🛡️ 请稍候 我们正在检查您的网络连接，以防止自动化滥用行为 为什么我会看到这个页面？ 遇到问题？请联系客服
每日HackerNews RSS
一颗巨型恒星可能在一次极其罕见的爆炸中自我毁灭了。 A giant star may have destroyed itself in one of the rarest explosions
2 天前
美国联邦通信委员会（FCC）正计划以法律强制电信运营商收集新用户及续约用户的政府颁发身份证件号码和居住地址，此举将对包括注重隐私人士及家庭暴力受害者在内的所有人产生影响。“我们从未想过这种情况会在这里发生。”
最近 Hacker News 上的一场讨论凸显了人们对美国联邦通信委员会（FCC）拟议法规的日益担忧。该法规将要求电信公司收集所有客户的身份验证信息，从而实际上取消美国境内的匿名“一次性”手机。
参与者就此举的影响进行了辩论，许多人认为此举是对隐私和数字自主权的“非美式”侵犯。批评者指出，尽管其他国家也存在类似要求，但这些措施往往可以通过欺诈或暗网服务轻松绕过；这不仅无法有效打击犯罪，反而主要成为政府监控和追踪人口的工具。
隐私倡导者对这类法律的有效性表示怀疑，认为全球 eSIM 漫游和其他变通手段不可避免地会削弱该法规的作用。其他人则将此提案视为剥夺匿名互联网访问权限的系统性举措，并将其与威权政权下的数字限制相提并论。总体而言，该社区认为这一提案属于监管过度，在未能有效减少非法活动的同时，威胁到了公众长期以来对匿名的期待。
作者正在将 Biff 框架重构为十二个模块化、独立的库，并以 `biff.core` 的发布作为开端。该基础库负责管理系统组成，简化了应用程序模块与组件的集成方式。 为了简化项目配置，作者引入了“初始化函数”（init functions），允许开发者通过在项目中添加模块来集成功能，从而无需在主命名空间中编写冗长的样板代码。 一项关键的技术挑战是保持“后期绑定”（late binding），即在不重启 Web 服务器的情况下更新应用程序逻辑（如 Ring 处理程序）。其解决方案是向初始化函数传递模块向量的引用（var），确保系统映射能动态获取最新状态。 尽管作者考虑过进一步自动化生命周期管理（启动/停止），但出于简单性和透明度的考虑，他们最终保留了现有的“组件”序列模型。通过优先考虑显式排序而非复杂的依赖解析，系统变得更易于理解和调试。 此次更新标志着 Biff 项目向更简洁、更模块化的架构迈出了重要一步。此外，作者提到他们的团队目前正在招聘一名从事可再生能源建模的高级软件工程师。
这篇 Hacker News 讨论聚焦于 AI 在 Clojure 开发中的效用，并简要提及了 Biff Web 框架。
主要争议在于大语言模型（LLM）是否难以处理 Clojure 的语法。虽然一些用户反映存在“括号地狱”和分词错误等问题，但另一些用户认为，得益于该语言的简洁性和高质量文档，AI 在 Clojure 开发中非常高效。
讨论中达成的一项共识是：将 AI 与实时 Clojure REPL 集成，其效果远胜于“批处理式”（即编辑文件后重新运行代码）的使用方式。支持者认为，通过 CIDER 或专用 AI 代理将 LLM 连接到 REPL，模型能够基于实证分析代码状态，从而得出更好的结果。用户强调，Clojure 的同像性（homoiconicity）及其 REPL 驱动的开发模式，使其成为 AI 的绝佳伙伴，前提是用户不能将其视为标准的静态语言来使用。
此外，该讨论串还简要交流了 Clojure 组件库的多样性问题。开发者们在赞赏社区实验精神的同时，也表达了对建立更统一标准的渴望。
