`jev-leftpad` 是一个幽默且刻意为之的低效工具包，旨在通过 TypeSafe SDK 调用 AI 模型（Jev）为字符串进行左填充。 与标准且高效的 `padStart()` 方法不同，该工具包需要 `TYPESAFE_API_KEY` 和 Node.js 20+ 环境，并依赖 AI 模型来选择填充空格的数量（0 到 10 个）。每次调用都会发起实时 API 请求，不具备重试机制，且极易出错或输出错误结果。 作为一个讽刺性项目，它不仅低效、昂贵，而且不可靠。作者明确建议不要将其用于生产环境或任何严肃任务。该代码库采用 MIT 许可协议，并包含不会消耗 API 点数的模拟测试。
每日HackerNews RSS
这篇 Hacker News 讨论帖围绕 **Jev-Leftpad** 展开，这是一个使用通用分类模型“Jev”来执行字符串填充（string padding）的讽刺性项目。
讨论主要集中在三个主题：
1. **“Left-pad”梗：** 该项目调侃了 2016 年臭名昭著的 npm `left-pad` 事件，当时一个微不足道的工具包被删除，导致成千上万的 JavaScript 应用程序崩溃。许多评论者认为，该项目是对现代“万物皆 AI”趋势及将资源密集型模型用于简单任务这一荒谬现象的幽默讽刺。
2. **Jev 的角色：** 用户讨论了 Jev 作为“代理型”分类器的效用和局限性。批评者认为，由于其准确率仅为 90%，它作为预言机（oracle）表现不佳，但如果置于更大的自纠错系统中，或许能作为迭代器发挥作用。
3. **行业讽刺：** 参与者嘲讽了当前科技界用 AI 过度设计简单解决方案的风气，将其比作“氛围编程”（vibe coding）。尽管一些用户将其视为一个严肃的（尽管极其小众的）技术实验，但大多数参与者将其视为对供应链依赖和当前 AI 炒作周期的喜剧化诠释。
Lunduke Journal @LundukeJournal
Linux AI 开发又迎来了一个破纪录的周。上周共有 1,634 份由 AI 编写的代码提交到了 Linux 内核。截至目前，9 月份 Linux 内核的所有补丁中，有 17.25% 是由 AI 生成的。
2026年9月21日凌晨 1:09 · 2,642 次浏览
抱歉。
**Kev** 是一系列基于 Qwen3.5 构建的小型专用决策模型（参数规模分别为 0.8B、4B 和 9B）。Kev 专为分类（如“是/否”、多项选择）和评分任务而设计，能够提供概率性输出，从而实现比简单标签更细致的决策。
**主要特性：**
* **兼容性：** 该 API 与 TypeSafe 的“System One”兼容，支持集成其 Python SDK。
* **性能：** 模型可在 CUDA 或 Apple Silicon 上本地运行。它们采用指针头（pointer-head）架构，允许独立处理问题，确保针对同一输入文本回答多个问题（例如部门路由、紧急程度和情感分析）时不会产生交叉污染。
* **训练：** 用户可以使用提供的脚本训练或微调自己的模型。建议使用“基于现有模型微调”（`--init_from`）功能，在保持通用决策能力的同时，使 Kev 适应特定领域的语言。
* **工具：** 代码库包含一个用于测试输入和选项排序效应的网页版演练场，以及全面的评估和基准测试工具。
Kev 采用开源（Apache-2.0）许可。虽然它在路由和策略任务上表现出色，但用户应注意，训练有时可能会降低基础模型在其他无关领域（如复杂的日期计算或通用知识）的能力。
Hacker News 的讨论聚焦于“类 Jev”决策模型的兴起——这类轻量级、专业化的模型基于 Qwen 3.5 等基础模型构建，旨在处理高速、低成本的分类任务。
