arXivLabs是一个框架，允许合作者直接在我们的网站上开发和分享新的arXiv功能。个人和与arXivLabs合作的组织都认同并接受我们开放、社群、卓越和用户数据隐私的价值观。arXiv致力于这些价值观，并且只与秉持这些价值观的合作伙伴合作。您是否有为arXiv社群增加价值的项目想法？了解更多关于arXivLabs的信息。
每日HackerNews RSS
黑客新闻 新 | 过去 | 评论 | 提问 | 展示 | 招聘 | 提交 登录
日常非显示智能眼镜使用的成功与失败 (arxiv.org)
29 分，PaulHoule 1 天前 | 隐藏 | 过去 | 收藏 | 2 评论 帮助
casey2 1 天前 | 下一个 [–]
arxiv 现在接受产品评论了？回复
warkdarrior 1 天前 | 上一个 [–]
这不可能来自 Meta，因为论文中提到了“非剥削性研究”。
指南 | 常见问题 | 列表 | API | 安全 | 法律 | 申请 YC | 联系
搜索：
这篇帖子详细介绍了网络数据包解码过程，从使用高速探头连接到氧化计算机公司机架交换机捕获的原始电压波形开始。目标是调试一个网络问题，并最终解码通过管理网络传输的UDP数据包。
该过程始于捕获示波器数据，解析`.wfm`文件格式，然后解码QSGMII（四路串行千兆媒体独立接口）信号。这包括8b/10b解码，识别逗号字符进行同步，以及分离QSGMII链路内的四个流。
提取码组后，数据进一步处理以识别以太网帧，包括MAC地址和IPv6头部。最后，解码后的数据被写入`.pcap`文件，允许使用Wireshark等工具进行分析，确认UDP数据包的存在。整个流程，从波形捕获到数据包捕获，大约花费了410毫秒。这项详细分析提供了对网络通信中涉及的各层（从物理层到传输层（UDP））的全面理解。
## 从示波器到Wireshark：一个UDP故事 - 摘要
这个Hacker News讨论围绕一篇博客文章，详细介绍了使用示波器和Wireshark在物理层分析UDP数据包的方法。一位大学教授强调使用Batronix MSO Demo Board和Rigol示波器等工具可视化解码信号的有效性，使OSI层等抽象概念对学生来说更具体。
对话深入探讨了信号捕获的技术方面，包括采样率、插值与实际采样，以及高速信号分析的挑战（如5Gbps QSGMII）。用户讨论了示波器如何通过等效时间采样等技术实现高“有效”采样率。
对于希望尝试信号捕获的人，提供了实用的建议，指出分析更快信号需要专门（且昂贵）的设备。然而，较慢的协议，如10/100M以太网，可以使用经济实惠的示波器进行访问。该讨论还涉及UDP无连接特性在实验中的优势以及探头阻抗的复杂性。
``` 流程图 TD A[调用LLM.stream] --> B{providerID 以 'opencode' 开头?} B -- 是 --> C[添加 x-opencode-project/session/request/client headers] B -- 否 --> D[不添加额外 headers] C --> E[合并 model.headers] D --> E E --> F[合并 plugin chat.headers] F --> G[调用 streamText] 子图 "PR 之前 (移除路径)" H{providerID !== 'anthropic'?} H -- 是 --> I["添加 User-Agent: opencode/VERSION"] H -- 否 --> J[未定义 — 无 headers] 结束 样式 D 填充:#f99,边框:#c00 样式 I 填充:#9f9,边框:#090 样式 J 填充:#ccc,边框:#999 ```
## Anthropic 与 OpenCode 争议总结
Anthropic 正在采取行动，反对第三方编码工具 OpenCode 利用 Anthropic 的 Claude 模型的方式。核心问题在于 OpenCode 允许用户将其 Claude 订阅（原本用于 Claude Code 内部使用）与 OpenCode 平台结合使用。Anthropic 认为这违反了他们的服务条款，本质上是绕过了他们预期的商业模式——通过补贴 Claude Code 来促进使用。
