本文介绍了一种基于 CIRCT 基础设施的新型 Verilog 向量化器，解决了 Verilog 语言中缺乏 Rust 和 C++ 等语言中常见的向量化技术的问题。虽然 Verilog 支持向量表示法，但传统工具通常将向量视为单个信号，从而阻碍了优化。 作者证明，将向量视为单个符号实体——特别是对于 Cadence Jasper 等形式验证工具而言——可以显著提高性能。他们的向量化器识别用于优化的常见模式，包括复杂的赋值和模块间连接。 使用 ChiBench 集合进行的实验表明，Jasper 获得了显著改进：**阐明时间减少了 28.12%**，**内存消耗减少了 51.30%**。这突出了向量化在降低符号复杂度和增强 Verilog 设计中验证流程的可扩展性方面的潜力，即使在不改变底层硬件的情况下也是如此。
每日HackerNews RSS
对不起。
该网站正在使用安全服务来保护自身免受在线攻击。您刚才的操作触发了安全解决方案。 提交特定词语或短语、SQL命令或格式错误的数据等行为可能会触发此阻止。
对不起。
## OpenClaw：自主AI代理的承诺与风险
自主AI代理的复兴，例如基于Anthropic的Opus的OpenClaw，正在重现2023年AutoGPT和BabyAGI引发的兴奋（和担忧）。然而，与前代产品不同，这些新的代理*真正*兑现了自动化承诺——与Gmail、Slack甚至家庭自动化系统互动。这种能力促使OpenAI收购了OpenClaw的创建者Peter Steinberger。
吸引力在于轻松的任务管理未来，但这种力量伴随着巨大的代价：**安全性**。OpenClaw的开源性质以及对“技能”（用户创建的插件）的依赖，引入了漏洞，包括潜在的恶意软件传播和凭证泄露。风险包括提示注入、对敏感数据的未经授权访问，甚至完全的系统妥协。
虽然容器化、限制访问以及TrustClaw等平台（提供托管OAuth和沙盒执行）等解决方案可以减轻这些风险，但OpenClaw强调了一个关键点：这些代理需要被视为独立的、潜在不可信的实体。尽管潜力巨大，但生态系统尚未成熟到可以广泛、无忧无虑地采用，需要谨慎并关注安全最佳实践。
## 微软系统阅读小组：总结 从2021年3月开始，一位微软工程师发起了一个阅读小组，最初专注于数据库内部原理，源于其在Azure Cosmos DB上的工作。小组最初以研究论文的非正式讨论开始，很快扩展到数据库之外，例如内存管理和共识协议等主题自然涌现。 2024年，形式演变为有引导的阅读系列，利用诸如“红皮书”之类的资源来加深理解并建立在之前的讨论之上。到2025年，范围显著扩大，导致更名为“微软系统阅读小组”。2026年的重点是“数据中心基础”，探索云计算的基础设施。 在运营小组中获得的关键经验教训包括：优先考虑一致性而非频率，允许范围有机发展，并拥抱协作学习环境，组织者不必成为专家。拥有联合组织者对于保持动力至关重要。该小组促进了微软内部的宝贵联系，带来了专业的见解和丰富的对话。最终，作者鼓励其他人启动类似的团体，强调简单开始和迭代改进。
这个Hacker News讨论围绕一位微软工程师（“Foe”）分享了他组织系统阅读小组五年的经验。小组在午餐时间聚会，通常用一小时讨论论文，参与者是真正感兴趣且自发学习的人。讨论围绕着“你学到了什么”、“你什么不喜欢”、“你什么不理解”等问题展开。
一个关键问题是如何在典型的编码工作中找到时间进行此类活动。回复表明，这通常发生在个人时间，由有动力的个人主动寻找。一些评论者分享了与支持性雇主合作的积极经验，而另一些人则注意到承诺和出勤方面存在挑战。
成功的团队似乎受益于参与者之间基本的的技术理解和一位专门的讨论领导者。减少阻力——例如提供书籍或午餐——也有帮助。参与者强调了这些小组在学习、社交和弥合团队间差距方面的价值，即使并非每个人都完全参与。一些评论者还分享了寻找有价值的论文和组织讨论的技巧。
## 字体识别模型：学习历程
出于对字体的个人兴趣和学习人工智能模型训练的愿望，一位软件工程师构建了“Lens”字体识别模型。现有的在线工具通常依赖于专有字体或需要手动选择字形——Lens旨在无需手动输入，从图像中识别最接近的*开源*字体。
该项目不仅仅是训练一个PyTorch文件，还需要构建一个完整的“模型”流程，包括图像处理（裁剪、清理）和输出映射。关键的学习包括专注于相关输入（图像中最大的文字块）以及认识到数据收集和清理占据了90%的工作量。
诸如分离CPU/GPU任务和从小型训练开始（每个字体5张图像）等优化被证明至关重要。虽然训练面临云端上传挑战和漫长的迭代周期，但最终的模型表现出准确和快速的性能（2-3秒）。代码已在GitHub上公开可用，但尽管性能优于现有解决方案，分发仍然是一个挑战。该工程师计划继续改进Lens，并探索其在排版和设计中的进一步应用。
对不起。
DoorDash 页面加载失败，请稍后再试。 错误详情 客户端IP：47.245.80.60 Ray ID：9e071d9fc9950cd4
## DoorDash “Tasks” 与零工经济 – 摘要
DoorDash 正在扩展其服务，推出“Tasks”，为零工提供者提供小型工作，例如拍摄商店货架照片或检查 Waymo 车门，本质上是众包数据收集。目前，这项服务的推广范围有限，不包括加利福尼亚州、纽约州和科罗拉多州等州，这可能是由于更严格的零工保护法，可能会使 Dashers 在非送货工作中的独立承包商身份复杂化。
