尽管社会上普遍呼吁以项目式学习和批判性思维练习等“进步”方法取代传统教学，但研究一再表明，这些方法的效果不如传统教学。
包括大规模的“后续追踪计划”（Project Follow Through）在内的多项研究显示，以结构化练习、明确教学和充分实践为特征的直接教学法，始终能带来更好的学术成果。与“死记硬背和书桌工作已过时”的观点相反，专业能力的建立从根本上依赖于大量知识和技能的积累，而这需要投入大量且专注的努力。
作者认为，激进的教育改革往往是误入歧途的，因为它忽视了学习的认知局限。虽然教育技术在游戏化或定制化教学方面展现出一定潜力，但它往往缺乏课堂环境的严谨性以及教师的细致指导。
归根结底，虽然高动力个体可以通过替代方法成功实现自主学习，但普通学生仍能从强调通过练习来掌握知识的结构化课程中受益最多。我们不应摒弃传统教学，而应致力于优化其效率，并承认建立专业能力没有捷径。
每日HackerNews RSS
这次 Hacker News 的讨论探讨了围绕“彻底改变”学校教育的努力所存在的怀疑态度。参与者认为，真正的教育改革往往因对学习机制的误解以及课堂现实的忽视而受阻。
主要议题包括：
* **直接教学与发现式学习的博弈：** 许多评论者认为，“发现式”学习往往效率低下甚至适得其反。他们主张，严谨的直接教学辅以刻意练习，才是实现精通的最可靠途径，尤其是对于缺乏内在动力的学生而言。
* **“普通教师”问题：** 参与者指出，学校系统必须为普通教师而非罕见的“天才型”教师设计。大家一致认为，有效的教学需要明确的“脚手架”支撑，以及根据学生需求进行调整的能力。
* **社会现实：** 批评者指出，学业表现很大程度上由校外因素决定，包括家庭生活、家长参与度和社会经济稳定性。一些人认为，学校的目标往往是社会管理和提供资历认证，而非单纯的智力开发。
* **对体制的怀疑：** 许多人认为，公立学校因其规模庞大且缺乏竞争激励机制，导致其本质上效率低下，无论投入多少资金，都难以实现有意义的大规模改进。
本网站目前使用“Anubis”来保护服务器，防止激进的 AI 网络爬虫导致网站瘫痪。Anubis 的工作原理是要求用户完成一个小型工作量证明（Proof-of-Work）挑战。对于普通访客而言，这几乎不占用时间，但对于大规模的自动化爬虫操作来说，其计算成本很高。 网站管理员认为这只是一个临时措施。他们正在积极开发更先进的方法（例如识别无头浏览器指纹），以便最终让合法用户完全绕过这些挑战。 请注意，Anubis 依赖于现代 JavaScript 功能。如果您正在使用诸如 JShelter 之类的安全插件，则必须为此域名将其禁用才能访问本网站。
该项目介绍了首个经过形式化验证的多边形交集算法实现，利用 Lean 4 证明助手确保其在所有可能的几何配置下均保持正确。
计算几何算法因其罕见的边缘情况和内部集合的无限性，往往难以进行测试，而形式化验证确保了该算法的稳健性。该项目展示了人工智能辅助开发的重要演进：早期的模型在处理复杂证明策略时需要人工指导，而近期模型（如 Claude Opus 4.8）已能够自主生成经过验证的代码并驾驭复杂的证明，包括基于欧拉回路的逻辑。
至关重要的是，该架构将实现与验证进行了分离。人类只需审阅 87 行简短的规范，即可确保算法逻辑的严密性。信任完全建立在 Lean 检查器而非大语言模型之上，有效地将人工智能的生成速度与项目的数学可靠性解耦。这种方法能够在最大限度减少人工监督的同时，开发出复杂且经过验证的软件，尽管目前验证代码在计算性能上可能为了简洁性而有所妥协。用户可通过网页演示实时可视化这些经过验证的交集。
一位开发者发布了据信是首个经过形式化验证的多边形求交算法实现。该项目利用 Lean 定理证明器，通过数学证明而非传统的测试来确保算法的正确性。
作者强调，近期人工智能的进步（特别是 Opus 4.8）起到了关键作用，因为该模型能够一次性生成算法及其形式化证明，而早期模型则需要大量的人工引导和多步提示。为了保持数学严谨性，核心实现使用了精确的有理数坐标而非浮点数，从而避免了计算几何中常见的精度问题。