**核心主题：**
* **性能与效率：** 用户正转向放弃沉重的通用大模型，转而使用简单的分类任务处理方式。通过使用更小的模型（部分小于 10MB）或专用架构，开发者能够实现亚 100 毫秒的推理时间并保持高准确度，使其成为 UI 集成、游戏及实时智能体路由的理想选择。
* **“Jev”之争：** 讨论的核心在于这些模型究竟是真正的创新，还是对现有分类技术的简单重包装。怀疑论者认为它们本质上只是“美化版的 if/else 代码块”；而支持者则强调使用“系统一（System One）”人工智能的优势，即无需从头训练定制模型，就能以快速、廉价且直观的方式为代码增添智能。
* **开发趋势：** 社区正在迅速构建 Jev 的开源替代方案，利用合成数据流水线将智能提炼到微型模型中。这引发了关于“直觉编程（vibe-coding）”与稳健机器学习工程之间的讨论，一些人对炒作周期发出警告，而另一些人则为人工智能决策的平民化感到振奋。
**mini-AGI** 是一款实验性的字节级语言模型，专为在普通消费级硬件（8 GB 显存）上进行持续学习而设计。与训练后即固化的标准大语言模型不同，mini-AGI 能从数据流中持续学习，且不会出现“灾难性遗忘”。
**核心技术创新包括：**
* **基于磁盘的扩展：** 权重存储在磁盘上并动态分页加载至显存。这使得参数容量与 GPU 内存解耦，允许模型随着磁盘空间的增加而无限扩展。
* **动态架构：** 模型能够自我构建，在需要容量时增加新的“专家”，并剪枝不常用的部分。它使用了一种循环且自适应深度的模块（灵感源自 PonderNet），可根据输入的复杂度调整计算量。
* **持续学习：** 通过维护一个学习率显著低于专家池的“主干”（嵌入和路由），模型在吸收新信息的同时能够保留先前的知识。
* **字节级处理：** 直接在 256 个字节值上运行，无需分词器，能够原生处理任何文本格式。
mini-AGI 目前是一个小规模研究项目，它证明了在本地硬件上实现个性化、进化式人工智能是可行的，从而有效地将静态模型转变为一种能从每次交互中学习的系统。
Hacker News 用户 “volotat” 最近分享了一个名为“Mini-AGI”的项目，旨在支持消费级硬件（特别是 8GB 显存）上的持续学习。作者采用了混合专家（MoE）架构，通过动态添加或剪枝专家，并利用“批次为 1”的训练方式，以规避内存限制并解决灾难性遗忘问题。
这一发布在评论区引发了广泛讨论。支持者赞赏其在普及人工智能训练和探索有机、高效硬件学习方面的尝试。然而，许多批评者认为“AGI”的命名具有误导性，指出该模型目前训练不足、输出缺乏逻辑且存在性能问题。
尽管作者坚称该模型旨在“从持续的数据流中学习”，而非立即达到人类水平的智能，但反对者指出，该项目缺乏基准测试、消融研究或真正的泛化能力证明。作者计划在当前语料库训练完成后发布权重和更多技术细节，希望该项目能激发本地化、社区驱动的 AI 开发。
请启用 JavaScript 并禁用任何广告拦截器
对不起。
这是一段 PDF 文件的内部结构代码，并非可阅读的文本内容。
迈克尔·A·克莱门斯（Michael A. Clemens）和伊桑·G·刘易斯（Ethan G. Lewis）发表在《美国经济学杂志：应用经济学》上的一项研究，为低技能移民对经济的影响提供了新的证据。研究人员利用H-2B签证的随机抽签机制（该签证为季节性低技能岗位提供临时外国劳工），对比了获得签证的企业与未获签证的企业。
研究结果显示，外国低技能工人和美国本土低技能工人并非直接的替代关系。当企业无法获得H-2B工人时，它们并未雇佣更多的美国人，而是选择了缩减规模，导致收入和投资下降。相反，成功雇佣外国工人的企业实现了产出和投资的增加，且未对美国就业产生负面影响。在某些情况下，获得更多外国劳动力反而提高了美国本土工人的就业水平。
