prefeitura-rio/Rio-3.5-Open-397B 声称是由 IplanRIO 训练的原创 397B 模型。事实并非如此。其权重是我们模型 Nex 与官方 Qwen3.5-397B-A17B 基座模型的直接逐元素合并（比例约为 0.6 Nex / 0.4 Qwen），我们没有发现任何他们自行训练的证据。我们可以通过两种完全独立的方式证明这一点：在移除 Rio 硬编码的“你是 Rio”系统提示词后，其部署的模型在 79% 的情况下会将自己标识为“来自 Nex-AGI 的 Nex”，而标识为“Rio”的比例为 0%。它甚至逐字背诵了我们机构定制的背景故事。Rio 的每一个权重张量，在所有 60 层和网络的每个组件中，在数千个标准差范围内，都与 Nex 和 Qwen 的 0.6/0.4 混合结果完全相同。其他的微调模型无法用这种插值方式来解释。以下是证据，请自行判断。
每日HackerNews RSS
里约热内卢市政府近期发布了名为“Rio-3.5-Open-397B”的大语言模型（LLM），并宣称这是能够超越现有模型的“自主研发”成果。然而，该项目立即受到人工智能社区的质疑，研究人员发现该模型极有可能是通过“Nex-N2 Pro”和基础模型“Qwen 3.5 397B”进行未经披露的加权合并而成。
研究人员发现，该模型的权重在数学上等同于上述两个模型的线性插值，这与其团队声称进行了原创性后训练或蒸馏的说法相矛盾。面对质疑，里约团队更新了文档，承认了合并事实，并声称最初的发布是“误上传”了中间文件，而非预期的最终版本。
这一事件在 Hacker News 上引发了关于人工智能开发透明度、将公共资金用于“贴牌”开源项目的伦理问题，以及模型被轻易“缝合”现象的广泛讨论。尽管有人为这一尝试辩护，认为这是推动当地技术创新的积极一步，但许多人批评其缺乏署名且存在误导性营销，并指出此类行为损害了人们对开源人工智能的信任。
本项目为瑞芯微 RK3588S SoC 提供了一套高性能的硬件加速计算机视觉流水线。通过将图像采集（ISP）、缩放（RGA）和推理（NPU）任务完全卸载至固定功能硬件，该流水线实现了 46 FPS 的处理速度，达到了传感器的物理极限，同时内存占用极低，仅约 140 MB。这种高效率使其不仅能在高端开发板上运行，也能在入门级的 2 GB RK3588S 板卡上流畅运行。
该架构采用模块化的多进程设计，各独立阶段（检测、ByteTrack、时序特征提取及事件逻辑）通过 Unix 域套接字进行通信。当检测到无人机并随后丢失目标时，设备端的 Qwen2.5-0.5B 大语言模型会针对该事件提供自然语言评估。系统利用 3 线程 NPU 推理来消除处理瓶颈，并支持双摄像头同步流处理。该代码具有高度可移植性，支持原生编译或交叉编译，旨在为实时边缘 AI 提供一种轻量化且可扩展的解决方案。
*注：本项目为教育科研项目，仅供非关键性场景使用。*
抱歉。
玻璃市习语 Perlisisms (1982)
12 天前
这份由艾伦·佩利斯（Alan Perlis）所著，名为《程序设计警句》（Epigrams in Programming）的120条语录，以冷峻、风趣且深刻的视角，反映了软件开发的本质。 该合集的核心在于探讨计算的形式逻辑与人类创作的混乱现实之间固有的张力。佩利斯强调了编程这种“反自然”的行为，指出软件虽然是符号化的、完全可塑的，但也始终难以避免腐朽、复杂化和被误解。他强调，简单并非复杂的前提，而是历经复杂之后所达成的成就。 主要主题包括： * **现实主义：** 编程与其说是展现创造力，不如说是管理复杂性、进行详尽的案例分析以及积累编程习惯的过程。 * **人机动态：** “用户”与“程序员”之间往往存在冲突，而我们所使用的工具——编程语言——不可避免地塑造了我们的思维方式。 * **系统的脆弱性：** 软件很少有真正完成的时候；它们通常只是在变得过于“繁复”之后被废弃或重写。 归根结底，佩利斯将编程描述为一项严谨、需要极高自律且往往令人沮丧的事业，它不仅暴露了机器的局限性，也折射出我们自身认知能力的局限。
抱歉。