该项目包含一个网页演示，使用了直接从 Lean 编译的 WebAssembly，允许用户与经过验证的核心进行交互。虽然基于 JavaScript 的用户界面未经形式化验证，但处理复杂几何边缘情况（如空洞、自相交和重叠边）的逻辑均由 Lean 检查器提供保证。目前，开发者正在探索将这种验证方法扩展到三维多面体，这预示着人工智能与形式化验证协作构建高度可靠、实用软件的未来前景广阔。
**blqsort** 是一款高性能、无分支（branchless）的快速排序实现，旨在通过减少 CPU 分支预测错误来超越标准库的排序算法。该算法通过利用辅助缓冲区和用于小数据集的排序网络，消除了内循环中的条件分支，从而显著缩短了在现代硬件上的执行时间。 在 Apple M1 和 AMD Ryzen 系统上的基准测试表明，blqsort 的性能始终优于 `std::sort` 和 `pdqsort`。为了保持稳健性，它采用了中位数的中位数（median-of-medians）作为枢轴策略，在分区不平衡时回退至堆排序，并针对非平凡、高代价的数据类型提供了专门的变体。 该库专为在 C 和 C++ 环境中易于使用而设计，提供与 `std::sort` API 相似的仅头文件（header-only）实现。它支持单线程和多线程执行，并且比典型的基于 SIMD 的排序库能更灵活地处理自定义数据结构。对于寻求优化性能的开发者而言，blqsort 提供了一种直接替换方案：它通过增加数据拷贝量，换取了在现代深度流水线 CPU 上更快的处理速度。
抱歉。
Bloomberg 需要帮助？请联系我们 我们检测到您的计算机网络存在异常活动 要继续访问，请点击下方方框以确认您不是机器人。 为什么会出现这种情况？ 请确保您的浏览器已启用 JavaScript 和 Cookie，且未阻止它们加载。 有关更多信息，您可以查阅我们的服务条款和 Cookie 政策。 需要帮助？ 有关此消息的咨询，请联系我们的支持团队并提供下方的参考 ID。 屏蔽参考 ID：4fba26e1-605d-11f1-acd1-a33f36735b32 订阅 Bloomberg.com，随时随地掌握最重要的全球市场新闻。 立即订阅
抱歉。
抱歉。
五月，印度北方邦班达（Banda）地区遭遇了47-48°C（116-118°F）的极端持续高温，成为该国最炎热的地方。为了在这种残酷的条件下生存，该地区两百万主要依赖户外劳动的居民被迫从根本上重新安排了日常生活。 这种转变在当地商业活动中最为明显。在阿塔尔拉（Atarra）镇，农民和商贩现在黎明时分就开始一天的工作，以便在酷暑加剧前完成交易。到了上午8点，活动开始减少；到了上午10点，繁忙的集市已基本空无一人。商贩们指出，烈日不仅让劳动变得难以忍受，还会导致番茄等易腐农产品迅速变质。归根结底，班达的民众正在适应一种新的严峻现实：为了躲避致命的午后强光，他们的生计必须被压缩在清晨时段进行。
这款基于浏览器的视频编辑器由 **ffmpeg.wasm** 驱动，允许用户完全在浏览器内进行专业级的视频处理。通过利用 WebAssembly 和 Web Workers，包括裁剪、格式转换、压缩和特效在内的所有操作均在您的设备上本地完成，确保了绝对的隐私，无需上传至任何服务器。
**主要功能：**
* **全面的工具集：** 支持 30 多种操作，包括制作 GIF、音频提取、视频合并、画面叠加、降噪、防抖及字幕嵌入。
* **高性能：** 提供实时预览、文件大小估算，并允许高级用户完整使用自定义 FFmpeg 命令行参数。
* **隐私与离线优先：** 作为渐进式 Web 应用 (PWA)，它在首次加载后支持离线使用，且所有文件输入输出均在本地处理。内置屏幕唤醒锁定功能，可防止设备在处理密集型任务时进入休眠。
