虽然大语言模型（LLM）从技术上讲是通过自回归方式输出词元（token）的“下一个词元预测器”，但这种定义是不完整的。它准确描述了其“机制”（即循环的形式），却未能涵盖模型实际在“做什么”。 在预训练阶段，模型通过模仿训练数据中已有的序列来进行学习。然而，现代的后训练技术——特别是带有可验证奖励的强化学习（RLVR）——从根本上改变了这种动态。模型不再仅仅是预测数据集中接下来会出现什么文本，而是开始探索新的序列，并强化那些能带来成功结果的序列。 作者用国际象棋做类比来阐明这一点：一个预测大师走法的系统只是“下一步棋预测器”，但一个通过评估棋局位置以最大化胜率的引擎则是一个“战略求解器”。同样地，现代大语言模型利用“下一个词元”循环作为载体，其所编码的内容远超简单的模仿；它们模拟出乐于助人的助手，并运用通过主动探索所获得的知识。归根结底，将先进的大语言模型仅仅描述为“下一个词元预测器”，是将工具的形式误认为是其功能，忽略了蕴含在过程中的推理及目标导向行为。
每日HackerNews RSS
关于“下一个词预测器”（next-token predictor）是否足以作为大语言模型（LLM）的心理模型，这场争论揭示了技术机制与行为表现之间的巨大分歧。
支持该标签的人认为，这是对推理过程事实准确的描述：大语言模型根据其上下文窗口派生出的概率分布，一次输出一个词元（token）。从这个角度来看，将该术语斥为还原论是片面的，这就好比将人脑称为“化学物质袋”——虽然属实，却忽略了由此产生的复杂性和实用价值。
批评者则认为，“下一个词预测器”常被轻蔑地用来贬低大语言模型的能力。他们主张，现代后训练技术（如RLHF/RLVR）已将模型的功能从简单的模仿转变为目标导向的策略执行。在此框架下，模型不仅是在从训练数据中猜测下一个“真理”，而是在执行一种旨在最大化奖励函数的策略。
归根结底，这场分歧源于人们如何定义“预测”：是将其视为统计机制，还是有意识的目标。尽管底层架构仍是自回归的，但这场争论凸显了人们在看待这些工具时，在“高级自动补全”与“复杂的目标导向智能体”这两种认知之间存在的持续张力。
Mullvad 即将停止其公共加密 DNS (DoH) 服务，转而支持 Quad9 基金会。Mullvad 指出，由于其 VPN 已在内部处理 DNS 请求，因此其自有的公共服务器对于 VPN 用户而言已是多余。 对于在 VPN 之外使用 Mullvad DNS 的用户，转换方式如下： * **Mullvad 浏览器：** 使用默认设置的用户将自动迁移至 Quad9。自定义了 DNS 设置的用户必须在 2026 年 11 月 2 日前手动切换至 Quad9。 * **手动配置：** 手动配置了 Mullvad DoH 的用户必须在 2026 年 11 月 2 日前切换至 Quad9。 * **iOS/macOS 描述文件：** 现有的 Mullvad DoH 描述文件将停止工作；用户必须将其替换为 Quad9 的官方描述文件。 Mullvad 正将资源转向资助 Quad9，并称赞该基金会在以隐私为重点的 DNS 领域拥有行业领先的专业能力。建议用户参考 Quad9 的官方文档以完成迁移。
Mullvad 正在关闭其公共加密 DNS 服务，转而选择在经济上支持 Quad9 基金会。Mullvad 表示，维护安全公共 DNS 服务需要高度专业化，他们更倾向于支持 Quad9 已有的专业能力，而不是重复投入资源。
这一公告在 Hacker News 上引发了关于隐私、审查制度及互联网基础设施未来的广泛讨论：
* **中心化担忧：** 批评者认为，将用户导向少数几家主要提供商（如 Quad9）会加剧中心化，使政府更容易通过法律禁令审查内容。
* **法律压力：** 讨论中指出，欧洲法院针对 DNS 提供商发布封锁特定域名的指令日益增多，这显著增加了服务提供商的运营成本和法律风险。
* **广告拦截与实用性：** 许多用户对失去 Mullvad 内置的广告和恶意软件拦截功能表示惋惜，并指出 Quad9 目前缺乏这些功能。