作者得出结论认为，几十年前制定的现行联邦签证上限限制了企业增长，却并未保护本土就业。该研究证明，限制移民劳动力带来的主要后果是企业萎缩而非工作岗位流失，因此增加H-2B签证数量可以在不损害本土劳动力的情况下，提升美国的经济产出和投资。
本次讨论围绕一项关于美国 H-2B 季节性低技能工人签证抽签制度的最新研究展开。研究结果表明，限制外籍劳工并不会增加美国工人的就业机会；相反，企业会选择缩减规模或精简业务，从而导致整体产出下降。
该讨论串强调了政治与经济话语中存在的显著张力：
* **“证据”缺口**：虽然研究表明有关移民“抢走”工作的担忧往往是本末倒置的（因为移民劳动力支持了有利于整体经济的企业增长），但参与者指出，事实很难改变人们的看法。许多人认为，移民辩论更多是由情感、意识形态和身份认同驱动，而非经济数据。
* **系统性担忧**：批评者认为，对外国劳动力的依赖凸显了资本主义的一种结构性问题，即企业优先考虑降低成本而非国内工资增长。另一些人则指出，该研究未考虑到住房短缺、社会融合或临时季节性劳动力与永久移民之间的区别等复杂的外部因素。
* **“排斥事实”的现实**：评论者普遍认为，针对根深蒂固的观念，单纯呈现数据往往是无效的，因为人类倾向于过滤新信息以使其符合已有的世界观。
这篇文章通过手电筒通信的视角，探讨了**编码理论**的基础。 我们的探索始于一种低效的方法，即为每个字母闪烁一次灯光。随后，我们通过以下方式优化了通信： * **频率分析**：为高频字母（如“E”）分配更短的编码以节省时间。 * **摩尔斯电码**：利用点和划进一步缩短信息，但需要“标点”（停顿）来区分字母，这引入了延迟。 * **ASCII**：一种固定长度的方案，它消除了停顿，但增加了消息的总长度。 * **哈夫曼编码**：一种最优压缩方法。它基于字符频率分配前缀码，确保没有任何编码是另一个编码的前缀，从而实现最高效率。 最后，文章简述了**线路编码**（如 NRZ-I 和 4B5B），即处理比特的物理传输，并介绍了**信源编码**（压缩）、**信道编码**（纠错）和**密码编码**（安全）之间的区别。 归根结底，编码理论是一门将信息转化为高效、可靠且安全信号的科学，它是现代计算机和互联网运行的基石。
Hacker News
最新
|
往期
|
评论
|
提问
|
展示
|
招聘
|
提交
登录
编码理论：趣味导论
(
paramrathour.github.io
)
26 点
由
vismit2000
发布
23 小时前
|
隐藏
|
往期
|
收藏
|
1 条评论
帮助
jan_m_savage
14 小时前
[–]
已点赞。看起来不错，我稍后会深入阅读。
回复
准则
|
常见问题
|
列表
|
API
|
安全
|
法律
|
申请 YC
|
联系
搜索：
对不起。
Gary Bernhardt 提出的“函数式核心，命令式外壳”（Functional Core, Imperative Shell）架构通过将业务逻辑（纯粹的、确定性的函数）与副作用繁多的 I/O（命令式外壳）分离开来，从而提升了代码的可测试性。
本文建议将这一概念扩展为“**确定性核心，非确定性外壳**”。虽然函数式纯度是实现确定性的理想方案，但状态机在命令式环境中也能达到同样的可重复行为。确定性意味着在给定相同输入的情况下，系统会产生相同的结果。非确定性的来源——例如网络调用、系统时钟和数据库交互——应被隔离在“外壳”中，由“核心”负责处理逻辑。
对于处理遗留代码库的开发者，作者建议采用“**碎片整理**”的过程。开发者不应追求单一、完美的架构，而应逐步识别并隔离现有代码中隐藏的确定性逻辑片段（如状态机）。通过将这些确定性片段归拢在一起，开发者可以缩小“难以测试”的范围。即使是在混乱的系统中，将这些确定性核心显现出来，也能使软件更易于测试、修改和维护，从而随着时间的推移逐步提高可靠性。
对不起。