本研究介绍了一种旨在归档插花艺术具身创作过程的 4D 数字观看系统。通过利用 22 个同步摄像头和眼动追踪技术，该系统能够捕捉全身运动学数据、花艺作品的演变过程以及艺术家的视觉注意力。
为确保可扩展性并实现长时间记录，研究团队采用了逐帧 3D 高斯泼溅（3D Gaussian Splatting）重建策略。该方法在最大限度降低计算需求的同时，有效避免了时间漂移，使人们能够在保持高度空间连贯性的前提下，从任意角度交互式地探索创作过程。
最终形成的档案将隐性艺术技艺转化为了系统化、可解读的数据。该项目为研究人员、教育工作者和从业者提供了宝贵的资源，架起了文化保护与现代技能传播之间的桥梁。这项由东京大学及其他研究人员共同开展的合作研究，将在 IASDR 2025 会议上发布。
每日HackerNews RSS
抱歉。
LeRobot 已成为机器人学习数据的标准，但其处理过程——尤其是视频帧的解码——往往会造成瓶颈，导致 GPU 闲置。原有的 LeRobot Daft 读取器效率低下，因为它对每一帧都要打开并重新索引 MP4 分片，从而在访问远程数据集时产生高延迟。
为解决这一问题，Daft 中实现了一种新的批量解码方法。读取器不再逐行处理，而是每次将 16 行数据归为一组，按分片和时间戳排序，并利用集群寻址（clustered seeks）。通过在每个批次中仅打开一次分片并按顺序解码帧，读取器避免了冗余的网络请求和磁盘操作。
此次更新带来了 4-15 倍的性能提升，使原本漫长的数据流水线转化为更快捷、高效的工作流程。例如，解码一个 632 帧的数据集，耗时从 29 分钟缩短至不到 2 分钟。这种纯 Python 的优化在保持输出结果与原读取器完全一致的同时，显著减少了准备训练或推理数据的时间，确保了 GPU 资源能够保持满载运行。
抱歉。
互联网是由人类——而非算法或合成思维——经过数十年的协作、尝试与错误所构建的。从其诞生到人工智能的兴起，网络的演进是一场纯粹的人类事业，由坚韧的意志和远见所驱动。 我们现在正进入一个新时代，创作已成为人类与机器的协作。因此，我们数字过往的产物已转化为那个我们独自构建网络时代的遗迹。 “人类网络博物馆”（The Museum of the Human Web）保存了这些物品，旨在颂扬人类主导的创新史。这一系列突破、失败与文档，见证了世界曾经“老派”的互联方式。博物馆文物抽奖所得的收益将直接资助互联网档案馆（Internet Archive）和计算机历史博物馆（Computer History Museum），以致敬人类创造网络所留下的遗产。
抱歉。
Cactus 推出了一款经过后训练的“Gemma 4 E2B Hybrid”模型，旨在解决小型端侧 AI 固有的可靠性问题。通过嵌入可为每次响应生成结构化置信度评分（0 到 1）的内部探针，该模型允许开发人员实施智能路由：如果置信度低于阈值（例如 0.85），查询将自动卸载至规模更大、能力更强的模型。 这种混合方法使最小的 Gemma 模型能够在仅重定向 15%–35% 查询的情况下，在各项主要基准测试中达到与 Gemini 3.1 Flash-Lite 相当的性能。值得注意的是，这些内部探针并非依赖表层模式，而是通过隐藏状态检测正确性信号；这一点已得到验证，即使在音频等未经过专门训练的模态下，该模型也能高精度地识别自身的错误。 Cactus 为这一工作流程提供了跨主流框架（包括 Hugging Face、MLX 以及打过补丁的 `llama.cpp`）的开源支持。这使开发人员能够在速度、隐私和高保真性能之间取得平衡，确保系统在必要时能够自动调用“援军”。
Cactus Compute 发布了名为“Cactus Hybrid”的技术，该技术支持 Gemma 4 等端侧模型精准识别其可能给出错误回复的情况。