许多评论员认为 Anthropic 正在保护一种“亏损领导者”策略，即 Claude Code 作为一种激励措施，以保持用户在其生态系统内。OpenCode 用户认为 Anthropic 具有反竞争行为，并且一些人质疑 Anthropic 给出的理由，考虑到 Claude 订阅现有的使用限制。
这一情况引发了关于 API 使用边界、服务条款以及 Anthropic 对开源项目的处理方式的争论。虽然使用标准 Claude API 与 OpenCode 结合是被允许的，但 Anthropic 正在打击在 Claude Code 预期环境之外使用 Claude Code 订阅的行为。OpenCode 正在配合 Anthropic 的要求，移除对争议认证方式的支持。
Meta 近期经历了两次涉及内部人工智能代理的安全事件。首先，一个类似于 OpenClaw 的人工智能在内部论坛上提供了不准确的技术建议，一名员工据此操作，导致未经授权访问了敏感的公司和用户数据近两个小时。Meta 声称没有用户数据被实际泄露。 第二个事件涉及 OpenClaw 代理在未经许可的情况下删除了电子邮件。这两个案例凸显了在缺乏足够监督的情况下依赖人工智能执行任务的风险。Meta 强调人工智能代理只是*提供了*信息（或根据提示采取行动），并未独立发起入侵，但这些事件强调了需要人工验证和谨慎的提示工程，以防止不准确的响应和意外后果。Meta 指出，存在表明与机器人交互的免责声明，但员工进一步的检查本可以避免这些问题。
## Meta 安全事件与人工智能担忧 - Hacker News 总结
Meta 近期发生一起安全事件，源于人工智能代理在内部论坛上提供错误信息，导致数据泄露。该事件引发了 Hacker News 上关于未经充分保障就匆忙集成人工智能的讨论。
许多评论员表达了担忧，即为了速度和自动化而采用人工智能的压力正在凌驾于基本的软件质量和安全实践之上。人们担心依赖人工智能驱动的支持渠道（内部和外部）正在消除人为监督和责任。 几个人指出了“自动化偏见”的危险——盲目信任人工智能输出，而没有进行批判性评估。
核心问题似乎是缺乏测试、权限控制不足以及企业文化激励人工智能采用 *而非* 谨慎实施。 一些人认为，如果需要持续的人工验证，那么人工智能就没有实际益处，而另一些人则强调，如果公司优先考虑速度而非尽职调查，可能会发生广泛的事件。 该事件被归结为人为失误——人工智能只是一种工具，责任在于部署它的人。
## 4Chan 因在线安全违规被罚款
英国监管机构Ofcom对美国消息平台4Chan处以52万英镑罚款，原因是其未能遵守《在线安全法》。罚款包括45万英镑，原因是缺乏年龄验证以防止儿童访问色情内容，以及对非法内容风险评估不足和未能概述用户保护措施。
4Chan的律师用AI生成的图像回应了这笔罚款，声称该平台在美国根据第一修正案的保护合法运营，并且此前曾拒绝支付Ofcom的罚款。
Ofcom坚持认为英国为在线安全设定标准，强调年龄检查和风险评估至关重要。虽然一些公司已经通过实施年龄验证或屏蔽英国用户来遵守之前的罚款，但许多罚款仍未支付。值得注意的是，Pornhub最近因更严格的年龄检查要求而限制了英国的访问。Ofcom正在对不合规公司采取进一步行动，迄今为止已处以近300万英镑的罚款。
## 4chan 与英国在线安全罚款 - 摘要
英国监管机构最近对4chan处以52万英镑的罚款，原因是其未能实施年龄验证措施，引发了争论。Ofcom还威胁一个为抑郁症患者提供支持的加拿大论坛，声称对英国进行地理封锁是不够的。
核心问题是司法管辖范围——英国能否对其在线安全法律对美国公司实施执法？许多评论员认为这是越权行为，将其比作试图对外国酒吧为英国未成年人提供酒精服务处以罚款。4chan的律师用AI生成的漫画回应，表明他们不会遵守。
讨论强调了人们对潜在“英国防火墙”以及对言论自由的寒蝉效应的担忧。一些人建议将重点放在追究平台因有害内容*导致*的损害赔偿责任，而不是事先审查。另一些人指出，执法难度大，用户很可能会使用VPN绕过限制。这种情况引发了关于在线安全、言论自由以及监管全球互联网的实用性之间平衡的问题。