这一举动引发了关于此次扩张影响的讨论。一些人认为这是一种创新，并且是 Dashers 在工人保护较少的地区赚取额外收入的一种方式。另一些人则表达了对劳动“非技能化”和创造一个福利和工作保障有限的不稳定底层阶级的担忧。
许多评论员指出亚马逊 Mechanical Turk 和 TaskRabbit 等类似模式，并辩论这些安排是否真正具有赋权作用或具有剥削性。人们对系统潜在的滥用（例如公司间谍活动）以及科技公司利用零工来规避传统雇佣责任的总体趋势表示担忧。对话还涉及对工人保护的需求以及自动化对未来就业市场的影响。
## NixOS：献给确定性的一封情书 作者对NixOS的喜爱并非源于其Linux发行版特性，而是源于Nix包管理器的强大功能——一种**确定性和可重复的软件包管理**系统。与随着时间推移积累不可预测“状态”的典型操作系统不同，NixOS允许从声明式代码构建整个系统，从而实现轻松的重建、修改和回滚。 这种声明式方法是关键：所有配置，从桌面设置到按键映射，都定义在一个地方，消除了碎片化的设置过程。NixOS提供卓越的稳定性，更新可预测，并最大限度地减少系统漂移。 除了个人使用，Nix在现代开发中表现出色，尤其是在LLM编码代理方面。它允许隔离的环境，从而可以试验特定的工具版本，*而不会*污染基础系统——对于快速发展的工具来说，这是一项至关重要的优势。 这也扩展到部署，为Docker提供了一种更具确定性的替代方案。 最终，作者重视NixOS的一致性以及它提供的安心感——一个稳定、可配置的系统，能够“不碍事”，并允许专注于创作和实验。 它代表着一种软件系统的愿景，这些系统是声明式的、可重现的，并且在跨平台之间可靠地保持一致。
## .NET MAUI 的 Avalonia：首个预览版发布
.NET MAUI 的 Avalonia 后端首个预览版现已发布，使开发者能够将 .NET MAUI 应用程序部署到 Linux 和 WebAssembly 等平台。 这扩展了 Avalonia 的跨平台能力，并提供了原生和绘制 UI 之间的选择——允许应用程序与宿主操作系统融合*或*在所有平台上保持一致的外观和感觉。
入门很简单：在现有的 .NET MAUI 项目中添加一个 NuGet 包和一个目标框架。 团队专注于与 .NET MAUI 控制的对等性，从而为所有用户带来了 Avalonia 12 的新导航 API。
广泛的测试包括移植 MauiPlanets、AlohaAI 和 MyConference 等应用程序，展示了成功的功能互操作性，且代码更改最少。 WebView、GraphicsView 和 SkiaSharp 等关键组件也受支持。
未来的开发包括基于 Avalonia 的 Maui.Essentials 定制实现以及与 WinUI 的互操作性。 此预览版旨在赋予开发者更大的控制权和灵活性，以构建真正跨平台的 .NET 应用程序。
## Avalonia 为 Linux 带来 .NET MAUI
Avalonia UI 正在努力将微软的 .NET MAUI 框架带到 Linux，解决了关键缺失的功能。虽然 MAUI 是开源的，但微软并未提供原生 Linux 支持。此举旨在允许开发者利用 MAUI 进行跨平台开发，包括 Linux 桌面。
该项目目前处于预览阶段，重点是兼容性和可访问性。讨论强调了 Wayland 支持的复杂性，可能需要为不同的合成器（GNOME、KDE、Sway）提供多个后端。一些开发者对这种方法的必要性表示怀疑，认为现有工具可能就足够了。
Avalonia 的商业产品面向希望将现有的 WPF 应用程序移植到跨平台环境而无需大量代码重写的企业。此举被视为 Avalonia 可能挑战 MAUI 的主导地位，提供技术强大、开源的替代方案。文章还涉及了关于 .NET 在 Linux 上的更广泛讨论，以及在日益被 Web 解决方案主导的格局中，跨平台 UI 框架的价值。
快速、易用，专为今天的学生设计——没有高昂的价格。Zero ZGC4 结合了熟悉的设计和现代性能，并内置编程工具，帮助学生在课堂上保持自信，为考试做好准备。专为日常学校使用设计。快速发货。无需订阅。
## 代码并非消亡，而是在进化
尽管有相反的说法，代码并非正在消亡——它正被人工智能改造。利用自然语言通过人工智能生成代码的“氛围编程”的兴起，感觉是革命性的，它允许快速迭代和原型设计。然而，这种便捷性创造了一种精确性的假象；建立在模糊基础上的复杂系统*最终*会崩溃，正如协作编辑器失败等现实世界案例所证明的。
关键不是放弃代码，而是改进**抽象**——创建越来越精确的层来管理复杂性。人类擅长这种信息压缩，而AGI将放大这种能力，解决我们最具挑战性的抽象问题。
代码本身的价值不仅仅在于它产生的软件，还在于其内在的质量和清晰度。 正如语法正确的写作仍然至关重要一样，即使有了先进的人工智能，编写良好的代码也将至关重要。 AGI不会消除对良好代码的需求；它将*使*我们能够编写*更好*的代码，专注于优雅的解决方案和强大的系统。 现在否定编码就像否定印刷术的发明中的讲故事——一种为强大新时代做准备的基本技能。