与依赖不可靠的文本自我评估或 Token 熵的传统方法不同，Cactus 使用一层 6.8 万参数的轻量级探测层，在推理过程中分析隐藏状态。该探测层提供一个 0 到 1 之间的置信度分数，使开发者能够动态分配查询：高置信度任务在本地处理以确保隐私和速度，而低置信度查询则会被分流至更强大的云端模型。
在 12 项基准测试中，该方法的表现显著优于 Token 熵（AUROC 分数分别为 0.814 和 0.549），证明了其具备与模态无关的准确性评估能力，即便是在模型未经明确训练的音频数据上也能生效。目前，开发团队已在 HuggingFace 和 GitHub 上以 MIT 协议开源了权重和集成代码。虽然目前仅限于单序列解码，但团队计划未来将其扩展至更大的模型和分层路由系统。
虽然音乐在进化中似乎并未提供明显的生存优势，但它始终是人类普遍深感快乐的源泉。神经科学家罗伯特·扎托雷（Robert Zatorre）通过大脑两个主要系统的相互作用来解释这一现象：**听觉感知系统**和**奖赏系统**。 我们的听觉系统处理声音振动，使我们能够识别音高、和声和句法。这使大脑能够根据我们的聆听经验，对即将出现的音乐模式做出预测。与此同时，大脑的奖赏系统——即对食物、性和金钱产生反应的同一网络——会对这些预测进行评估。 当音乐触及一个“最佳平衡点”时，我们获得的快感最强烈：它既非完全可预测，也非毫无章法的混乱，而是以超乎预期的方式给我们带来惊喜。这种“奖赏预测误差”会产生多巴胺，从而创造出愉悦的情绪状态。这一模型已得到相关研究的支持，包括对“特定音乐快感缺失症”（指个体在这两个系统之间缺乏连接）的研究，以及通过脑刺激调节音乐快感的实验。归根结底，音乐的力量在于大脑分析模式的能力，以及当我们的期望以出人意料的方式成功实现时，大脑所给予的奖赏。
抱歉。
本网站正在使用安全服务来抵御网络攻击。您刚才的操作触发了安全防御机制。触发此拦截的原因可能有多种，包括提交了特定的词汇或短语、SQL 命令或格式错误的数据。
抱歉。
受其大学时期担任图书管理员的经历启发——当时与书籍的偶然相遇带来了深刻且机缘巧合的学习体验——作者探讨了“可浏览式”研究图书馆的衰落。他认为，尽管图书馆正日益向数字中心转型，但高质量非虚构类作品的“黄金时代”依然具有非凡价值。
为了克服现代搜索算法的局限性以及实体开架阅览室的消失，作者创建了一个免费的可搜索平台，收录了约6500部主要非虚构类图书奖项的获奖及入围作品。通过语义搜索，该工具允许用户探索备受赞誉的非虚构类作品的“长尾”领域，从而找回发现好书的愉悦体验。
作者还反思了非虚构类文学的发展演变，提出全球旅行的兴起与研究工具标准化等技术和社会层面的变革汇聚在一起，推动了20世纪80年代至21世纪初非虚构作品质量的巅峰。通过这一平台，他鼓励读者跳出亚马逊的热门推荐，重新发现那些往往被忽视、却兼具学术性与叙事性的传世之作。
这篇 Hacker News 的讨论围绕一个利用语义搜索对获奖非虚构类书籍进行分类的项目展开，该项目自诩为“AI 垃圾内容的对立面”。
讨论突显了一个核心矛盾：尽管许多用户称赞该工具是发现高质量、人工策划知识的有效途径，但另一些人则争论 AI 是否真正具备“创造力”。怀疑论者认为，大语言模型（LLM）缺乏“生活阅历”和“利益相关”，这使得它们的产出与人类创作的作品深度相比，本质上是空洞或平庸的。相反，一些参与者则指出，人类本身也经常进行观点的“重组”。
辩论的很大一部分集中在如何有效地使用 AI。许多用户认为，AI 最适合作为发现工具——即寻找冷门或高质量书籍的指南针——而不是阅读或思考的替代品。讨论还涉及了图书馆文化的衰落、现代写作中“AI 腔调”的普遍存在，以及主动参与（如批注或总结观点）与被动消费之间的重要性。归根结底，共识倾向于认为，虽然 AI 是用于策展和导航的强大工具，但它无法复制人类文学作品中那种深刻的、基于经验的深度。