* **多功能性：** 支持广泛的格式（MP4、WebM、MKV、MOV、AVI、GIF 等），并为标准化和色彩校正等常见任务提供了“一键式”快捷方案库。
该工具开源 (GPL-3.0)，完全免费使用，无需注册，也不涉及任何服务器端数据处理。
**在线试用：** [https://tejaswigowda.com/ffmpeg-webCLI/](https://tejaswigowda.com/ffmpeg-webCLI/)
抱歉。
CERN高级存储管理器（CASTOR）是一个分级存储系统，旨在管理欧洲核子研究中心（CERN）产生的海量物理数据。作为SHIFT的继任者，CASTOR采用基于组件的架构和中央数据库，通过五个主要模块来管理磁盘和磁带存储，这五个模块分别是：分段器（Stager，负责磁盘池管理）、名称服务器（Name Server，负责元数据和文件目录结构）、磁带基础设施（Tape Infrastructure，负责自动化归档）、客户端工具以及用于网格集成的存储资源管理（SRM）。 CASTOR通过XROOT和GridFTP等协议提供数据访问，允许用户使用命令行工具或API与存储的文件进行交互。通过平衡高速磁盘访问与Oracle和IBM系统等经济高效的大容量磁带库，CASTOR确保了PB级归档数据的安全。尽管CASTOR多年来一直是标准，但其角色已逐渐向CERN磁带归档系统（CTA）过渡，后者于2020年成为官方继任者。
抱歉。
Anthropic 用于 AI 漏洞挖掘的开源框架 Anthropic's open-source framework for AI-powered vulnerability discovery
30 天前
本仓库提供了一个基于 Claude 的自主漏洞发现与修复流水线的开源参考实现。该项目旨在帮助安全团队构建自己的工作流程，并演示了一个完整的闭环：**侦察、发现、验证、报告和修复**。 该工具集采用模块化设计，利用 Claude Code 技能执行交互式任务（威胁建模、扫描和分类），并使用自动化流水线进行深度且经执行验证的漏洞发现（专门针对使用 Docker 和 ASAN 的 C/C++ 内存漏洞进行了配置）。 **主要功能包括：** * **交互式技能：** 提供 `/quickstart`、`/threat-model`、`/vuln-scan`、`/triage` 和 `/patch`，用于人工监督。 * **自主流水线：** 使用 gVisor 的沙箱环境进行安全的并行模糊测试与验证。 * **可扩展性：** 通过 `/customize` 技能，用户可以针对不同的编程语言、漏洞类型或自定义构建系统调整工具集。 该仓库旨在作为起点而非成品，提供了从初始威胁建模到大规模自主扫描的结构化两周上手路径。请注意，自动修复和分类仍需人工验证，目前处于持续开发中。本仓库仅作为参考提供，不进行活跃维护。
这次 Hacker News 讨论的核心是 Anthropic 发布了一个用于 AI 辅助漏洞发现的开源框架。社区的反应主要集中在以下几个关键主题：
* **“定制工具”（Shop Jig）类比**：许多用户将这类框架视为“定制工具”——即针对特定开发者工作流而打造的个性化工具。由于 AI 降低了软件开发的成本，开发者越来越倾向于构建自己的定制化方案，而非采用标准化的通用工具。
* **成本与效能**：关于使用大语言模型（LLM）进行安全审计的 Token 成本，讨论十分激烈。一些人认为自动扫描相比传统安全服务更为廉价，但另一些人则警告称，使用顶尖模型进行持续扫描可能会导致成本高昂，且面临较高的误报率。
* **安全军备竞赛**：用户指出，AI 从根本上改变了“威胁模型计算”。它在让防御者更容易发现漏洞的同时，也赋予了攻击者更强的能力。这加剧了“军备竞赛”，双方都在依赖日益强大的 AI 来识别和利用旧代码中的缺陷。
* **工具与专业知识**：社区达成共识，认为这些工具最适合作为资深安全专家的辅助手段，而非替代人类判断的自动化方案。