犹他州麻疹激增引发担忧，美国数十年的防疫成果恐将付诸东流。 Measles surge in Utah sparks fears US could undo decades of progress
12 天前
拒绝访问。你没有权限访问此服务器上的“http://www.dailymail.com/news/article-15897903/measles-surge-utah-US-elimination-status.html”。引用编号 #18.deb1cb8.1781452856.22507396 https://errors.edgesuite.net/18.deb1cb8.1781452856.22507396
抱歉。
作者认为，人工智能行业正趋于瓶颈。由于大语言模型（LLM）本质上是概率性的，若要替代确定性的业务流程，将面临无法维持的开发与监管成本。
苹果公司向本地端侧AI处理的转型，反映出其务实地背离了昂贵且依赖云端的大模型模式。苹果并未参与追求通用人工智能（AGI）的竞赛，而是专注于以用户为中心的实用工具，这凸显了“前沿”大模型基准测试在现实世界中的价值可能不及宣传水平。作者认为，大模型的商业模式正承受压力：模型成本不断攀升，但其实际且可持续的应用场景依然有限。
此外，作者警告不要将人工智能定义为“国家安全”问题，认为这种论调助长了军备竞赛心态，进而加剧全球冲突与割裂。归根结底，作者将大语言模型视为一种“增强工具”，认为其最佳用途是辅助而非替代人类判断。本文对早期采用者提出了警示：在层出不穷的新功能发布背后，行业可能正在转型，因为当前大模型架构的局限性已愈发不可忽视。
抱歉。
欧盟委员会正在研究Anthropic决定的实际后果。 EU Commission looking at practical consequences of Anthropic decision
12 天前
请启用 JavaScript 并关闭广告拦截器
这篇 Hacker News 讨论反映了人们对欧盟在人工智能领域竞争力的极度悲观。批评者认为，与美国和中国相比，欧盟因官僚主义严重、监管沉重、劳动力市场僵化以及缺乏风险投资，在结构上处于劣势。
许多参与者认为，“主权”欧洲人工智能计划注定会失败，因为它们无法实现规模化，也无法吸引顶尖人才，而顶尖人才更倾向于前往薪酬高得多的硅谷。讨论指出，虽然欧盟专注于复杂的法律框架和“监管”，但它已经失去了经济杠杆作用，变得过于依赖外国技术。
相反，一些参与者认为这种失败主义被夸大了，并指出内部市场只是分散而非不存在。另一些人则认为，目前对“前沿模型”的关注可能只是暂时的趋势，欧盟对隐私和消费者保护的重视，虽然有时会阻碍创新，但却服务于不同的社会价值观。最终，该讨论串凸显了欧盟在技术独立方面的政治愿望与其当前监管和投资环境的严峻经济现实之间存在的差距。
一项新的同行评审研究显示，西雅图母亲的母乳样本中含有高浓度的内分泌干扰化学物质，包括双酚A（BPA）、双酚S（BPS）、三聚氰胺和三氯生。约92%的样本中至少含有一种此类物质，这些物质已知会干扰对婴儿发育至关重要的激素。 这些发现尤其令人担忧，因为婴儿正处于快速发育的脆弱阶段。虽然此前的研究已在这些样本中发现了全氟和多氟烷基物质（PFAS）和阻燃剂，但本研究是首次在母乳中检测到三聚氰胺的研究之一。研究人员强调，尽管母乳喂养依然是最健康的选择，但这些发现暴露了一场系统性危机：化学品公司在消费品中普遍使用这些化合物，而监管机构未能提供充分的监督。 主要作者瑞安·巴巴迪（Ryan Babadi）指出，家庭无法通过“购物选择”来避开这一问题，因为这些化学物质已深入融入经济体系。研究人员警告称，当前削弱化学品法规和撤回安全保护措施的努力，只会加剧这些健康风险。最终，该研究主张制定更强有力、更完善的化学品政策，以保护最脆弱的群体免受持久性环境毒素的侵害。
请启用 JavaScript 和 Cookie 以继续。
以下是所提供文本的摘要：
人工智能并非中立工具，而是一种本质上具有政治性的技术。其设计本身就威胁到了自由民主的根基。虽然大众讨论多聚焦于“天网谬论”——即对具有感知能力、具有破坏性的机器人的恐惧，但最紧迫的风险其实在于人工智能作为一种资本主义工具的平庸而成功的实施。
