一个 Lean RealWorld 应用已被构建并通过 API 与网站测试。它使用 Lean 的 HTTP 服务器、lean-routing、通过 leanpostgres 的 Postgres，以及通过 lean-html 配合 Datastar 的服务端渲染 HTML。后端仅 1,033 行。在适度流量、固定工具链与仔细代码审查下，它可服务真实用户，但技术栈与 AI 编写的代码需谨慎。它并非通过构造即正确：RealWorld 的行为仅部分形式化，且应用经测试而非由规范推导。然而，部分属性被静态检查：处理器类型与路由匹配，存储的 slug 被证明有效，且用户文本除非使用 Node.unsafeRaw 否则会被转义。通过构造的完全正确性仍待解决。
每日HackerNews RSS
一个 Hacker News 帖子强调有人用 Lean 4 构建 RealWorld Medium 克隆应用，包括使用 Datastar 的前端，结论是现代库使 Lean 4 适合日常 Web 应用，而不仅是证明。评论者称赞 Lean 4 是具有有用依赖类型的强编程语言，不过有人指出它可能更适合某些项目而非所有。讨论涉及相关的依赖类型语言（Agda、Rocq、F*、Idris 2）、测试覆盖率和变异测试等实际工具缺口，以及库成熟度。一位评论者指出 Lean 4 缺少覆盖率工具，变异测试仍有限。另一位报告使用 Lean 构建带有可证明可靠借出检查器的编译器，但抱怨编译时间长和 mathlib 依赖。还分享了性能基准。总体而言，Lean 4 对通用软件越来越可行，但生态系统和工具仍然重要。
启用 JavaScript 和 Cookies 以继续
黑客新闻
最新
|
过去
|
评论
|
提问
|
展示
|
工作
|
提交
登录
Olympus：纠正代码的权力动态 (2024)
(
danieltemkin.com
)
5 分
由
jarmiaq
1 天前
|
隐藏
|
过去
|
收藏
|
讨论
帮助
考虑申请 YC 2027 年冬季批次！
申请
开放至 11 月 2 日。
指南
|
常见问题
|
列表
|
API
|
安全
|
法律
|
申请 YC
|
联系
搜索：
我们网站的安全防护触发了阻止。如果你认为这是错误的，请通过 [email protected] 联系我们。请提供你如何到达此网页，以及位于页面底部的 Cloudflare Ray ID。如果你希望询问访问我们内容的许可，请通过 [email protected] 联系我们。Cloudflare Ray ID：a4bb36d37ec845e2 返回 The Atlantic
一条 HN 帖子链接到一篇《大西洋》文章，内容关于非洲巨型陆生蜗牛——大约八英寸，为了标题可拉伸到九英寸——自 1969 年以来一直困扰佛罗里达。评论者讨论在加纳、西班牙和法国吃蜗牛，辩论风味和口感，并警告寄生虫如鼠肺线虫。其他人提到它们的入侵性扩散、快速繁殖、天敌，以及诸如吃有色纸后排出彩色粪便等奇特特性。帖子还包含 Nine Inch Nails 双关语、电影引用，以及绕过文章付费墙的技巧。
本地限流
对不起。
启用 JavaScript 和 cookies 以继续
讨论围绕基于性能分析的优化（PGO）展开。一位评论者指出，Spectre/Meltdown 之后 switch 语句和间接分发的性能发生了变化；PGO 对可预测工作负载有帮助，硬件特定调优也可能很重要。另一位报告称 PGO 为编译器/LLVM 带来 20–30% 的构建速度提升，但对 ClickHouse 收益甚微。第三位表示 Visual Studio PGO 反复显示对他们的引擎没有显著收益，而 LTCG 可能通过以大小为导向的优化改善缓存使用。总体而言，PGO 的收益取决于工作负载和项目。
Neuralwatt 的流量分析显示，智能体 harness 会显著影响提示词缓存效率和 GPU 能耗。即使缓存率的小幅差异也很重要：92% 缓存意味着每 100 个 token 中有 8 个未缓存，而 97% 缓存时为 3 个，约 2.7 倍的预填充工作量。一次缓存未命中大约会使请求能耗翻倍（在 GLM-5.3 上约 2.5 倍）。深度会话使未命中代价高昂：超过 128k token 后，一轮重新读取其提示词一半以上的内容，约等于 600 个普通轮次的预填充量。实验室测试发现，所有缓存中断都来自 harness 修改之前发送的内容，而不是聊天模板。原因包括 OpenCode 计划模式提醒、omp 剪枝、推理努力程度切换、MCP/工具变化、技能、日期和压缩。最佳实践：保持提示词前缀稳定、追加更改、维护排序后的工具列表、晚压缩，并使用稳定的会话 ID。deepseek-harness 通过只追加日志、最小固定的系统提示词、追加的状态快照、稳定的工具和晚压缩实现了纯追加。大部分浪费都可以通过 harness 设置或小幅提示词构造更改来修复。
对不起。
在跳动的心脏内递送药物的无线磁性毫米机器人 Wireless magnetic millirobots that deliver medicine inside the beating heart
3 天前
启用 JavaScript 和 Cookie 以继续
Hacker News 讨论了约翰霍普金斯大学关于无线磁性毫米机器人在跳动心脏内递送药物的研究。这些机器人由外部电磁线圈系统引导，并在心脏模型和猪组织上进行了测试，即使在模拟血流条件下也能顺畅移动。评论者将这种磁性引导比作在纸板下移动磁铁，并将其与基于磁铁的手术机器人联系起来。其他人指出其在靶向药物/基因递送方面的潜在应用，尤其是针对难以触及的组织，但同时指出异种载体进行重复给药成本高昂，不过对一次性疗法很有前景。一些人质疑研究成熟度，指出测试并非在活体动物或人类中进行，并对“自主”一词的含义展开了辩论。该帖子还包含了一些题外话，如一位历史上自行实验导管的发明者、磁趋细菌，以及对类似MRI设备的安全担忧。
