Blumify 是一个每日平台，用于提供采访、播客、演讲和 YouTube 视频的转录、摘要和笔记。它只保留人物实际说话的片段，概括其发言，并将每条引文链接到转录中的确切位置。页面重点展示 Dario Amodei、Alex Karp、Sam Altman 等 AI 人物，显示每周和总出现次数。用户可以搜索人物、投票选出接下来应追踪的人，或推荐与 Wikidata 匹配的公众人物。得票最多的人会优先添加，页面上线时投票者会收到电子邮件。Blumify Unlimited 允许用户立即添加最多三个人。该网站还提供 YouTube 和播客转录工具、Spotify 转录支持、视频摘要器、Chrome 扩展、AGENTS.md 和 llms.txt 等开发者资源，以及与 Otter.ai、Descript、TurboScribe 等的比较。
每日HackerNews RSS
一篇 Show HN 帖子介绍了 Gaurav 开发的工具 Blumify，它追踪 AI 领袖在 YouTube 视频和播客中所说的话，以及他们的观点如何变化。它关注约 20 位人物，包括 Sam Altman、Dario Amodei、Alex Karp 和 Marc Andreessen，生成文字记录、摘要、关键引语、时间戳，以及一项“有何变化”功能，用于比较同一话题上过去和当前的表述。阅读免费；用户最多可关注三个人，并提出与原始录音相关联的问题。创建者说，每份文字记录成本约 1 美分，但挑战包括说话者归属、重新上传和误报，因此比较内容会经过人工审核。
评论者称赞这一概念，但也提出担忧：选择性覆盖可能导致选择性引用；一些示例被错误归属（例如，一段 Kai Lentit 视频被标为 Dario Amodei）；多份文字记录中出现重复内容；该工具缺少推文或博客等文本来源。建议包括追踪政客、预测与现实对比，以及加入股票图表。一些人质疑 AI 领袖是否比民选官员更重要。创建者欢迎反馈，并询问接下来该追踪谁。
人机验证 为了继续，你需要通过完成验证码谜题来验证你不是机器人。 验证码谜题需要 JavaScript。 请启用 JavaScript，然后重新加载页面。
Hacker News 上一个关于蜜蜂螫针如何泵送毒液的视频讨论帖，聚焦于拔除螫针和进化争论。一位养蜂人建议，用信用卡或指甲贴着皮肤把螫针刮掉，而不是捏住它，以免把更多毒液挤进皮肤。随后评论者争论，带倒钩的螫针这种自我牺牲究竟是适应性的，还是偶然的。有人说，这是哺乳动物弹性皮肤造成的意外：蜜蜂可以反复螫刺其他昆虫，并不“预期”会死。另一些人则认为，带倒钩的螫针进化出来，是为了卡在更大的脊椎动物体内并持续泵送毒液，而失去可抛弃的工蜂可能有利于蜂群。他们把蜜蜂与黄蜂作比较，指出黄蜂的螫针光滑，可以反复螫刺；蜜蜂蜂群有更多工蜂，因此损失更可承受。该讨论还涉及亲缘选择和雄蜂交配，后者也会杀死雄蜂。争论仍未解决。
John Wolff 的 Web Museum 提供了一份详细的分步指南，介绍如何拆解并重装 Original-Odhner 127 型机械计算器。Odhner 127 是一种简单的针轮计算器，也是了解针轮原理的良好入门。笔记涵盖初步拆卸外壳、主体分解、右侧/左侧板、针轮转子、滑架和寄存器、清洁以及重新装配。详细说明涵盖润滑、弹簧/螺丝尺寸、转子装配、滑架校准、反向转移和进位机构、最终调整及测试。还包含针对卡死机器的备用拆解步骤。该指南基于多次重装经验，但不作任何保证，并警告可能会造成损坏；用户应先研究相关技术文档。它面向任何大修类似机器的人，并欢迎反馈。
1692年，艺术家 A. Boogert 创作了《Traité des couleurs servant à la peinture à l’eau》（荷兰语：《Klaer Lichtende Spiegel der Verfkonst》），这是一部900页的水彩手册。书中包含700多页色样，早于现代色彩理论，采用的是亚里士多德的体系，而非牛顿的光谱。此书仅制作了一册，很可能是为了教导水彩画家；几乎没有证据表明它影响了当时的色彩理论。历史学家 Erik Kwakkel 在法国的一个数据库中发现了它，并指出它为了解17世纪画家的工作室提供了罕见洞见。该书藏于普罗旺斯地区艾克斯的 Bibliothèque Méjanes，网上有可缩放的扫描件。其类似潘通色卡的色块令人惊叹，但 Boogert 的体系很快就被取代；又过了一个世纪，歌德、Werner，并最终是潘通，才推动了色彩标准化。这本手册仍是荷兰黄金时代的一件特殊文物。
