但进行了改进，例如将传感硬件与皮肤界面分离，从而更容易实现，类似于连接手机壳。 此外，与许多当前的解决方案不同，该设备可以学习跨不同实例的操作技能（跨实例泛化）。 提出了三项主要进展：设计更简单的制造工艺和工具，用于创建非粘性、坚固、可互换的磁性触觉传感器； 使用 AnySkin 传感器分析摩擦和训练动作； 最后，展示使用一种 AnySkin 创建的模型对各种其他 AnySkin 的适用性，并与 DIGIT 和 ReSkin 等已建立的触觉系统进行对比。
此提交不属于此存储库上的任何分支，并且可能属于存储库外部的分支。 您目前无法执行该操作。
此提交不属于此存储库上的任何分支，并且可能属于存储库外部的分支。 您目前无法执行该操作。
为了使人工智能模型在特定环境中发挥作用，它们需要特定的背景知识。 此类模型的示例包括客户服务聊天机器人，需要了解其所服务的特定业务，或者需要详细的历史法律案例的法律分析机器人。 开发人员扩展人工智能模型知识的一种方法是通过检索增强生成（RAG），这种方法从知识库中提取相关信息并将其合并到用户的请求中，从而提高人工智能模型的响应质量。 尽管 RAG 已被证明是有益的，但当前的方法在编码信息时往往会丢失关键上下文，从而导致不相关的响应。 最近一项名为“上下文检索”的创新解决了这个问题。 通过采用两种互补方法（上下文嵌入和上下文 BM25），上下文检索将错误信息检索减少了 49%，而与重新排名相结合，将错误信息检索减少了 67%。 这些进步带来了卓越的检索精度，最终有助于提高后续任务的性能。 部署上下文检索需要最少的努力，因为您可以与 Claude 一起使用它，如我们的食谱中所述。
如果您的知识库少于 200,000 个标记（大约 500 页数据），则会出现另一种简单的解决方案。 在这种情况下，您可以将完整的知识库添加到用户输入中，而无需使用 RAG 等其他方法。 就在最近，我们为 Claude 引入了即时缓存，从而以更高的效率和节省加速了这一策略。 然而，随着知识库的扩展，您将需要更灵活的选择。 这正是上下文检索的价值所在。
传统上，RAG 已被证明在处理超出单个提示范围的更大知识库时至关重要。 大型知识库最初被分解为许多较小的文本片段，称为块。 每个块的重要性是通过利用嵌入模型创建捕获含义的向量表示来确定的。 将这些向量表示存储在数据库中可以实现基于语义相似性的快速搜索。 在运行时，用户的查询会触发在数据库中搜索最相关的块。 随后将顶部块添加到生成模型的输入中以产生答案。 虽然嵌入模型擅长捕获语义链接，但它们可能会忽略重要的精确匹配。 BM25（最佳匹配
数字签名是一种用于确认电子消息或文档真实性的方法。 Alice 可以使用她的私钥对消息进行签名，Bob 可以使用她的公钥验证消息的真实性和完整性。 数字签名通常用于软件更新验证、SSL 连接身份验证和其他应用程序。 然而，从密码学家的角度来看，数字签名具有一些有趣的特征。 他们对数字签名的理解超出了基本用例。 数字签名的起源源于交互式识别协议，特别是 Schnorr 协议。 开发人员通常认为签名主要是为了签署消息，而密码学家则将其视为身份验证方法的自动化版本。
数字签名充当身份验证和授权机制，允许在允许访问或执行权限之前确认身份。 将身份验证协议与数字签名进行比较时，存在差异。 身份验证协议交互发生在两个特定实体之间，而数字签名是普遍适用的，不需要上下文来验证真实性。 此外，身份验证协议的运行仅限于单个实例，而数字签名无论使用多少次都仍然有效。
签名的主要优点在于它们能够无限期地提供作者身份证明，甚至可以跨多个平台，这与传统的身份验证协议不同，传统的身份验证协议一旦用户注销或会话终止，其有效性就会消失。 然而，当寻求在特定交易或环境中建立信任时，这种优势就会成为弱点。 由于签名是通用的，验证其合法性需要进一步的上下文检查，以确定消息是否源自预期来源以及目标接收者。 此外，必须采取措施防止重复使用相同的签名，从而避免潜在的重放攻击。
虽然 Schnorr 协议是许多当代数字签名技术（例如 EdDSA）的基础，但它提出了有关特殊健全性的问题，这意味着意外重用承诺会暴露私钥。 因此，一些签名采用通过私钥和消息的散列生成的确定性承诺，确保承诺仅匹配相同的消息，从而避免泄露敏感细节。
总之，数字签名在网络安全和网络服务中发挥着重要作用。 虽然它们擅长提供通用身份验证功能，但在正确实施和应用方面应谨慎行事，
开源项目维护者面临的挑战： 1. 大多数维护者的工作没有得到经济奖励，导致人口老龄化和新进入者减少。 2. 由于网络威胁的增加以及对“xz”等事件的担忧，花在安全问题上的时间增加了两倍。 3. 对新贡献者的信任度有所下降，特别是在“xz”后门事件之后。 4. 维护者主要是欧洲和北美男性，很少有女性或非二元个体参与。 5. 维护人员将大部分时间花在日常维护任务、功能开发和安全措施上。 6. 对 NIST 安全软件开发框架 (SSDF)、OpenSSF 记分卡、SLSA 框架、CISA 的安全设计承诺等行业安全标准的认识正在增强，但实施滞后。 7. 付费维护者比无酬维护者更有可能遵守最佳实践。 8. 维护者通过捐赠、雇主工资（包括开源职责）或 Tidelift 支持合同来赚取收入。 9. 来自企业、开源基金会和政府实体的融资仍然很少。 10. 由于潜在的问题，例如需要额外修复的错误代码生成和过多的拉取请求量，许多维护者对人工智能工具持保留态度。 11. 维护者可能不太欢迎使用人工智能编码工具的贡献者。 开源项目维护人员面临的情况需要引起关注，因为他们对于维护重要的软件组件至关重要，但也面临着众多挑战，例如薪酬低、安全时间需求增加、数量减少以及对人工智能日益增长的担忧。 为了确保开源项目的持续健康和发展，必须解决这些困难，确保维护者得到公平的补偿和支持，同时吸引各种各样的贡献者。