准备阿耳忒弥斯2号任务：为绕月飞行训练 认识美国宇航局新的阿耳忒弥斯2号任务科学官 上车吧，我们要去月球了：认识美国宇航局的阿耳忒弥斯收尾团队
每日HackerNews RSS
月球飞越
Lunar Flyby
3 天前
## 阿耳忒弥斯1号月球飞越：摘要
最近的阿耳忒弥斯1号任务的月球飞越在线上引发了激动，用户们分享和讨论了美国宇航局发布的图像。虽然最初的图像看起来分辨率较低，但很快就分享了指向美国宇航局图像服务器和 Flickr 上更高质量版本的链接。
讨论的中心是使用的设备——包括GoPro、尼康（D5 & Z9）甚至iPhone——以及对完整RAW文件的需求。值得注意的是，带宽限制意味着最初只传输了较小的文件，更大的文件正在等待从胶囊的SD卡中检索。
除了图像之外，对话还涉及任务的成本（每次发射40亿美元引发了争论）、未来月球资源开采的潜力以及重返月球的整体鼓舞人心的意义。一些人对任务没有包括阿波罗11号着陆点的飞越表示失望。令人惊叹的照片，特别是那些捕捉地球和日食的照片，受到了广泛赞扬，一位用户创建了一个可缩放的查看器以便于导航。
Anthropic 推迟了其新AI模型 Claude Mythos 的公开发布，原因是其意外强大的网络安全研究能力。目前，访问权限仅限于通过“Project Glasswing”计划选择的合作伙伴，旨在主动识别并修复广泛使用的系统中的漏洞，然后再进行更广泛的发布。
Mythos 预览版已经发现了数千个严重缺陷，包括主要操作系统和浏览器中长期存在的问题，甚至在 OpenBSD 中发现了一个 27 年的漏洞。安全专业人士报告，AI 发现的漏洞发生了显著变化，从不准确的“AI 垃圾”转向真正有用且令人担忧的报告。该模型*串联*漏洞以创建复杂漏洞利用的能力尤其令人担忧。
Project Glasswing 包括 1.04 亿美元的资源，用于支持 AWS、Apple 和 Microsoft 等合作伙伴加强网络安全。Anthropic 计划开发安全措施并将其整合到未来的 Claude Opus 模型中，然后再广泛提供 Mythos 级别的能力，优先考虑安全部署，尽管该模型具有潜在益处。这种谨慎的做法承认了人工智能在漏洞研究中日益增长的力量，以及整个行业需要做出的准备。
对不起。
## 比特币与量子威胁：摘要 一台在密码学上有意义的量子计算机（CRQC）对比特币构成生存威胁，因为它可能破解其签名系统。解决这个问题需要升级比特币的代码*和*广泛采用新型钱包——这是一项重大工程。核心的不确定性在于CRQC可能出现的时间以及比特币能否成功升级。 风险被计算为CRQC出现的概率（A）乘以比特币未能及时升级的概率（B）。估计表明，到2030年出现CRQC的概率为10%（A=0.1），到2029年比特币成功升级的概率为50%（B=0.5），从而导致到2030年比特币失败的风险为5%。 投资者应考虑此风险——如果失败的可能性较大，比特币的价值不应高于0美元——以及其他潜在威胁。用户也应了解这一点，因为量子攻击的可能性会阻碍当前密码学方法的发展。 升级到后量子密码学是解决方案，但仍存在挑战：选择最佳签名方案、处理现有的易受攻击的币以及确保整个生态系统的采用。尽管升级过程复杂且可能成本高昂，但现在优先进行这些升级至关重要。 尽管这种威胁看似遥远，但积极的准备对于比特币的长期安全性至关重要。
## Tailslayer：降低RAM读取延迟
Tailslayer是一个C++库，旨在通过缓解DRAM刷新停顿来最小化RAM读取的尾部延迟。它通过在具有不同刷新计划的多个独立DRAM通道上复制数据来实现这一点——利用AMD、Intel和Graviton处理器上未公开的“通道混洗”功能。
该库采用*对冲读取*，同时从所有副本请求数据，并利用第一个响应。用户通过包含`hedged_reader.hpp`并提供两个函数来集成Tailslayer：一个`Signal`函数来确定*何时*读取（返回索引），以及一个`Work`函数来处理读取值。
目前支持两个副本（基准测试中具有N路能力），Tailslayer自动处理地址计算和核心固定，并提供逻辑索引接口。数据在插入时复制到每个副本。`discovery`目录中提供了基准测试工具，用于表征DRAM刷新行为并评估性能。
对不起。