* **自建托管：** 一些贡献者建议高阶用户应运行自己的本地递归解析器（例如使用 Unbound、Pi-hole 或 AdGuard Home）以保持独立性，但也有人指出这无法绕过区域性 ISP 的过滤。
Quad9 的首席技术官参与了此次讨论，强调了他们对透明度的承诺，以及他们为捍卫欧盟内容中立性而进行的持续法律斗争。
Hayes 指令集（或称 AT 指令集）由 Dale Heatherington 和 Dennis Hayes 于 1981 年开发，彻底改变了调制解调器的控制方式。在此之前，调制解调器需要手动拨号或配备单独的硬件外设来实现连接自动化。Hayes Smartmodem 引入了一种基于软件的解决方案，允许计算机通过现有的数据引脚发送指令字符串。
该系统通过转义序列（通常为“+++”）在“数据模式”（传输信息）和“命令模式”（将输入解释为指令）之间切换。以“AT”为前缀的命令可实现拨号、挂断以及配置内部内存寄存器等功能。
尽管该指令集最初是为 300 波特率的调制解调器设计的，但它后来成为了行业标准。随着技术的发展，各厂商又增加了扩展指令（以“&”为前缀）和私有指令。尽管不同制造商之间的指令存在差异，偶尔会导致兼容性问题，但 Hayes 标准在整个调制解调器时代始终占据主导地位。它最终被 ITU-T 正式确立为 V.250 标准。如今，AT 指令集的遗产依然存在，许多现代移动设备和 3G/4G/5G 调制解调器在配置和网络管理中仍在使用类似的指令结构。
抱歉。
松本清张 1957 年的推理小说《点与线》（原名《点と线》）以一名年轻女子和一名政府官员在日本海滩被发现的离奇死亡案件为核心。尽管当地警方将此案定性为殉情，但一张被忽略的餐车收据促使鸟饲重太郎探长和东京警视厅的三原纪一警部展开深入调查。随着他们揭开政治腐败的重重黑幕，两人发现自己陷入了一个涉及列车时刻表、渡轮名单和完美不在场证明的复杂逻辑迷局。 这部小说以其精巧、严谨的时间线布局而闻名，其灵感源于松本清张本人对铁路时刻表的浓厚兴趣。有趣的是，该书背后的创作过程几乎与小说情节一样戏剧化。当时，松本清张同时进行着四部作品的连载，频频拖延截稿日期。负责连载的《旅》杂志社编辑们在得到日本交通公社的协助下，甚至不惜追踪并“软禁”作者，强迫他完成书稿。这部由此产生的杰作引起了巨大的轰动，销量突破百万册，并将松本清张在日本推理小说界的泰斗地位推向了顶峰。
抱歉。
正在检查您的浏览器……需要 JavaScript。
React Compiler 近期集成至 Vite，在 Hacker News 上引发了广泛讨论，核心焦点在于弃用基于 Babel 的构建流程所带来的性能提升。开发者们反馈，通过使用基于 Rust 的工具，构建时间大幅缩短——有人从 6 秒缩短至 2 秒。
讨论的主要要点包括：
* **工具链演进：** 行业内存在一种强劲趋势，即使用 Vite 和 OXC 等高性能、原生 Rust 工具来取代传统的 JavaScript 构建工具（如 Webpack 和 Babel）。
* **性能与复杂性：** 尽管部分用户为效率的提升感到振奋，但也有人认为现代 Web 开发变得过于复杂。关于所有项目是否都有必要引入如此复杂的构建流程，业界一直存在争议。
* **Rust 因素：** Rust 因其速度和安全性备受赞誉，但用户也指出其本身的编译时间较长。一些开发者选择用 Go 进行原型设计以保持迭代速度，同时在性能关键的生产环境代码中使用 Rust。
* **人工智能与开发：** 参与者指出，大语言模型（LLM）在编写高质量 Rust 代码方面表现出色，但较长的编译时间可能会在自动化代理工作流中造成瓶颈。