目前，人工智能正致力于大规模替代劳动力和实现资本的极端集中。作者认为，随着人工智能系统取代工人并实现认知任务自动化，公民将变得在经济上无关紧要，并日益依赖科技巨头提供的“恩惠”——即私营部门的安全网。这种转变类似于石油国家中出现的“资源诅咒”，即权力围绕单一主导资产进行整合，从而削弱了民主问责制和个人能动性。
作者将人工智能不仅视为一项突破性技术，更视为数百年来榨取式经济趋势的延续。他警告说，我们正处于迈向“技术封建主义”状态的昏睡之中。为了维护民主自治，作者敦促公民拒绝有关技术必然性的叙事，支持有组织的劳动力，并在这些选择在社会和经济基础设施中永久固化之前，追究科技行业的责任。
关于“灭绝级资本主义”的 Hacker News 讨论，反映了人们对人工智能未来与企业权力的两极化争论。
批评者认为，“大型 AI”公司正通过巨额资本支出和监管俘获，构建一种人为的、由政府支持的“护城河”。人们担心这些企业将吞噬现有科技公司的研发成果与营收，使整个经济体系对其产生依赖。然而，怀疑论者则认为这种观点是危言耸听的“事后合理化”，并指出过去针对技术的宿命论预测大多并未成为现实。
这场对话也凸显了深刻的意识形态分歧。一些参与者担心人工智能不可避免地会集中权力并加剧现有的社会衰退，而另一些人则指出，开源替代方案和竞争动态（尤其是美中之间的竞争）使得垄断的未来充满变数。归根结底，这场辩论的核心在于人工智能究竟是进步的工具，还是“企业噩梦”的催化剂；评论者们质疑，在人工智能快速演进且极具颠覆性的时代，当前这种极端资本主义的路径能否持续。
在 PostgreSQL 中，大规模的 `DELETE` 操作效率低下，因为它们会产生“死亡元组”（dead tuples）、增加预写日志（WAL）压力、导致复制延迟，并且在不立即回收磁盘空间的情况下增加清理（vacuuming）负担。由于 Postgres 为了维持 MVCC 一致性而保留已删除的行，因此批量删除实际上是在增加“额外开销”而非完成工作。
为了保持数据库的最佳健康状态，作者建议采取以下避免逐行删除的策略：
* **优先使用 `DROP TABLE` 或 `TRUNCATE`：** 这些操作由元数据驱动，不进行逐行处理，不会产生死亡元组，且能立即释放磁盘空间。
* **分区（Partitioning）：** 通过使用基于日期或范围的分区，你可以将批量 `DELETE` 操作转化为针对整个分区的简单 `DROP TABLE` 操作。
* **重建策略：** 若要清理大量“垃圾”数据，可锁定表，将必要数据复制到临时表，对原表执行 `TRUNCATE`，再将数据移回。
* **分批处理：** 如果无法避免大规模删除，请以较小的步长分批进行，以便 `autovacuum` 进程能及时跟上，并防止锁竞争。
通过构建能够避免大规模批量删除的架构，可以显著提升查询性能并减少运维成本。
这篇 Hacker News 的讨论对“`DROP TABLE` 是 PostgreSQL 中删除数据的唯一‘可扩展’方式”这一前提提出了批评。
尽管参与者们一致认为 `DELETE` 操作非常消耗资源（通常需要日志写入、索引更新和复制），但他们认为上述说法具有误导性。许多人指出，在正常工作负载下，`DELETE` 和 `INSERT` 的扩展性相当。将行复制到新表并执行 `DROP TABLE` 的“技巧”虽然是处理批量操作的一种高性能替代方案，但它要求严格的架构设计（如分区），并伴随风险，例如排他锁，以及若外键约束处理不当可能导致的数据丢失。
批评者们强调，对于典型的 OLTP（联机事务处理）应用程序，通过合理的 `VACUUM` 调优，`DELETE` 已绰绰有余。`DROP TABLE` 策略主要适用于可以按时间进行分区的时间序列数据。归根结底，大家的共识是，虽然批量删除是众所周知的数据库痛点，但最佳方案高度依赖于具体的工作负载，依赖 `DROP TABLE` 是一种专门的优化手段，而非可扩展性的普遍要求。