亚马逊创始人杰夫·贝佐斯认为，人工智能将带来前所未有的生产力提升，这可能会使食品和住房价格更低，并让双职工家庭决定不再需要两份收入。而在亚马逊内部，员工们对公司的AI工具嗤之以鼻，将其产出称为“劣质内容”（slop），并嘲笑公司在推动员工有效利用AI工具方面的失败尝试。 此文章仅限付费会员阅读。成为付费会员即可享受无广告的无限文章阅读权限、播客奖励内容等。订阅。注册以免费阅读此文章。免费会员可阅读此类文章，并获得我们每周故事的电子邮件汇总。订阅。
请启用 JavaScript 并关闭任何广告拦截器。
这场 Hacker News 讨论聚焦于苹果公司的一项决定：由于欧盟委员会拒绝了苹果针对《数字市场法案》（DMA）提出的 18 个月豁免请求，苹果决定不在欧盟地区推出其“Siri AI”功能。
**核心观点：**
* **支持欧盟/监管方：** 许多用户认为苹果是在进行“游说博弈”，利用消费者的不满向欧盟施压。他们主张，作为全球最富有的公司之一，苹果完全有资源确保合规，但其选择不这样做是为了维护其“围墙花园”及对用户数据的掌控。一些人认为苹果的“隐私”说辞只是一种防止竞争的营销策略。
* **支持苹果/质疑监管方：** 另一些用户则为苹果辩护，认为欧盟强制要求的互操作性将迫使苹果牺牲其“私有云计算”（Private Cloud Compute）的高安全性和隐私标准。他们认为，强迫企业向第三方 AI 开放深层次的系统级数据访问是安全噩梦，可能导致用户暴露在恶意攻击之下。
* **系统性批判：** 辩论的另一部分集中在欧盟的治理理念上。批评者将欧盟描述为日益官僚化且技术外行，认为其基于结果的监管扼杀了创新，并迫使消费者使用“降级”后的产品。
arXivLabs 是一个允许合作者直接在我们的网站上开发和共享 arXiv 新功能的框架。与 arXivLabs 合作的个人和组织都认同并接受了我们对开放、社区、卓越和用户数据隐私的价值观。arXiv 致力于这些价值观，并仅与遵守这些价值观的合作伙伴合作。如果您有能为 arXiv 社区增加价值的项目想法，请了解更多关于 arXivLabs 的信息。
抱歉。
通过数据重加权（使用权重 $\beta_i = p(x_i)/q(x_i)$）来校正协变量偏移，虽然消除了偏差，但却显著增加了方差。当权重不均匀时，少数数据点会主导估计结果，导致大部分样本实际上变得无效。这一现象可以通过**基什有效样本量（Kish’s effective sample size）**（$n_{\mathrm{eff}} = 1/\sum \alpha_i^2$）来量化，它衡量了加权样本的实际“信息含量”。
无论是通过加权和的方差还是通过尾部概率的霍夫丁不等式（Hoeffding’s inequality）进行分析，结论都是一致的：加权估计量的统计表现等同于样本量为 $n_{\mathrm{eff}}$ 的无加权估计量。
这一概念在离线强化学习等领域至关重要，通过监测 $n_{\mathrm{eff}}$ 可以诊断回放缓冲区（replay buffer）的“陈旧程度”。当当前策略偏离行为策略时，权重会变得集中，$n_{\mathrm{eff}}$ 随之骤降，这表明缓冲区的有效信息已耗尽。将 $n_{\mathrm{eff}}$ 视为一种诊断控制信号，有助于进行更稳健的算法调整，例如在粒子滤波中触发重采样，或在强化学习中校准更新步长。
对不起。
arXivLabs 是一个允许合作者直接在我们的网站上开发和共享 arXiv 新功能的框架。与 arXivLabs 合作的个人和组织都认同并接受我们关于开放、社区、卓越和用户数据隐私的价值观。arXiv 致力于践行这些价值观，并仅与坚持这些价值观的合作伙伴合作。如果您有能为 arXiv 社区创造价值的项目构想，请了解更多关于 arXivLabs 的信息。