Hacker News 的一个讨论串重点提到一本1692年的900页荷兰色彩指南《Klaer Lightende Spiegel der Verfkonst》，作者是 A. Boogert，可通过 Open Culture 获取完整高分辨率扫描版。评论者称赞这件潘通之前的文物，以及相关作品，如 Werner 的《Nomenclature of Colour》、歌德的色彩理论和《Nature’s Palette》。他们讨论书中手绘色样、教学用途和令人惊讶的鲜艳程度，同时质疑它是否可能被印刷过，以及扫描件再现原始颜色的准确度。话题转向长s字体排印、颜料耐久性、群青成本、显示器校准，以及潘通在色彩标准化中的作用。有人推荐 ColorNerd 和旧版潘通色卡册。总体而言，这个讨论串赞美历史色彩参考资料以及扫描背后的努力。
该应用会一次性下载 AI 模型（约 2.9 GB）。最大的模型（2.5 GB）会校验与金钱相关的回答，并可在“设置”中禁用。唯一另一项请求用于检查并下载应用更新；它不包含个人数据，也可以禁用。不会发送其他任何内容。 同步时，应用会调用 Pulse，Pulse 向 Plaid 请求新交易，并在同一响应中返回它们。交易数据会经过服务器内存，但不会被存储。服务器只保留连接令牌和记录：机构、状态和上次同步时间。完整详情见隐私页面。你的账本、模型和每个问题都保留在你的设备上。
Show HN：Pulse Local 是一款免费的 Mac 预算应用（Apple Silicon 测试版），在本地运行 AI。在本地模式下，无需账户；账本和提问都留在设备上，无分析。用户可导入任意货币的银行 CSV。经过调优的 Qwen3 0.6B 模型将问题转换为结构化查询；代码执行金额计算，4B 校验器验证答案，将 494 个问题中的错误减少到 5 个。首次启动下载约 2.9GB；校验后的答案耗时 12–14 秒。仅英文、仅 Mac，Windows 计划中。可选 Connected 模式（29 美元/年）通过 Plaid 同步美国银行。HN 反馈称赞本地优先的隐私保护，但批评 CSV 导入、UI 漏洞、手动分类、模型下载大小和设置摩擦。开发者已发布 0.4.1 修复版，并计划支持 PDF 解析和国际银行集成。评论者还建议 SimpleFIN、Actual Budget，并质疑预算管理是否需要生成式 AI。
休闲编程是出于乐趣和好奇心写代码，不为工作、金钱或外部要求。它意味着探索新语言、构建“无用”工具、解决自己发明的问题，并跟随精力而非计划。它不是副业、职业苦熬、教程或面试准备。常见风格包括实时探索者、深度钻研者、创意技术者、问题解决者和语言探索者。无论哪种风格，关键做法是：允许自己构建没有投资回报的东西，兴奋消退时就切换，记录过程，并重视学习胜过发布。建立一个低压力的实验空间，尝试每周实验、玩具式构建、解痒项目、教学项目或跨语言挑战。从“我应该”转向“如果……会怎样”，把好奇心置于生产力之上。Tsoding、Casey Muratori、Ben Eater 和 Dan Luu 等例子展示了回归编程乐趣的多样路径。挑战是：选一个小实验，花两小时在你好奇的事情上，如果不再有趣就停下。目标不是成为著名的休闲编程者——而是记住你当初为什么开始编程，并让那份好奇心保持活力。