这篇短文提倡一种强大的吉他学习技巧，灵感来自 Justin Sandercoe：**通过听音和转录音乐来学习，而不是依赖吉他谱（tab）。** 作者回忆起 90 年代使用吉他谱的经历，意识到它们并不能真正转化为理解或掌握。 这种方法包括选择一首简单的歌曲，然后费力地暂停播放，以便识别并写下你听到的每一个音符。 虽然最初会令人沮丧，但这个过程能强制进行主动聆听，并在耳朵和指板之间建立关键的联系。 将你的转录与现有的吉他谱进行比较有助于提高准确性，而观察演奏则能揭示乐谱中经常忽略的细微差别。 这种方法不仅仅是学习 riff；而是关于学习*歌曲*——理解过渡、节奏，甚至可能还有多个部分。 作者强调建立一个转录歌曲的播放列表，用于持续的练习和享受，最终带来更深入的音乐理解以及直观地复制声音的能力。 这是一种将演奏者从仅仅遵循指示转变为真正*听*和*演奏*音乐的方法。
马修·希夫林是一位盲人，他创立了“盲人乐高积木”项目，旨在让其他视力障碍者也能体验乐高积木的乐趣。受到儿时获得的盲文积木搭建指南的启发，这让他第一次能够独立搭建，希夫林现在为超过540套乐高积木提供免费的可下载盲文搭建指南，积木数量从100到4000块不等。
他的非营利组织由30名撰写者和测试员组成，提供盲文、兼容盲文电脑和屏幕阅读器的搭建指南。虽然有些积木分类可能需要帮助，但利用人工智能的应用程序也可以帮助识别积木。希夫林的这项工作已经影响了全球超过3000名搭建者，甚至促使乐高公司创建了自己的无障碍搭建指南和盲文积木。
“盲人乐高积木”促进了联系，让盲人父母能够*和*他们的孩子一起搭建，并为像丹尼尔·米兰和娜塔莉·夏博诺这样的搭建者提供独立和赋权感。希夫林的倡议因其促进创新和包容性而备受赞誉，让视力障碍者能够充分参与一项深受喜爱的童年活动。
对不起。
本文档详细介绍了一个使用`cellmgr`部署和管理简单HTTP服务的基本流程。过程从引导宿主机开始，然后定义服务的“期望状态”清单——在本例中，一个名为`mysite-edge-httpd`的基本Web服务器。该清单指定了端口、日志记录、执行命令和健康检查等参数。 接下来，创建一个声明式的“应用计划”来填充单元格的初始内容（一个`index.html`文件）。`cellmgr apply`然后协调期望状态，执行应用计划，启动服务并验证其健康状况。 该示例通过列出正在运行的单元格并通过Web浏览器验证访问（`http://vhost.local:8080/`）来确认成功部署。最后，它演示了导出Prometheus兼容的指标以进行监控。这展示了`cellmgr`管理应用程序生命周期（从初始设置到运行时监控）的能力，重点是声明式配置和自动调和。更多文档和示例，包括更复杂的部署，可供参考。
对不起。
## S3 文件：弥合对象存储与文件系统之间的差距
许多开发者在对象存储（如 S3）和传统文件系统之间移动数据时面临摩擦，基因组学研究中频繁的数据复制需求凸显了这个问题。亚马逊的 S3 团队通过 **S3 文件** 解决了这个问题，这是一个将 Amazon Elastic File System (EFS) 与 S3 集成的新功能，允许直接将 S3 数据作为网络文件系统访问。
该团队最初尝试构建一个统一的文件/对象系统，但发现其中存在固有的妥协。相反，他们拥抱了差异，创建了一种“暂存和提交”模型：更改会累积在 EFS 中，并定期与 S3 同步。这保留了两者的优势——S3 的持久性和可扩展性，以及文件系统的熟悉 API。
S3 文件提供了诸如简化现有工具的数据访问等好处，并避免了昂贵的数据复制。它能优雅地处理不一致性，并通过“读取绕过”等功能提供高性能，用于顺序读取。虽然仍然存在挑战（如昂贵的重命名），但该设计优先考虑透明性和可扩展性。
最终，S3 文件的目标是消除存储作为瓶颈，使开发者能够专注于*使用*数据，无论如何访问它——作为文件或对象——并支持加速的应用程序开发步伐，在这种步伐中，数据的寿命超过了应用程序的生命周期。
## S3 文件：摘要
AWS 最近发布了 S3 文件，一项在 S3 对象存储之上提供文件系统接口的新服务，利用 EFS（AWS 的托管 NFS 服务）作为缓存层。 这旨在弥合对象存储与期望传统文件系统语义的应用程序之间的差距。
关键点：
* **架构：** S3 文件使用 EFS 缓存活跃数据和小随机访问，从而提高性能。
* **成本考虑：** 写入成本较高（0.06 美元/GB），因为它们最初会命中 EFS 缓存。 从缓存读取的成本为 0.03 美元/GB，而大型读取（>128kB）直接从 S3 流式传输（免费）。 EFS 缓存存储费用为每月 0.30 美元/GB。