关于论文《仅仅使用 Grep 就够了吗？》（*Is Grep All You Need?*）的 Hacker News 讨论揭示了一场关于在智能体工作流中，简单的字符串匹配与语义搜索孰轻孰重的细致辩论。
批评者认为该论文的标题具有标题党嫌疑，并指出该研究依赖于一个偏向字面检索的基准测试（LongMemEval），这自然对 `grep` 更为有利。另一些人则强调，虽然 `grep` 出奇地有效（部分原因是开发者被“社会工程化”地训练去编写整洁、易于搜索的代码），但它缺乏 LSP、tree-sitter 或向量数据库等语义工具的深度。
社区的主要观点包括：
* **工具上下文至关重要：** 在编程相关的智能体中，`grep` 的表现往往优于语义搜索，因为模型在 `grep` 上经过了大量训练，而语义搜索则需要更复杂、往往不一致的引导。
* **混合方案是赢家：** 许多用户提倡一种“博采众长”的方法，即将用于精确匹配的 `grep` 与用于概念检索的混合搜索（BM25 + 向量）相结合。
* **“Grep”偏见：** 大语言模型在强化学习的驱动下表现出对 `grep` 的强烈偏好，有时如果不特别指示，它们会忽略更高级的工具。
归根结底，共识是：`grep` 在特定任务中是一个强大的工具，但对于构建健壮的智能体系统而言，它几乎不可能是“你所需要的全部”。
arXivLabs 是一个允许合作者直接在我们的网站上开发并分享 arXiv 新功能的框架。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重视。arXiv 致力于秉持这些价值观，且仅与遵守这些价值观的合作伙伴开展合作。您是否有能为 arXiv 社区增值的项目构想？了解更多关于 arXivLabs 的信息。
关于“基于大语言模型的统一可控且高保真文本转CAD生成”这一话题，Hacker News 上的讨论呈现出两极分化的观点。
支持者认为，前沿大语言模型与 OpenSCAD 或 CadQuery 等代码驱动型 CAD 工具结合，能够高效实现参数化设计的“一次性”生成。用户反馈称，通过提供详细提示词，已成功打印出包括滤盆和复杂乐器在内的功能性物件。支持者相信，AI 降低了传统 CAD 的高学习门槛，对那些不擅长复杂界面设计软件的用户而言，它起到了“加速器”的作用。
然而，怀疑论者则指出，自然语言并非机械设计的有效交互方式。他们认为，对于复杂的装配体，手动操作 CAD 软件比编写冗长的提示词更快速且精确。批评人士还警告称，大语言模型可能会“误导”操作者，使其忽略几何结构中细微但关键的错误。
最终，各方共识倾向于折中方案：尽管大语言模型目前在生成简单或参数化形状方面表现出色，但尚无法取代专业的 CAD 工作流程。目前最有效的应用场景似乎是“人在回路”模式，即由 AI 处理繁琐的基础工作，而人类保留对最终工程要求的把控。
本研究旨在评估大语言模型（LLM）智能体在超参数优化（HPO）任务中是否能够超越 CMA-ES 和 TPE 等经典算法。研究人员利用“autoresearch”框架发现，尽管 LLM 可以修改训练代码，但在追踪优化状态方面表现吃力，在受限情况下始终无法达到经典方法的水平。 为解决这一问题，作者提出了 Centaur，这是一种混合方法，将 CMA-ES 的结构化、可解释状态（均值向量、步长和协方差）与 LLM 的领域知识相结合。Centaur 的表现优于纯 LLM 智能体和经典算法，即便是仅有 0.8B 参数的小型模型也能取得优异结果。 研究结论指出，目前 LLM 最有效的角色是作为经典优化器的补充，而非替代品。尽管无约束的代码编辑是可行的，但若要达到传统 HPO 技术的效率与稳定性，则需要规模显著更大的模型。