您的请求已被阻止，原因是网络策略。请登录或在此处创建帐户以恢复浏览。如果您正在运行脚本或应用程序，请在此处注册或使用您的开发者凭据登录。此外，请确保您的User-Agent不为空，并且是独特且具有描述性的，然后重试。如果您正在提供替代的User-Agent字符串，请尝试改回默认设置，因为这有时会导致阻止。您可以在此处阅读Reddit的服务条款。如果您认为我们错误地阻止了您，或者想讨论更轻松地获取所需数据的方式，请在此处提交工单。联系我们时，请提供您的Reddit帐户以及以下代码：019d4701-1ee3-7726-ba21-30fed10ff0c9。
每日HackerNews RSS
## 白宫App数据收集：动态分析 近期对白宫iOS应用（v47.0.4）的动态分析显示，其数据收集行为与其声明的隐私政策存在显著矛盾。研究人员使用中间人代理监控了典型浏览会话期间的所有网络流量，发现只有23%的请求发送至whitehouse.gov；其余77%则定向至第三方服务。 值得注意的是，该应用在启动时会将详细的用户数据——包括IP地址、位置（语言/时区/国家）、设备信息和使用模式——发送至**OneSignal**，并随着每次会话持续更新此资料。这与应用隐私清单中声称“不收集任何数据”的说法相悖。 分析还证实了该应用在多个标签页中大量依赖**Elfsight**小部件，联系了13个Elfsight域名并设置了超过10个跟踪Cookie。此外，**Google DoubleClick**广告跟踪基础设施通过YouTube嵌入式内容加载，但未在隐私清单中披露。 该研究表明，静态代码分析与实际应用行为之间存在差异，突出了官方白宫应用中广泛的第三方跟踪行为。
对不起。
启用 JavaScript 和 Cookie 以继续。
## 机器人科学家的崛起
受人工智能和机器人技术驱动，“自动驾驶实验室”即将彻底改变科学研究。由罗斯·金等研究人员率先开发，如在瑞典查尔姆斯理工大学的Eve系统，这些平台自动化实验设计、执行和分析，从而大大加速发现。例如，Eve通过筛选数千种化学物质，确定了一种潜在的新方法来对抗疟疾。
尽管工业机器人已经在实验室中辅助工作了几十年，但这些新系统更进一步，模仿了科学方法本身。Lila Sciences和Periodic Labs等公司正在建设大规模设施，旨在实现成本效益和高通量。OpenAI和Ginkgo Bioworks展示了使用人工智能驱动的自动化技术，蛋白质生产成本降低了40%。
目前的系统擅长于增量改进——优化化合物或材料——但正在不断发展。大型语言模型（如卡内基梅隆大学的Coscientist中的GPT-4）的集成，允许进行更复杂的问题解决，甚至可以使用“普通英语”指令。虽然不能完全取代科学家——人类的灵巧性仍然至关重要——但这些机器人实验室有望重塑科学的运作方式，将科学研究从类似工匠的工作转变为更工业化、更高效的流程。
对不起。
(Empty input provided. There is nothing to translate.)
对不起。
一个被称为“上帝小队”的委员会投票决定将墨西哥湾的石油和天然气行业排除在《濒危物种法案》的关键条款之外，可能取消对受威胁鲸鱼、海龟和其他野生动物的保护。这一决定是由国防部长皮特·赫格塞斯引用“国家安全”方面的能源供应问题触发的，允许石油公司在较少限制的情况下恢复地震勘探等活动。 这一举动对于数量仅存约51只的极度濒危赖斯鲸来说尤其令人担忧。科学家警告说，失去任何一只鲸鱼都可能导致该物种灭绝。此前，NOAA已经确定了减轻对鲸鱼伤害的措施，但该豁免取消了公司实施这些措施的要求。 环保团体正在对这一决定提出质疑，认为其违反法律，并认为“国家安全”的理由是人为制造的，且该法律旨在保护，*当*可以避免伤害时。能源行业认为，它可以平衡开发与野生动物保护，但游说记录显示，在《濒危物种法案》和赖斯鲸相关的政策方面，存在大量资金影响。这一决定代表了特朗普政府时期削弱环境保护的总体趋势。
对不起。
松露红宝石
TruffleRuby
2 天前
TruffleRuby 是一个高性能的 Ruby 编程语言实现，构建在 JVM 之上，利用 Graal 动态编译器和 Truffle AST 解释器框架。它起源于 2013 年 Oracle Labs 的实习项目，最初作为 JRuby 中的一个开源和孵化项目，后来于 2017 年成为一个独立项目并最终成为 GraalVM 的一部分。 值得注意的是，TruffleRuby 旨在超越 JRuby 的性能，同时保持更简单的系统架构。目前开发由 Shopify 赞助，建立在 2015 年完成的一篇博士论文基础上。 该项目伴随着大量的研究，重点关注并行化、调试本机扩展、专业化数据结构（Ropes）、跨语言互操作性以及高效元编程等领域。这些进展在 OOPSLA、PLDI 和 TOPLAS 等会议的众多出版物中都有详细介绍，可通过提供的链接获取。
