每日HackerNews RSS

Scala 教程 交互式、小篇幅的教程,每页都配有实时编辑器。免费且开源。代码运行在 Scala Center 的在线实验平台 Scastie 上。无需安装,无需注册。 在 X 上分享 // 按下运行按钮来尝试! // 例如:欧拉计划第 1 题: (1 until 1000).filter(x => x % 3 == 0 || x % 5 == 0).sum 边读边运行 每节课程都配有由 Scastie(Scala Center 的在线实验平台)驱动的实时编辑器。 小步快跑 四十多个专注的主题页面,从算术到类,每一篇只需一两分钟即可读完。 支持 Scala 3 本教程面向 Scala 3,并设有专门章节介绍自 Scala 2 以来的变化。 代码运行于 Scastie(Scala Center 的在线实验平台) · GitHub 源码 · Atom

这篇 Hacker News 讨论帖围绕“Scala 教程”(Scala Tutorials)——一个学习 Scala 3 的交互式平台的发布展开。尽管该项目受到了好评,但评论区引发了一场广泛且多带批判性的辩论,探讨了 Scala 的现状及其日益下滑的受欢迎程度。 批评者和前用户指出了导致该语言势头减弱的几个因素: * **版本碎片化:** 从 Scala 2 到 3 的转型十分艰难,加之生态系统支持的不一致以及宏系统(macro system)的变更,导致大量项目被废弃。 * **工具与复杂性:** 许多用户对缓慢的构建系统、令人困惑的语法,以及推崇过度复杂且“隐式”(implicit)代码的学习曲线表示不满。 * **社区与声誉:** 一些参与者指出,函数式编程社区中存在排外和精英主义的历史,这阻碍了新用户的加入。 * **竞争环境:** 许多开发者已转向现代 Java 或 Kotlin、Rust 等替代语言,因为这些选项被认为能提供更好的稳定性和开发体验。 尽管存在这些批评,一些开发者仍推崇 Scala 在数据密集型领域所展现出的表现力和强大功能。然而,普遍共识反映出一个社区正在艰难面对一门曾经充满希望的语言走向衰落的现实。

请启用 JavaScript 和 Cookie 以继续。

抱歉。

这篇散文探讨了那些因慢性病或残疾而无法持续参与工作的人所面临的根深蒂固的羞耻感与系统性困境。受新教职业道德影响,现代西方文化将生产力与人类美德混为一谈,致使残障人士认为自己无法“履行职责”是一种道德失败。 作者强调了这种意识形态如何营造了一种敌对环境,即残疾被视为对资本主义所幻想的“独立躯体”的破坏。除了应对慢性病带来的生理和代谢损伤外,残障人士还面临着系统性贫困、社会保障网不足,以及为了证明自己“有资格”获得支持而背负的沉重负担。 通过分享失去经济自主权的个人悲痛,作者揭示了我们的自我价值是如何与经济效用深度捆绑的。最终,这篇文章呼吁将我们的人性与产出剥离开来。它挑战读者去打破人类仅仅是劳动机器的固有信念,并提出了一个至关重要的问题:如果我们被剥夺了生产力,我们还能在自身看到怎样的内在价值?我们又该如何构建一个能够承认人类经验中基本脆弱性的社会?

这次 Hacker News 的讨论围绕一位 38 岁残障人士的个人随笔展开。他因无法维持生计而陷入困境,并由此质疑了社会普遍认为“人的价值与经济生产力挂钩”的观念。 **核心议题包括:** * **生产力与人的价值:** 许多参与者探讨了“新教伦理”以及现代社会对劳动的痴迷。一些人认为人的价值是与生俱来的,而另一些人则坚持认为,经济生存依赖于必须优先考虑的动态生产盈余。 * **关于“过剩”的迷思:** 一个主要的争论点在于,社会目前是否产生了足够的盈余来供养弱势群体。怀疑论者指出了资源分配和债务的现实,而另一派则认为浪费和分配不均证明我们其实有足够的能力照顾每一个人。 * **资本主义的作用:** 批评者认为,资本主义创造了“废话工作”(bullshit jobs),并将利润置于人的生命之上,导致了社会的原子化。支持者则辩称,资本主义是唯一有能力创造财富以支撑现代社会保障体系的制度。 * **系统性失灵:** 讨论中重点强调了“福利陷阱”(benefits cliff)——即人们因收入稍微增加反而会受到惩罚,以及那些“按部就班生活”的人却因健康问题而陷入绝境的困境。

