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
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
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。
## 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。
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。
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。
## 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。
## 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。
## 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)。