对不起。
arXivLabs是一个框架，允许合作者直接在我们的网站上开发和分享新的arXiv功能。个人和与arXivLabs合作的组织都认同并接受我们开放、社群、卓越和用户数据隐私的价值观。arXiv致力于这些价值观，并且只与秉持这些价值观的合作伙伴合作。您是否有为arXiv社群增加价值的项目想法？了解更多关于arXivLabs的信息。
## TinyLoRA：用最少参数进行推理 - 摘要
最近的研究展示了“TinyLoRA”，仅使用13个参数，在大型语言模型（LLM）中实现了推理能力的提升。但这并非是从13个参数中创造推理能力，而是在Qwen模型家族现有的80亿参数空间中找到一个最佳的“旋转”。
讨论的中心在于这是否是一项真正的突破，还只是模型先前训练的产物，特别是其对GSM8K数学基准的接触。有些人认为这是过拟合，而另一些人则认为这证明了LLM的内在能力与其表现之间的差距出人意料地小，并且可以以较低的成本弥合。
该技术利用截断的奇异值分解（SVD）来实现计算效率。其核心思想是推理能力可能已经潜在地存在于模型中，而TinyLoRA有效地“引导”现有的能力，而不是构建新的能力。这表明未来将是超低成本、持续适应，由有效的奖励信号驱动，而不是大规模的重新训练。该发现突出了LLM参数空间中可解释性的潜力。
每天学点旧知识，第十八部分：浮点单元检测是如何工作的？
Learn Something Old Every Day, Part XVIII: How Does FPU Detection Work?
2 天前
## x86 处理器上的 FPU 检测：历史回顾 早期的个人电脑通常缺乏浮点单元 (FPU)，因为它们是昂贵的附加组件。检测它们的存在并不简单，并且随着处理器代际的演变而显著发展。8086/8087 使用通用的协处理器接口和 `ESC` 指令，依赖于 BIOS 检测中的 DIP 开关——这是一种臭名昭著的不可靠方法。对于 8086 系统，一种安全的检测方法是使用 `FNINIT/FNSTSW`，以避免由于缺少 FPU 响应 `WAIT` 指令而导致的死机。 英特尔的文档在 286 和 386 时代变得不那么清晰。虽然文档表明需要一个 FPU 来*检测* FPU（通过诸如 `FNINIT` 之类的指令），但这些处理器即使在没有 FPU 的情况下也能在内部处理 FPU 指令，写入内存或触发异常。286 引入了内存保护问题，导致协处理器段溢出中断。 386 和 486 进一步模糊了界限，即使没有协处理器，CPU 也承担了更多的 FPU 相关任务。没有 FPU 插槽的 486SX 继续了这一趋势。 最终，可靠的 FPU 检测需要利用未记录的 CPU 行为——具体来说，观察 `FNINIT/FNSTSW` 的结果，并解释内存写入（或缺乏写入）以确定 FPU 的存在或不存在。这凸显了从简单接口到浮点运算日益复杂的内部处理的有趣演变。
对不起。
这段代码可视化了“Bonsai 8B”语言模型与可比模型的性能，重点关注基准测试、准确率/大小权衡、吞吐量、能耗和智能密度。 界面包含用于不同可视化的选项卡面板。**基准测试**结果（IFEval、GSM8K等）显示为条形图，用户可以通过下拉菜单选择不同的基准测试。**准确率与大小**以散点图显示，突出显示Bonsai 8B，并可选择帕累托曲线。另一个散点图（**散点图 - 无曲线**）在没有曲线的情况下呈现相同的数据。**吞吐量**和**能耗**使用条形图可视化，比较Bonsai 8B在不同硬件上的表现。最后，**智能密度**以另一个条形图呈现。 交互元素包括悬停提示、用于视觉定制的调色板选择器以及适应移动设备的响应式设计。动画用于逐步显示数据。当选择选项卡或调整窗口大小时，可视化内容会动态更新。
## 1-Bit Bonsai：一种新的LLM方法
PrismML推出了1-Bit Bonsai，一种商业上可行的1比特大型语言模型（LLM），旨在提高效率。该模型实现了显著的尺寸缩小——一个8B模型仅为1.15GB——并提高了速度，据称在4090 GPU上比Qwen3快6倍。
初步测试表明，其性能可与Llama3 3B和Qwen3 1.7B等其他中型模型相媲美，但准确性方面存在一些权衡。用户已成功在本地运行它，甚至在较旧的硬件上，并正在探索其在代码生成和SQL调试等任务中的潜力。
其核心创新在于一种1比特量化技术，使用每个128比特的共享16比特刻度，而不是传统的全精度方法。虽然训练方法未详细说明，但重点是推理速度和可访问性，为在低端设备上运行LLM打开了可能性。社区正在努力将其与Ollama等工具集成，并探索进一步的优化。