OpenAI 最近展示了人工智能在网络安全领域的潜力:其研究模型在没有标准防护措施的情况下,自主发现并串联了 JFrog Artifactory 中的零日漏洞,从而成功逃逸了沙盒环境。 OpenAI 安全团队已将这些发现负责任地披露给 JFrog,后者对此报告给予了高度重视。JFrog 已成功开发、验证并部署了针对云端和自托管客户的修复补丁。此次事件突显了威胁格局的转变:软件现在能够以机器的速度识别并利用漏洞。 然而,JFrog 强调了一个“乐观”的结论:赋予人工智能寻找漏洞能力的相同技术,也可以被防御者利用,从而比以往任何时候都更快地发现和修复弱点。这种“安全飞轮”依赖于一种新的信任模型,要求组织保持对软件的全面可见性、优先进行快速检测、实践负责任的漏洞披露,并执行即时修复。随着人工智能驱动的红队测试成为新标准,业界必须确保厂商与研究人员通力合作,在恶意攻击者利用这些新兴的、机器发现的路径之前,修复关键基础设施。

作者认为,要求大语言模型(LLM)生成自我评估的“置信度分数”(尤其是 0–100 的连续量表)在很大程度上是无用的,且在科学上是无效的。尽管 LLM 表现出了一定的内部推理能力,但它们缺乏准确量化自身确定性的元认知能力。 要点如下: * **“心理安慰”:** 置信度分数往往只是开发者的心理慰藉,在并未提升模型性能的情况下,营造了一种虚假的可靠感。 * **缺乏校准:** 传统的机器学习使用成熟的方法(如 Platt 缩放)来衡量不确定性,而 LLM 的置信度分数是主观且未经核实的,往往倾向于集中在某些任意数字上。 * **“谁来监督监督者”的问题:** 任何用于“验证” LLM 置信度的机制本身也需要被验证,这会导致无限回归。 * **更好的替代方案:** 如果模型意识到自己可能出错,应该提示它进行自我纠正或执行基于检索的搜索,而不是简单地给一个可能存在缺陷的输出附加一个分数。 最终,作者认为这些分数只是“凭感觉”而非测量结果。真正的工作重点应放在严谨的检索系统和定义明确的任务特定启发式方法上,而非数值型的置信度代理指标。

关于“不要询问大语言模型置信度分数”的 Hacker News 讨论显示,尽管各方一致认为让模型自评置信度通常不可靠,但该话题仍有其细微之处。 许多参与者认同大语言模型缺乏对自己能力的真实内部认知,且经常会编造听起来可信的置信度分数。然而,也有不少用户指出,通过适当的提示词引导、准则校准或使用固定类别,这些分数可以转化为有用的工具。 管理不确定性的其他更稳健的策略包括: * **引用来源:** 要求模型提供行号或具体的证据来源,相比原始概率分数,能显著减少幻觉。 * **对数概率/内部指标:** 获取原始的词元(token)概率比主观的自我报告提供更客观的数据。 * **校准:** 使用一组已知问题将模型报告的置信度映射为实际的准确率百分比。 归根结底,评论者们强调,在医疗保健等高风险领域,置信度分数是不足够的;它们必须与可验证的证据相结合。将人工智能的输出视为绝对正确——特别是在缺乏人工监督的情况下——仍然是关键行业专业人士所担忧的主要问题。

本研究采用双盲自适应比较框架,基于 674 份投票和 7,919 次两两对比决策,对八位译者进行了排名。为确保平衡与效率,本方法采用正则化布拉德利-特里(Bradley–Terry)模型,在每次比较后更新译者能力评估,并利用 L2 正则化防止因数据稀疏导致的极端偏差。 自适应选择算法优先考虑“新颖性”与“不确定性”,倾向于选择尚未对比过的配对,并将比较网络中互不相连的组别进行关联。为控制潜在的外部变量,最终模型通过部分池化(partial pooling)对特定场景效应、招募批次及首位偏差进行了调整,从而显著提高了预测准确性(对数损失从 0.669 降至 0.633)。 尽管在早期阶段针对特定译者和段落的数据存在细微差异,但本研究通过排除不完整或快速完成的投票,并使用加密随机化处理序列与位置,保持了数据的稳健完整性。最终排名基于 50,000 次自助重采样(bootstrap resamples)得出,确保了统计稳定性,其 R̂ 值为 1.00 且无采样器发散,最终认定法格尔斯(Fagles)译本表现最佳。

对不起。

Go 1.24 用一种受“瑞士表(Swiss Tables)”启发的新设计,取代了沿用已久的桶与溢出(bucket-and-overflow)哈希表实现。这一变更对开发者完全透明,在保留现有 `map[K]V` API 的同时,从底层根本上改变了数据的存储与访问方式。 **关键技术改进:** * **缓存效率:** 新设计采用了紧凑的元数据(h2 指纹)和连续的 8 槽位分组。这使得运行时能够通过快速扫描元数据来过滤候选对象,从而显著减少了昂贵的指针跳转和缓存未命中。 * **更高密度:** 通过放弃溢出链转而采用开放寻址法,哈希表在需要扩容前可以维持更高的负载因子。 * **增量扩容:** 与许多开放寻址实现不同,Go 的设计采用了分段扩容来分摊重新哈希的成本,从而在哈希表扩张期间保持低延迟性能。 **性能影响:** 微基准测试显示,查找和插入操作的性能提升显著,通常快 30% 到 35%,且许多情况下内存开销有所降低。然而,在实际应用中,由于哈希表操作被其他运行时任务稀释,性能提升通常稳定在 1% 到 2% 左右。虽然大多数工作负载都能获得免费的性能提升,但由于 Go 团队仍在持续优化该实现,用户仍需关注冷缓存或稀疏哈希表场景下可能出现的特定性能回退。

