多年来，作者一直饱受一个令人沮丧的硬件问题困扰：笔记本电脑在连接扩展坞时，经常无法从睡眠状态唤醒。尽管升级了诸如 CalDigit TS4 这样承诺改善唤醒功能的高端雷电 4 硬件，该问题仍未解决。
转机出现在 2025 年，并非因为扩展坞的更新，而是将一台老旧的明基（BenQ）显示器更换为华硕 ROG Swift (PG27UCDM)。自更换以来，作者表示系统运行完美，唤醒和连接时间均不到一秒。虽然确切原因尚不明确——可能是旧显示器固件存在缺陷或初始化缓慢所致——但作者分享这一经历，旨在为面临类似扩展坞故障的用户提供一种潜在的解决方案。
每日HackerNews RSS
**sqlsure** 是一款确定性验证工具，旨在防止人工智能生成的 SQL 语句中常见的“静默”错误，例如重复计算收入、不当的聚合或敏感个人信息（PII）泄露。与可能忽略语义逻辑缺陷的代码检查器或大语言模型不同，sqlsure 会根据现有的模式元数据（如 dbt 测试、主键/外键声明或目录内省）分析 SQL 查询，从而在执行前确保语义的正确性。
主要功能包括：
* **高精度：** 它能识别常见的陷阱（如扇出错误、断层陷阱以及非加性指标的误用），在基准测试中实现了零误报。
* **自我修复：** 每次拒绝都会提供机器可操作的修复方案，使 AI 智能体能够在运行查询前自动进行自我纠正。
* **隐私与性能：** 该工具完全离线运行，不进行任何网络调用，不访问数据，也没有遥测功能，确保了绝对的安全。
* **零配置：** 它利用现有的数据结构（dbt、SQL 目录或简单的 JSON）构建语义规则库，无需学习新语言，也无需手动维护。
sqlsure 提供 Python 库、CLI 或 MCP 服务器等多种形式，它充当了“语义网关”，为文本转 SQL 工作流带来了可靠性，确保 AI 生成的查询既准确又快速。
抱歉。
面向人类的 Unix。
$_功能特性
$_关于
$_下载
$_安全
$_维基
$_社区
$ 代码
$ 章程
$ 治理
$ 网站结构
$ 加入团队
$_联系我们
抱歉。
分区表依赖“分区裁剪”在查询时排除无关分区。虽然这通常要求通过分区键（如 `timestamp`）进行过滤，但实际应用中经常需要根据其他列（如 `session_id`）进行查询，这会迫使数据库扫描所有分区。 本文演示了一种通过利用 **检查约束 (CHECK constraints)** 来实现非分区键裁剪的技术。由于数据库优化器会利用这些约束来确保数据完整性，它也可以利用这些约束来判断哪些分区不包含给定过滤条件的匹配数据。 通过识别分区键与其他列之间的相关性，您可以为每个分区定义映射特定值范围的 `CHECK` 约束。即使数据包含“异常值”（例如跨越分区边界的长会话），您也可以通过使用通过 `OR` 逻辑连接的多个范围来保持效率，这与 BRIN 索引中使用的“多重最小最大值 (multi-minmax)”方法如出一辙。 这种方法将“间隙与孤岛”数据模式转化为一种强大的优化工具，使您能够在不损害数据库完整性或性能的前提下，实现对非键列的高效分区裁剪。
抱歉。
近期的一项经合组织（OECD）研究显示，竞业禁止条款原本旨在保护高级管理人员掌握的敏感商业机密，如今却已在各类技能水平和薪资阶层中广泛存在。针对15个经合组织国家的研究表明，高达三分之一的私营部门员工受到此类限制，且这些条款常作为“标准模板”出现在低薪或入门级职位的合同中。 尽管这些条款往往不具备法律效力或缺乏相应补偿，但它们产生了一种“寒蝉效应”。由于大多数员工认为其具有约束力，导致他们不敢跳槽或创业，从而抑制了劳动力流动。这种普遍的滥用与宏观经济的负面影响直接相关，包括工资增长缓慢和工业生产力下降。 为解决这一问题，经合组织建议政策制定者不应仅仅采取简单的禁令，而应转向针对性的监管。有效的解决方案包括设定收入门槛、强制要求提供补偿，以及提高透明度。由于这些条款的影响在很大程度上取决于员工的认知，因此提升公众对劳动权益的了解，并对过度宽泛的合同施加制裁，是恢复市场活力和支持经济增长的关键举措。
在肯·默里（Ken Murray）这篇富有洞见的文章中，这位退休医生探讨了医生为公众提供的临终关怀与他们为自己选择的护理方式之间存在的鲜明对比。当许多病人在生命尽头接受侵入性且往往徒劳的治疗（如激进手术或心肺复苏）时，医生们却始终选择舒适，宁愿在家中平静地离世，而不采取过度干预。
默里将这种差异归因于医疗体系的缺陷。错误的期望、对诉讼的恐惧以及按服务收费的激励机制，往往迫使医生无论治疗是否合理或有益，都要满足痛苦家属提出的“一切”要求。相反，医生了解现代医学的局限性，并将生活质量置于仅仅延长痛苦之上。
文章作者最终指出，过度的干预往往带来的是痛苦而非治愈。通过提倡临终关怀以及就个人意愿进行清晰的沟通，默里鼓励读者远离“徒劳的护理”，转而采用一种更尊严、更宁静的死亡方式。他总结认为，正如医生为自己的临终选择做好准备一样，公众也应优先考虑舒适与尊严，选择“平静地走向那良夜”。