NEXUS-Q 尚未达到生产就绪状态。它是一个具有强大 CI 的工程项目，但没有独立的外部审计或认证；GitHub 发布并不意味着经过审计。V1 优先考虑正确性与安全性，实测比最快的实现慢约 2–4.5 倍。V3 保留清零/加固，并接受这一代价；V4 计划进行 AVX2/NEON 优化，仅在严格验证后才默认启用。它将 ML-KEM 与 X25519 组合为混合方案，因此只要任一方案仍然成立，密钥交换就仍受保护。该仓库包含一个 C SDK 以及 Python、Go、PHP 和 Ruby 绑定，全部从源代码构建，未发布到软件包注册表。它采用 MIT/Apache-2.0 双许可。为提供帮助，请阅读威胁模型、运行 Arena、审查代码，并提交 issue/PR。性能工作跟踪于 Issue #23；安全报告通过 GitHub 安全公告提交。
Physical Intelligence 于 2026 年 10 月 13 日推出 Pi API 测试版，使其最新的机器人基础模型可用于训练和托管推理。开发者可以上传数据，在托管基础设施上微调 π 模型，并通过托管网关运行微调后的模型。目标是简化通用机器人模型的适配，减少机器学习基础设施和数据管道的负担，同时实现端到端自主性。早期合作伙伴测试了多种任务和硬件，包括 Actor 的自主轮式装载机和 Almond 的 Axol 双臂机器人，后者经过四天的 API 迭代后学会了去除垫片毛刺。该工作流支持独立迭代：收集演示、训练、在机器人上测试，然后利用失败来指导新数据。反馈将改进未来模型并推动通用物理智能发展。该测试版开放申请。
在 Hacker News 上，一篇题为“Physical Intelligence API Beta：面向每台机器人的前沿模型”的帖子（52 分，4 条评论）引发了讨论。评论者认为，要求通过 API 调用来操作关键任务机器人，根本行不通。有人建议采用边缘/云混合模型——系统 1 在边缘，系统 2 在云端——并指出 Physical Intelligence 可能很适合这种模式。另一人提出了知识产权保护方面的担忧：如果有人转储磁盘或内存，就能获取 LLM 权重，那么云厂商如何防止这种情况？他们想知道，Anthropic 是否相信 AWS/Google 不会窥探，以及人们是否真的信任马斯克。一个幽默回复提议，把权重装在一个类似 AWS Snowball 的公文包里，并让一名武装警卫用手铐把自己和它铐在一起。总体来看，该讨论串质疑了机器人对云的依赖以及模型安全。
阿尔法NIST AlphaNIST
2 天前
试图规定每一个动作，意味着要预判机器人在接触和障碍变化时应如何反应。两指夹爪可能也需要与人类手部自然采用的方案截然不同的解决方案。也许答案是不再告诉机器人我们认为任务该怎么做，而是让它学会如何达到目标。我们为成功给它一个二元任务奖励，并通过大量多样化的经验来训练它。这就为机器人留出了空间，去发现我们可能从未想过要教的解决方案。
在《撰写文档：2026 年版》中，作者反思了实现决策记录（IDR）。IDR 原本旨在改善 LLM 输出并保留实现决策。但在提示模糊时，LLM 往往只是重述其计划的实现，使 IDR 变得有损，并不比 diff 更好。一个 DuckDB 序列化 IDR 含糊且无用；一个 PyPI GitHub Actions IDR 效果更好。它有清晰的问题陈述、目标、非目标，以及一个不包含实现细节的简短建议方案。作者得出结论：有效的 IDR 必须不断回归意图和决策；否则它们只是用英语重述 diff。清晰、有力的 IDR 也能更好地引导 LLM 行为，而细节可以在 diff 中找到。
Hacker News 上的一场讨论审视了“IDR 作为意图记录”。评论者认为记录实现决策有价值，但对其长期维护争论不休。有人指出，随着代码变化，IDR 列表会变得庞大，并不可避免地过时、相互矛盾或产生误导；由于 IDR 记录的是 LLM 无法推断的信息，LLM 无法可靠判断它们是否仍然适用。管理它们需要索引/主题组织和持续的文档维护。另一位评论者使用类似的前置 PLAN.md，在编码前批准，之后丢弃。他们定义了“评审面”，例如公共 API 和数据库模式，未经评审不得更改。第三位强调，持久的意图记录至关重要：未来的开发者常会问，为什么会做出某个奇怪选择，而记录推理和先前尽职调查有助于判断何时应重新审视某项决策。该讨论串的结论是，决策记录很有价值，但需要积极维护。