* **替代方案：** 讨论强调了现有的解决方案，如 s3fs 和 JuiceFS，一些人指出由于 EFS 集成，S3 文件可能比基本的 FUSE 实现具有潜在优势。
* **一致性：** 更改会聚合并大约每 60 秒提交到 S3。
* **原子重命名：** 该服务目前不支持原子重命名，这对于某些应用程序来说是一项关键功能。
该发布解决了长期以来对更方便文件系统的 S3 访问方法的需求，但用户应仔细考虑 EFS 缓存层带来的成本影响。
## Boneyard.js: 自动骨架加载屏
Boneyard.js 通过**自动捕获现有 UI 的布局**来简化创建逼真的骨架加载屏——无需手动测量！它使用简单的 `<Skeleton>` 组件支持 **React、Svelte 和 React Native**。
该过程涉及运行一个 CLI 工具 (`npx boneyard-js build`)，它会：
* **Web:** 打开无头浏览器以在定义的断点处截取你的应用快照。
* **React Native:** 直接在你的设备上扫描原生布局。
这会生成一个 `.bones.json` 文件，其中包含骨架定义。在你的应用入口点导入 `./bones/registry` 将激活骨架。
**主要特性：**
* **零生产开销：** 骨架仅在加载期间使用。
* **可定制：** 配置颜色、动画（脉冲、闪烁、纯色）和断点。
* **跨平台：** 相同的 `.bones.json` 适用于 Web 和原生。
* **配置：** 使用 `boneyard.config.json` 进行全局设置，并由组件属性覆盖。
对不起。
## Gemma-Tuner：在 Apple Silicon 上微调 Gemma
Gemma-Tuner 是一个用于在 Apple Silicon Mac 上微调 Google 的 Gemma 模型（3n 和 4 版本）的工具包——无需 NVIDIA GPU 或大量本地存储空间。它支持**文本、图像和音频**的多模态训练，为音频 + 文本微调提供独特的 Apple Silicon 原生能力。
主要功能包括：
* **模态支持：** 微调 Gemma 用于仅文本的任务（指令/补全）、图像描述/VQA，或音频任务，如特定领域的语音识别。
* **云端流式传输：** 直接从 Google Cloud Storage (GCS) 或 BigQuery 训练 TB 级的数据，避免本地存储限制。
* **LoRA 实现：** 使用 PEFT LoRA 进行高效微调。
* **易于设置：** 向导引导用户完成模型选择、数据集配置和训练。
* **私密且在设备上：** 训练和推理完全可以在您的 Mac 上完成，确保数据安全。
该工具包利用分层 INI 配置文件系统，需要 Python 3.10+ 和 macOS 12.3+。它专为 Gemma 训练而设计，并提供数据集准备、训练、评估和导出的工具。
项目和详细文档请访问 [github.com/mattmireles/gemma-tuner-multimodal](https://github.com/mattmireles/gemma-tuner-multimodal)。
## Gemma 4 多模态微调器 - 摘要
一名开发者发布了一个项目（可在 GitHub 上找到：[https://github.com/mattmireles/gemma-tuner-multimodal](https://github.com/mattmireles/gemma-tuner-multimodal)），用于在 Apple Silicon Mac 上本地微调 Gemma 4 模型。该项目源于尝试在有限的计算资源下微调 Whisper，并从 Google Cloud Storage 流式传输数据。它被适配用于 Gemma 3n，然后是 Gemma 4，重点是启用音频微调，目前 MLX 在这方面存在限制。
开发者指出，由于序列长度与内存使用呈二次方关系，存在内存使用问题（OOM 错误），建议使用较短的序列进行微调。评论区的讨论强调了使用语音活动检测 (VAD) 进行音频预处理以及利用 Apple 内置的本地处理工具等策略。用户们正在分享优化性能的技巧和资源，并探索相关项目，例如用于本地 OCR 和视觉处理的工具。该项目旨在将 Gemini 等大型模型提炼成更小、更高效的设备端模型，从而在延迟和准确性方面提供潜在优势。