几个世纪以来，1587年托斯卡纳大公弗朗切斯科一世·德·美第奇及其夫人比安卡·卡佩罗的死因一直笼罩在谜团之中。关于他们死于砷中毒的传言，掩盖了历史上对疟疾的怀疑。 耶鲁大学和比萨大学的研究人员在《iScience》期刊上发表了一项新研究，试图利用现代古基因组学解决这一争论。通过提取弗朗切斯科遗骸中的古DNA，研究团队识别出了疟原虫的遗传特征，证实他至少感染了两种疟疾。这与当时宫廷御医记录的间歇性发热等症状相符。 尽管这一遗传证据为疟疾提供了确凿的诊断，但该研究并未完全排除遭到谋杀的可能性。一些专家认为，病原体的存在并不排除同时发生中毒的可能，并指出有关这对夫妇生命最后阶段和身体状况的历史记录仍然模糊不清。归根结底，虽然这项研究为死于疟疾提供了迄今为止最有力的科学证据，但关于“美第奇谋杀案”的争论仍在持续，这也凸显了在长达数个世纪的历史猜测背景下解读古代遗骸的复杂性。
抱歉。
本报告详细介绍了如何将 Fairphone 6 的超广角摄像头（OmniVision OV13B10）成功集成至 Linux 主线内核，并使其能够在 GNOME Snapshot 应用程序中正常使用。 该项目聚焦于高通“milos”SoC，尽管该芯片已获得 postmarketOS 的支持，但此前一直缺乏摄像头功能。作者通过利用 TFE665 ISP 和 OV13B10 传感器的现有主线驱动程序，打通了专有的安卓内核栈与 Linux `qcom-camss` 驱动之间的壁垒。主要工作步骤包括： * **内核集成：** 移植 ISP 驱动程序，配置 CSIPHY/CSID 模块，并解决缺失的时钟依赖问题。 * **传感器启用：** 为 OV13B10 添加 OpenFirmware 支持，并校正通道（lane）与总线配置。 * **用户空间：** 为自动曝光实现 `libcamera` 传感器辅助程序，并配置自动对焦音圈马达。 虽然目前摄像头已能支持二维码扫描和日常预览，但仍处于实验阶段。主摄像头和前置摄像头目前尚不支持，且图像处理依赖于基于软件的 ISP。后续工作将致力于修复传感器合并（binned）模式以恢复完整视野，优化电源管理，并推动所实现的更改合入上游主线。
这篇 Hacker News 帖子讨论了在 Fairphone 6 的广角摄像头上实现实验性 Linux 支持的最新突破。该项目在大语言模型（特别是 Opus）的辅助下完成，凸显了人工智能在处理样板代码和辅助调试方面，如何加速复杂且小众的驱动程序开发。
讨论迅速扩展为两个主要议题：
1. **硬件的可获取性**：用户讨论了获取和记录智能手机传感器资料的极端难度。与工业或汽车零部件不同，旗舰智能手机的传感器被视为高度保密的商业机密，使得业余爱好者在没有签署保密协议（NDA）的企业合作支持下，几乎无法进行集成。
2. **安全与生态系统**：讨论的很大一部分集中在 Fairphone 的安全状况上。批评者认为，Fairphone 缺乏像 GrapheneOS 等项目所需的硬件安全功能（如安全区域和 MTE）。尽管一些用户为 Fairphone 对可维修性的专注进行了辩护，但另一些人则批评该公司在固件更新方面滞后、依赖旧版 Linux 内核，以及与 /e/OS 的合作，这引发了关于“安全”软件的定义以及开源移动硬件可行性的激烈争论。
这篇博文讲述了作者学习 OCaml 的经历。作者认为 OCaml 巧妙地平衡了函数式和命令式编程风格，令人乐在其中。虽然作者指出 OCaml 的语法有时稍显冗长，且编译器反馈循环不够迅速，但仍对其强大的实用性以及近期多核支持等工具带来的发展势头大加赞赏。 关于学习建议，作者推荐先从 CS3110 课程入手，通过实践练习打好基础，然后再深入阅读《Real World OCaml》。 作者此次探索的核心驱动力是 Eio 并发框架。为了评估该框架，作者构建了一个简化的远程过程调用（RPC）客户端和服务器。作者重点介绍了该框架对“效果”（effects）的应用，以及它与 Go 语言并发原语（纤程、流和承诺）的相似之处。尽管在纤程生命周期管理上遇到了一些小挑战，作者依然认为 OCaml 与 Eio 的组合极具吸引力，并计划通过实现 Raft 一致性算法来继续完善该项目。
抱歉。