抱歉。
Quicopt 是一款功能强大的优化求解器，专为快速部署各类难题而设计。它支持使用 OR-Tools MathOpt 或 Pyomo 等标准 Python 框架构建模型，无需学习任何 Quicopt 专用语法。 使用方法十分简单：通过 PyPI 安装 `quicopt` 软件包，构建模型后调用 `client.solve(model)` 即可。该服务会在首次调用时自动管理您的 API 密钥，无需注册或申请许可文件。目前支持的问题类型包括 LP、QP、MILP、MINLP 和 QUBO。 该平台为研究和评估提供免费层级，方便用户快速测试模型。用户可访问完整的文档，其中包含所有支持问题类型的可运行示例及详细的 API 参考手册。 **重要提示：** 免费评估层级按“现状”提供，不包含服务保证。由于提交的数据将用于改进未来的求解器版本，请避免上传机密或敏感信息。如有咨询需求或需探索高级应用场景，欢迎直接联系 Quicopt 团队。
研究发现：举重在控制血糖方面优于跑步 Weightlifting beats running for blood sugar control, researchers find (2025)
2 天前
弗吉尼亚理工大学弗拉林生物医学研究所的一项最新研究表明，尽管跑步和举重都能改善代谢健康，但抗阻训练在对抗肥胖和糖尿病方面可能更为有效。 研究人员利用一种模拟渐进式举重的新型小鼠模型，对比了抗阻运动与自主跑轮运动对高脂饮食小鼠的生理影响。虽然两种运动方式都能改善血糖调节和胰岛素信号传导，但举重在减少内脏脂肪和皮下脂肪、改善整体葡萄糖耐量方面的效果优于跑步。值得注意的是，这些代谢益处是在不增加肌肉量的情况下实现的，这表明抗阻训练激活了独特的生理路径。 首席研究员严震（Zhen Yan）强调，对于难以进行耐力运动的人群来说，这些发现尤为令人振奋。尽管研究指出结合有氧运动和抗阻训练对健康最理想，但它同时也凸显了举重作为一种管理糖尿病和肥胖的强大且易于实施的手段。研究人员最后指出，运动所提供的全面健康益处是药物减肥干预无法完全复制的。
arXivLabs 是一个框架，旨在让合作者能够直接在我们的网站上开发和共享新的 arXiv 功能。与 arXivLabs 合作的个人和组织都认同并接受我们对开放、社区、卓越和用户数据隐私的价值观。arXiv 始终坚持这些价值观，并仅与遵循这些价值观的合作伙伴开展合作。您有为 arXiv 社区创造价值的项目构想吗？了解更多关于 arXivLabs 的信息。
抱歉。
Mesh LLM 为中心化、昂贵且不透明的商业大模型供应商提供了一种替代方案。Mesh LLM 无需依赖大型数据中心和按量计费的 API，而是允许企业将现有的硬件资源——从办公电脑到闲置的 GPU——整合到一个统一的私有或公共计算网格中。
该软件提供标准的 OpenAI 兼容 API（`localhost:9337/v1`），这意味着它可以与现有工具无缝集成。在底层，它利用 iroh 网络库通过经过身份验证的 QUIC 隧道连接各个机器。这种架构实现了灵活的模型执行：请求可以在本地运行、路由到有可用算力的对等节点，或者在多台机器之间拆分（“Skippy”模式），从而运行单台设备无法承载的大型模型。
通过利用去中心化的 Gossip 协议和点对点流水线，Mesh LLM 为团队提供了对数据、隐私和基础设施的完全掌控。它消除了对供应商的依赖，通过最大化利用闲置硬件降低了成本，并提供了一种可插拔、可扩展的方式来运行从小型模型到 235B 参数巨型模型的各类应用，而无需昂贵的中心化硬件。
Mesh LLM 是一个基于 Iroh 网络栈构建的项目，它通过将大语言模型（LLM）拆分到多台机器上来实现分布式 AI 推理。利用“skippy”引擎，该系统允许用户组合消费级硬件（如 Mac Studio 或游戏 PC）来运行原本会超出单台设备显存容量的模型。
与传统的基于 RPC 的方法不同，Mesh LLM 使用分阶段拆分来实现理想的性能——据报道，在受控的多节点测试中，其推理速度可达每秒 16 个 token。该系统支持动态路由，这意味着如果节点在推理过程中断开连接，系统可以恢复并重新计算拓扑结构。
尽管该项目提供了一种利用去中心化计算的创新方式，但在数据隐私和安全性方面仍面临重大挑战。由于节点以明文形式处理模型激活值，用户必须依赖私有且受信任的点对点网络。Hacker News 上的讨论强调了该项目在高并发吞吐量方面的潜力，同时也指出了在确保贡献者公平性、防止恶意激活投毒以及管理标准网络连接下的性能瓶颈等方面所面临的持续困难。贡献者们目前正专注于优化、移植推理技术，并探索混合专家（MoE）模型更好的并行化方案。