Anthropic 的研究人员首次完成了费马大定理（FLT）的计算机校验形式化。利用 Lean 编程语言，Claude 在几乎完全自主的情况下，仅用 11 天时间就得出了一个端到端的证明。这一里程碑式的成果涉及编写 1300 万行代码并证明了 29,500 个中间定理。 该项目使用了“Prove2Me”，这是一个旨在管理复杂、多智能体数学工作流的协作平台。通过将庞大的任务拆解为更小、可验证的部分并保持逻辑结构，Claude 成功复刻了安德鲁·怀尔斯（Andrew Wiles）在 1995 年的标志性证明。形式化领域领军人物、数学家凯文·巴扎德（Kevin Buzzard）证实，该证明完全基于数学公理。 这一成就标志着“自动形式化”的重大进步。传统上，验证复杂证明需要人类专家耗费数年时间，且容易出现疏漏。自动化这一过程可以通过快速、严谨地验证新成果并减轻人类同行评审的负担，从而改变数学研究。随着人工智能生成更多的证明，此类工具对于维护数学体系的完整性和可信度将至关重要，确保未来发现的基石依然稳固。
Anthropic 成功利用人工智能代理系统，在 Lean 证明辅助语言中生成了费马大定理（FLT）的完整机器校验形式化证明。这项任务共产生了 1300 万行 Lean 代码和 29,500 个中间定理，仅用时 11 天。
社区对此反应不一：
* **科学意义：** 虽然这是“自动形式化”领域的一项突破，但它只是对现有证明的实现，而非新的发现。一些数学家（如 Kevin Buzzard）指出，尽管该成果令人印象深刻，但它无法取代人类主导的、旨在创建可复用且优雅的库代码或动态文档的项目。
* **验证与信任：** 一个主要的争论点在于如何验证 1300 万行 AI 生成的代码。虽然代码可通过 Lean 内核进行机器验证，但参与者强调，该过程依赖于“证明辅助内核本身不存在漏洞”这一假设——近期此类系统中发现的历史性漏洞也印证了这一点。
* **数学的未来：** 这一壮举标志着人工智能正迅速成为形式化复杂数学的可行工具。许多人将其视为迈向自动化严格证明验证的变革性一步，未来有望减轻人类同行评审的负担。
伟大的作品很少源于一时的顿悟，它们往往是数十年反复打磨的结晶。
计算机科学家斯蒂芬·罗伯逊（Stephen Robertson）花费了近二十年的时间来完善搜索算法。从1976年开始，他通过强调词项区分度来挑战当时主流的检索理论，并在一篇篇论文中不断迭代，最终在1994年发布了经典的BM25算法。通过整合词频和文档长度等要素，他将早期的概率基础转化为了行业标准。
同样，艺术家葛饰北斋也是在经过四十年的专注磨砺后，才创作出了他的代表作《神奈川冲浪里》。他在73岁时曾感叹，自己对自然的终身研究仍在演进，并将自己的艺术生涯视为一场通往“神圣境界”的无止境攀登。
这些例子揭示了一个共同的模式：无论是技术还是艺术，精通都是一个缓慢且积累的过程。真正的突破并非来自突如其来的灵感，而是源于一生中不断重温、精炼并深化核心理念的耐心。
抱歉。
Show HN: TERMy – 一个不使用大模型的快速终端助手 Show HN: TERMy – A fast terminal assistant that does not use LLMs
2 天前
在尝试训练小型、低效的大语言模型（LLM）来自动化终端任务后，作者得出结论：对于简单的工作流，机器学习往往是不必要且浪费的。这一认识促成了 **TERMy** 的诞生，这是一个基于名为 **NPC-Forge** 的新框架构建的确定性轻量级终端助手。
与笨重的自然语言理解（NLU）框架（如 Rasa）或资源密集型的大语言模型不同，NPC-Forge 使用结构化数据集格式（NDF）来定义命令、意图和变量映射，无需进行训练。通过利用多阶段的噪声过滤解析器——从精确匹配到基于 IDF 加权的莱文斯坦距离（Levenshtein distance）——TERMy 能够在包括微控制器在内的极简硬件上即时执行任务。
该项目旨在摒弃针对琐碎操作的昂贵且受企业控制的人工智能，转而推崇一种民主、透明且节能的替代方案。TERMy 和 NPC-Forge 允许用户构建并共享可在本地运行的、可预测的自定义代理。作者承认该代码尚处于早期开发阶段，并邀请社区贡献力量以完善这些确定性代理的安全性与功能，主张未来的交互界面应依赖于本地的、基于规则的系统，仅在万不得已时才调用大语言模型。