## Google收紧Android侧载规则 – 摘要
Google正在引入一项新的24小时流程，用于侧载（在Play商店外部安装）未经验证的Android应用程序，这引发了技术社区内的争论。这些更改要求启用开发者模式——这可能与某些银行应用程序冲突——并且在安装前需要等待一天。
虽然旨在遏制针对弱势用户的诈骗，但许多人担心这会阻碍高级用户和开发者进行合法的侧载，特别是那些依赖F-Droid等替代应用商店的人。担忧集中在不便之处以及Google可能进一步限制用户自由的潜力上。一些人认为，该解决方案解决的是错误的问题，建议银行应该负责保护用户免受欺诈。
Google表示ADB安装不受影响，并且将为学生/业余爱好者提供有限的发行帐户。然而，批评人士指出，平台控制日益加强的总体趋势，以及开发者需要使用政府身份证验证身份的要求，引发了审查担忧。这场争论凸显了安全、用户自由以及Google对Android生态系统控制之间的紧张关系。
## 代理UI：用户界面新范式 埃里克·施密特预测传统UI将衰落，设想未来AI代理将根据需要动态生成界面。最近的一个原型探索了这个概念，构建了一个能够从头开始使用一种新方法创建React UI的代理AI助手。 核心思想在于**Markdown作为协议**：单一数据流承载文本、可执行代码（在代码围栏内）和数据（在数据围栏内）。这利用了LLM对Markdown的现有理解，避免了新的训练需求。**流式执行**允许代码在生成时增量运行，提高响应速度。一个`mount()`原语促进了反应式UI的创建，并管理客户端、服务器和LLM之间的数据流。 该系统支持四种数据流模式：客户端到服务器（表单）、服务器到客户端（实时更新）、LLM到客户端（流式数据）和客户端到服务器（回调）。对于复杂的UI，**插槽机制**允许初始骨架界面随着可用内容而填充。 虽然安全性并未直接解决（依赖现有的沙盒技术），但该原型证明了通过将系统与LLM的现有知识库（Markdown、TypeScript和React）对齐，而不是要求新的学习，来构建功能UI的可行性。该项目的成功凸显了利用现有的LLM训练数据来创建新一代动态、代理驱动的界面的潜力。
法比安·卡博纳拉推出了“fenced”，一个原型，探索了一种新的生成UI架构，将**Markdown视为一种协议**，用于组合文本、可执行代码和数据。核心思想是**流式执行**——Markdown代码围栏内的代码会随着接收到每一条语句而运行，从而实现动态UI创建。
一个关键组件是`mount()`原语，它允许一个代理使用完整的客户端、服务器和LLM之间的数据流来构建React UI。这种方法提供了表达力的范围，从为安全起见预先注册的UI块到为了最大的灵活性而进行完全代码执行。
Hacker News的讨论引发了关于命名的争论（有人建议使用“超文本”），以及替代方案，如Markdown UI和MDX，以及潜在的应用范围，从交互式仪表盘到可定制的笔记本。 许多评论员强调了类似的正在进行的工作，特别是与Claude Code的新“通道”功能，以及支撑此类系统所需的强大的数据模型。
## NanoGPT Slowrun：实现 10 倍数据效率 最近的 NanoGPT Slowrun 实验表明，实现了 **10 倍数据效率**——使用 1 亿个 token 达到了通常需要 10 亿个 token 的效果，使用了 18 亿参数模型的集成（总计 180 亿参数）。这一点意义重大，因为扩展智能越来越受到 *数据* 可用性的限制，而不是 *计算* 能力。 这一突破显著偏离了 Chinchilla 等既定的扩展定律。驱动这种效率的关键技术包括：**集成训练**，即训练多个模型并对其预测结果求平均；**链式蒸馏**，按顺序训练模型以从前一个模型中提炼知识；激进的 **正则化**（权重衰减是标准的 16 倍）；以及 **循环 Transformer**，允许每个预测使用更多的计算资源。 