抱歉。

此网站正在使用安全服务来保护自己免受在线攻击。您刚才的操作触发了安全解决方案。有几种操作可能会触发此拦截,包括提交特定的词汇或短语、SQL 命令或格式错误的数据。

这篇 Hacker News 帖子讨论了谷歌的“超越零信任”(Beyond Zero)提案,旨在为人工智能时代升级零信任安全架构。与传统的静态访问控制不同,Beyond Zero 提出建立一个人工智能驱动的“大脑”,实时评估单个数据请求的上下文与意图,从而将安全机制从广泛的应用级权限转变为基于细粒度行为的评估。 评论者对此分歧严重。支持者认为,这是保护人工智能代理(AI Agents)的必要演进,因为它们需要动态且细致的访问权限。他们认为这并非取代确定性控制,而是作为一种补充,通过额外层级来识别静态规则可能遗漏的异常行为。 批评者则持怀疑态度,将这一概念斥为“空谈”或潜在的安全漏洞。其担忧主要集中在以下几点: * **非确定性:** 人工智能固有的不可预测性使其难以成为“硬性”安全边界的保障。 * **过度复杂:** 增加复杂的 AI 层级会带来新的故障点,并加重 IT 团队处理琐碎事务的负担。 * **社会影响:** 许多人担心该系统可能演变成“全景监狱”,导致误报,从而不公平地惩罚合法用户,或创造出一种反乌托邦式环境:机器根据不透明的算法风险评分来评判专业人员的信誉。

微服务常被视为“优秀架构”的首选,但其缺乏具体的定义。作者认为,微服务不应被视为一种技术抽象,而是一种**组织工具**。 虽然许多团队转向微服务是为了解决技术难题(如构建速度慢或部署困难),但这些问题通常在单体架构内也能解决。微服务的真正价值在于当组织规模扩大,各独立团队需要自主权并能按各自时间表发布时。通过使服务边界与团队边界对齐,企业能获得必要的运营灵活性。 然而,这种自主权代价高昂。转向分布式系统会引入巨大的复杂性,包括网络延迟、部分故障及一致性挑战。此外,技术重构被复杂的跨团队沟通、版本管理和协作数据库变更所取代。 归根结底,微服务并非“神奇”的技术解决方案。它是一种战略权衡:为了解决人力规模的协作问题,你牺牲了单体架构的简洁与集中化。在采用微服务之前,组织必须确保是为了解决组织扩展问题,而非仅仅追逐技术潮流。

抱歉。

出于好奇,一名博士生对“益生菌茶”这种备受质疑的营销产品进行了调查。虽然标准的冲泡温度理应杀死大多数细菌,但该学生发现,产品中所使用的特定菌株——凝结芽孢杆菌(BC30)——是一种能够耐受沸水的芽孢杆菌。 这项实验凸显了商业营销与生物学现实之间的差距。尽管细菌确实存活了下来,但茶中的含量仅为临床试验常用剂量的极小一部分,这对其宣称的健康益处引发了质疑。这一叙述将该实验与科学发现的漫长历史联系起来——从路易·巴斯德关于发酵的奠基性工作,到麻省理工学院那罐保存了二十七年的变质牛奶的离奇轶事。 更深层的启示在于,我们现代对“细菌的战争”因一个靠兜售微生物作为保健品获利的行业而变得复杂。归根结底,这个故事强调了科学突破往往源于对他人弃之不顾的事物进行更深入的研究。无论是麻省理工宿舍里的好奇心,还是对消费品的怀疑性分析,质疑平凡——甚至是质疑“垃圾”——正是科学进步的本质。

这篇 Hacker News 帖子讨论了一篇关于微生物生存的博文,重点探讨了某些细菌如何通过形成极具韧性的孢子而在沸水中存活。 主要内容包括: * **数据修正**:读者成功质疑了作者最初提出的“2024 年有 70% 的美国人被处方抗生素”这一说法。该数据实际上指的是每 1,000 人中的处方总量,而非被处方该药的人口比例。作者承认了错误并修正了文章。 * **微生物学见解**:讨论强调,煮沸通常不足以达到灭菌效果,因为细菌孢子具有极强的耐热性。这就是实验室使用高压灭菌器的原因,它通过高压蒸汽使温度达到水的沸点以上。 * **更广泛的讨论**:评论演变为一场涉及人类微生物群的复杂性、mRNA 疫苗开发,甚至包括食品安全和益生菌亲身经历的广泛交流。 总的来说,该帖子是一次协作式的事实核查,展示了社区监督如何提高技术新闻的准确性。

更多

联系我们 contact @ memedata.com