TERMy 是一款新型确定性终端助手，它无需使用大语言模型（LLM）、机器学习或嵌入技术，即可将自然语言转换为 Shell 命令。该工具由开发者 gioscarab 创建，基于 NPC-Forge 框架构建，旨在取代昂贵且消耗大量 Token 的 AI 编程助手，用于处理日常终端任务。
与速度较慢且容易产生“幻觉”的大语言模型不同，TERMy 在本地 CPU 上运行，即使在树莓派 Zero 等低功耗设备上也能提供毫秒级的响应。其轻量级的自然语言理解（NLU）流水线采用了经典技术——包括情感分析、精确匹配和基于 IDF 加权的莱文斯坦距离（Levenshtein distance）——将用户输入与精心策划的硬编码数据集进行解析比对。
安全性是该工具的核心功能，它针对破坏性命令内置了权限控制。虽然该项目目前仍处于概念验证阶段，但因其速度、隐私保护和可靠性而受到了开发者社区的高度评价。未来的潜在发展方向包括通过社区驱动来扩展命令数据集，以及在处理复杂且低置信度的查询时，引入利用大语言模型的备选方案，同时保持对常见任务的确定性处理。
周四上午，包括 OpenAI 的 ChatGPT、Anthropic 的 Claude 和 xAI 的 Grok 在内的多家主流人工智能平台几乎同时发生服务中断，但各平台的故障基本互不关联。 尽管发生的时间点引发了外界对于第三方基础设施出现共同故障的猜测，但 AWS 和 Azure 等大型供应商均报告称未发现异常。各公司分别对其服务中断情况作出了说明： * **xAI** 将 Grok 的服务中断归因于其孟菲斯计算中心的技术问题，并提到与 SpaceX 的合作。 * **OpenAI** 表示“路由错误”导致 ChatGPT 和 Codex 暂时无法使用，该问题在 35 分钟内得到解决。 * **Anthropic** 的多款 Claude 模型出现了“错误率升高”的情况，公司已迅速部署修复程序。 尽管这些中断发生的时间非常接近，但 OpenAI 和 Anthropic 均未提及共同的外部原因。此外，虽然部分用户报告 Google 的 Gemini 也出现问题，但该公司并未证实存在任何服务中断。到了上午中期，所有服务均已恢复正常运行。
对不起。
在 Hugging Face 被 NVIDIA 收购后，*llama.cpp* 项目重申了其核心使命。作为该项目的长期贡献者，NVIDIA 将继续支持代码库的维护与社区发展。 尽管建立了新的合作伙伴关系，*llama.cpp/ggml* 仍将严格保持硬件无关性。该项目将继续由社区驱动，坚持开源和独立的本质，以确保所有人都能高效地使用 AI 技术。通过整合 Hugging Face 和 NVIDIA 的支持，团队旨在加快实现其长期目标，即让尖端 AI 技术惠及每一个人。
在英伟达收购 Hugging Face 后，*llama.cpp* 的创建者 Georgi Gerganov 确认他将继续负责该项目。他强调，*llama.cpp* 将坚持其最初的承诺，保持硬件无关性，并无论新的企业所有权如何，都将继续支持所有后端。
Hacker News 上的讨论突显了 *llama.cpp* 取得巨大成功的原因：
* **社区效率：** 该项目之所以蓬勃发展，得益于快速的代码审查、赋能贡献者的扁平化组织结构，以及拒绝“把关”人才的开放态度。
* **质量控制：** 维护者优先考虑高质量的贡献，而非人工智能生成的“垃圾内容”，这使得代码库保持了健壮性。
* **对企业的怀疑与乐观：** 用户的反应褒贬不一。一些人担心出现“平庸化”和访问限制，而另一些人则认为英伟达支持本地人工智能是为了维持消费级 GPU 的需求，并对冲数据中心市场的波动。
归根结底，社区将 *llama.cpp* 的成功视为 Gerganov 领导力的证明，尽管许多人仍对英伟达与 Hugging Face 的整合将如何长期影响开源生态系统持谨慎态度。