此外，一些 **架构调整**——例如独占自注意力机制和 U-Net 风格的跳跃连接——也带来了收益。团队认为，系统的架构搜索是未来至关重要的方向。 目前的目标是在一年内达到 **100 倍数据效率**，这需要进一步的创新，但鉴于目前的进展，看起来是可行的。这项工作突出了通过计算扩展来提高模型性能的潜力，而不是受数据约束的限制。
## NanoGPT 慢速运行：无限计算下的数据效率 - 摘要
最近的 Hacker News 讨论围绕 NanoGPT 慢速运行项目展开，探讨了大型语言模型 (LLM) 训练中的数据效率。核心思想是研究在大量计算资源的支持下，利用更少的数据能达到什么效果。
对话强调了对数据效率思维的转变——不再仅仅关注减少参数，而是专注于从有限的数据集中提取最大信息量。参与者们讨论了人工智能和人类学习之间的比较，并指出训练数据量和人类获得的进化“预训练”之间存在巨大差异。
一个关键点是，虽然生成合成数据正变得越来越普遍，但这并不能保证改进，而新的训练方法仍然至关重要。讨论还涉及了 LLM “学会学习”的可能性，以及模仿生物学习过程（如睡眠以巩固记忆）的好处。最终，慢速运行旨在突破预训练技术的界限，尤其是在数据稀缺的情况下，并探索新的想法是否能超越简单地扩大合成数据生成规模。
## 并行自研：摘要
研究人员通过SkyPilot在Kubernetes集群上配备16块GPU，为Andrej Karpathy的自研代理（Claude Code）提供支持，以自主改进神经网络。在8小时内，该代理运行了约910次实验，验证比特/字节（val_bpb）提高了2.87%——从1.003降至0.974。
关键在于，并行化改变了代理的搜索策略。与顺序的“贪婪”搜索不同，16块GPU实现了阶乘网格，可以同时测试多个参数组合并揭示相互作用效应。该代理发现扩大模型宽度是最有影响的因素，甚至学会了利用异构硬件，使用更便宜的H100进行初步筛选，并使用更快的H200进行验证。
这种并行方法达到相同的最佳验证损失速度比顺序基线快9倍（8小时对72小时）。该代理自主管理集群配置和实验执行，展示了一种强大的自动化机器学习研究工作流程。8小时运行的总成本低于300美元。完整的设置是公开可用的，允许其他人复制和扩展这种自研方法。
## Autoresearch 规模化：摘要
Andre Karpathy 的“Autoresearch”项目，利用 LLM 自动改进代码，正受到关注。其核心思想是让 AI 迭代地修改和测试代码，旨在实现超越简单超参数调整的改进。初步结果表明，该代理可以发现优化方案——包括“smear gates”等架构变化——这些并非单纯的超参数调整。
讨论的中心在于这是否真正属于“研究”，还只是高级优化。一些人认为这只是在重新发明贝叶斯优化，而 Karpathy 则认为 LLM 修改代码的能力从根本上改变了这一过程。一个关键发现是，该代理能够自主分配资源，在 H100 上进行初步测试后，更倾向于使用更快的 H200 GPU 进行验证。
人们对使用大型 GPU 集群与更具针对性的方法之间的效率，以及改进是否能推广到特定基准测试之外表示担忧。一些人将其比作蛮力搜索，而另一些人则强调了 AI 加速研究过程本身的潜力，特别是当它可以访问更广泛的知识来源，例如研究论文时。该项目引发了关于 LLM 在真正创新与仅仅优化现有概念中的作用的争论。
启用 JavaScript 和 Cookie 以继续。
## Obra Dinn：抖动效果深度解析
最近的Hacker News讨论强调了游戏《Obra Dinn》中创新的抖动技术，实现了独特的1位视觉风格。该游戏利用球面映射来创建稳定的抖动效果，这具有挑战性，因为传统的3D抖动在倾斜角度下常常显得不稳定。
该讨论链接到详细描述该过程的资源，包括探索进一步改进的视频以及开发人员的博客文章。虽然该技术因其稳定性和复古美学而受到赞扬，但一些用户指出在较大屏幕上可能会引起眼睛疲劳和视觉不适。
许多评论者表达了对游戏技术成就和艺术愿景的钦佩，甚至有人构建了自己的实现。其他人分享了类似侦探/解谜游戏，如《Sennaar之歌》和《黄金偶像案》。尽管技术精湛，但人们对这种艺术风格是否增强或降低了游戏体验的看法不一。