我经营 Phobos Group，周游世界做安全方面的演讲。我对 HIBP 非常熟悉，过去还见过 Troy。2011年我在 Twitter 时作为唯一的红队成员，帮助部署了 1password。Home Assistant 未经我的选择加入、未经我的许可，扫描了我的 HA 安装并把内容发送给 HIBP，我对此仍然感到不满。这应该是一个需要选择加入的功能，而不是"自动发生"的事情。作为红队成员，我可以列举一长串方法，说明如何利用这一点从地球上每个 HA 安装中窃取凭证。
Hacker News 上的一个帖子讨论了 Home Assistant 的一项功能：它会将用户密码的 SHA-1 哈希前五位字符发送给 Have I Been Pwned（HIBP）以检查密码是否泄露，且默认未获得用户明确选择加入。用户感到震惊，因为这个以隐私为重点的家居自动化工具默认会向外部发送与密码相关的信息。
问题作者要求将此功能改为选择加入；维护者 Frenck 最初以“不会修复”驳回并关闭问题，并将之与 1Password 的做法比较，用户对此表示异议。在 Hacker News 关注后，Frenck 为自己的语气道歉，澄清该功能已在 Supervisor 中存在多年，解释只会发送五个哈希前缀字符并在本地匹配，并指出可通过 `ha security options --pwned=false` 禁用。他承认与 1Password 的比较是错误的，并承诺更新文档。
社区反应分化：一些人认为 k-匿名性仍会泄露信息，并违反用户信任及 Home Assistant 的隐私原则，尤其对于被宣传为本地/私密的工具而言。另一些人则认为这是合理、数学上安全的安全措施，认为愤怒过度。多位用户提到 Frenck 过去与 NixOS 维护者之间的冲突，认为这是轻蔑行为的模式。已有 PR 提出将该功能改为选择加入。许多评论者表示会重新考虑使用 Home Assistant，而另一些人则认为没有软件是完美的，透明度更重要。
FLUX 3 Image Klein 是一个拥有 56 亿参数的开放权重模型，用于文本生成图像、图像编辑以及最多支持 10 张参考图的多参考生成。支持原生 4K 输出、像素级精准编辑以及边界框控制。基于图像、视频和音频的共享学习成果构建，据报道它在开放模型中领先，同时参数量少于竞争对手。针对消费级 GPU 优化，包括使用 INT8 的 8GB 显存配置，并提供基础版与蒸馏版以及 FP8/INT8/NVFP4 构建版本。该模型与 ComfyUI、Diffusers、TensorRT-LLM、SGLang Diffusion 和 vLLM-Omni 集成，支持 LoRA 训练，并可通过 BFL API 和 Hugging Face 获取。许可证允许年收入低于 500 万美元的个人和公司免费商用，包含安全防护与红队评估。
Hacker News 用户讨论 Black Forest Labs 的 FLUX 3 Image Klein。很多人报告它在文生图方面很差，尤其生成人物时，会出现融化的脸部和解剖错误。一些人认为这是因为激进的 NSFW/安全过滤损害了对人类解剖的理解；其他人指出，如果没有使用 BFL 要求的提示词 “upsampler”，问题可能会更糟。编辑能力受到称赞，但直接文生图表现令人失望。评论者将其与 Flux 2 Klein、Qwen-Image、Z-Image、Krea 和 MOSS Image 不利对比，其中有些人更偏好这些模型。MOSS 还采用 Apache 2.0 许可证。该模型在 OpenRouter 上速度快且便宜，但质量取舍占主导。更广泛的讨论涉及为什么小型图像模型相比大型 LLM 可以有效，包括文本嵌入和训练差异。整体情绪是失望，尽管有些人发现其有特定价值并保留在工具箱中。
这篇文章将神经层视为关联式键值存储器。随着存储记忆相互干扰，召回率下降；容量是干扰等于信号前存储的记忆数量。一个基本的外积线性存储器的容量约为 dₖ（当 dₖ=64 时为 64）。最优最小二乘线性存储器将容量翻倍至 2dₖ。MLP 通过非线性门控键查询相似度来减少干扰：ReLU 约为 2dₖ，squared ReLU 约为 2,700，cubed ReLU 约为 35,000。自注意力使用 softmax，在 dₖ=64 且 β=√dₖ 时可达约 120 万记忆。与 MLP 权重不同，注意力记忆是非参数化的上下文 token。将 β 随 log M 缩放有助于在长上下文中保持低干扰。总体而言，这些架构逐步提升召回与容量，但这些估计仅衡量随机向量召回，且忽略训练数据。
Hacker News 的帖子围绕一篇博客展开，该博客认为 Transformer 注意力可以从联想记忆存储的思想推导出来：键支持基于相似度的查找，值被取出，容量/干扰权衡导致机制从线性到 ReLU 再到注意力风格的演进。评论者称赞文章的清晰度和动画，而另一些人则批评未定义的符号、密集的数学以及标题中泛化的"你"。有人争论记忆类比是否真正解释了 LLM，引用了训练动态和核方法视角，而另一些人建议使用代码、伪代码或具体示例以提高可访问性。额外讨论涉及压缩、Hopfield 网络和神经科学类比。总体而言，帖子将对直觉的赞赏与对更清晰定义和更广泛可访问性的呼吁结合在一起。