由于担忧特朗普政府可能进行的政治干预和数据封锁，国际科学家们正发起一项大规模行动，旨在“拯救”美国的气候数据。德国气候计算中心（DKRZ）等机构正在为关键研究建立“救生艇”，将数拍字节（petabytes）的信息转移到欧洲的安全异地存储库中，以确保这些数据能够用于2029年的联合国气候评估。 从历史上看，科学数据集一直存储在其原始机构中。然而，由于气候怀疑论的政治转向、网络攻击以及如乌克兰研究设施被毁等武装冲突，这种做法现已被认为存在风险。“CMIP7-ark”和美国地球物理联合会的“数据韧性项目”等计划，旨在通过创建全球分布式冗余备份，摆脱对集中式存储的依赖。 专家强调，这一转变不再仅仅是为了防范某届政府，而是对科学基础设施的一次根本性重构。通过建立安全、国际化的数字通道，科学界力求保护实证数据免受审查和物理灾害的影响，确保基础性的气候、生物多样性和环境数据能够保持永久、公开，并免受任何单一国家政治气候波动的影响。
每日HackerNews RSS
本文对90年代 DOS 游戏音频的两大巨头——Roland SC-55 和 Yamaha MU80，及其对应的软件版本 Sound Canvas VA (SCVA) 和 Yamaha S-YXG50 进行了严谨的数据驱动对比。
作者并未依赖传闻，而是录制了 46 首经典 DOS 游戏配乐，并将其在七种不同的硬件和软件模块中进行处理，最终生成了 322 个无损音频文件以供对比分析。
**主要发现：**
* **性能表现：** 虽然 Roland SC-55 是历史上的“标准”设备，但硬件 Yamaha MU80 在技术上更胜一筹，其音质更具“高保真（Hi-Fi）”感，平衡性更好，冲击力也更强。
* **软件还原度：** 两款软件插件（SCVA 和 S-YXG50）都是其硬件前身的绝佳替代品。尽管真实硬件具有微妙且出色的模拟“润色”效果和频响表现，但软件版本对于现代复古游戏体验已绰绰有余。
* **结论：** 作者指出，虽然个人喜好因游戏而异，但 Yamaha MU80/S-YXG50 的组合往往能呈现出更现代、更鲜活的音质，而 SC-55 则保留了一种怀旧的“电脑音乐”韵味。文中提供了完整的录音、MIDI 文件和工程文件，供用户自行进行盲测对比。
抱歉。
提示词之间的片刻陪伴 你的 Claude 和 Codex 好友，齐聚于此。 感受朋友们的活力。电量耗尽。一起挂机。(o.o) 正在核对你的邀请函…… 你的邮箱 Mac 版下载 需要邀请码？在 IG 上私信开发者 免费 · macOS 13+ · 功能全包含 你马上就到家了 你的邀请函已就绪。 1. 安装 Die With Me 打开下载的文件，将应用程序拖入“应用程序”文件夹。 2. 携带你的邀请函 安装后，点击下方按钮。系统会自动填入你的邀请函；若未自动填入，请输入来自邮件或邀请函中的代码。 3. 认领昵称并连接使用 你与邀请人将自动成为好友。 继续使用 Die With Me 重新下载 复制邀请链接 管理邮件偏好 ♡ 你的好友，就在身边。 在你的编程时段里互相陪伴。 ☾ 低电量。好伙伴。 看你的吉祥物犯困。电量剩余 10% 或更低时，聊天室开启。
抱歉。
这段文字是对由ASCII字符以密集、重复的网格形式排列而成的抽象集合的描述。它利用加号（`+`）、等号（`=`）、冒号（`:`）以及字母 `X` 等符号，创造出一种具有韵律感和纹理感的视觉图案。这段内容并没有可辨识的语义、叙事或编码信息；它更像是一件数字艺术品或程序生成的纹理，旨在通过ASCII的重复呈现出一种机械结构的质感。
Hister 是一款注重隐私的个人搜索引擎，它能够索引你所访问的网页全内容及存储的文件。与传统搜索引擎不同，它将数据完全置于你的掌控之下——通过本地运行或部署在个人基础设施上，且没有任何遥测技术或强制性的云服务。
主要功能包括：
* **全面索引：** 通过浏览器扩展（Chrome/Firefox）、本地目录或导入的浏览器历史记录，抓取网站的全文内容。
* **多途径访问：** 可通过网页界面、终端、命令行或由 MCP 驱动的 AI 助手来检索信息。
* **高级搜索：** 支持带有过滤器、通配符的复杂查询，并可通过自定义嵌入（embeddings）实现可选的语义搜索。
* **自托管：** 专为个人使用或多用户环境设计，确保你的搜索历史和文档始终保持私密。
安装简便，支持二进制文件、Homebrew、Docker 和 Nix。Hister 是开源（AGPLv3）的，对于那些希望在不依赖第三方追踪或云服务商的前提下，重掌个人数字档案控制权的用户来说，它是理想的工具。
**Hister** 是一个私有、自托管的搜索引擎，能够为您个人的网页浏览历史、书签和本地文件建立索引。与传统的爬虫不同，它通过浏览器扩展程序在您访问页面时直接抓取内容，因此能够索引通常会拦截机器人的网站，例如 Instagram 或 Discord。
**主要功能包括：**
* **可搜索性：** 支持对浏览器历史记录和本地文件进行全文搜索及语义搜索。
* **存档：** 保存结果预览，即使原始页面被删除或修改，内容依然可搜索。
* **灵活性：** 可完全在本地机器上运行，支持多用户设置，并包含命令行工具以及用于人工智能集成的 MCP 端点。
* **提取：** 支持使用 `yt-dlp` 来索引视频转录文本。
由于与一家美国实体存在商标冲突，该项目目前正在征集新名称。尽管它在自托管社区中广受好评，但用户指出，诸如“基于时间”的索引（以避免抓取短暂且无关的访问）以及为非技术用户提供更好的用户界面等进阶功能是目前迫切需要的。作者鼓励社区为重命名和后续开发提供反馈。
Vinix 是一款轻量级的开源操作系统，专为 MacBook 设计，旨在解决现代 macOS 系统臃肿、运行缓慢以及隐私方面的问题。通过精简不必要的后台服务，Vinix 实现了极低的资源占用——仅需数秒即可启动，且仅占用 100 MB 内存和 1 GB 磁盘空间。 除了性能提升，Vinix 还致力于将 MacBook 转变为高端游戏设备。通过利用 Wine、x86-64 转译层以及持续开发的 Apple GPU 驱动程序，该项目旨在让 MacBook 能够运行目前在 macOS 上不支持的大型游戏，例如《艾尔登法环》、《巫师 3》和《侠盗猎车手 V》。Vinix 为用户提供了一个透明且可自主控制的环境，避免了向苹果发送隐私数据，为希望充分发挥硬件潜能的用户提供了一个精简的替代方案。
抱歉。
“WHO IS IN SPACE”是由《Smarter Every Day》的 Destin Sandlin 和 Geoff Barrett 共同创建的项目。该网站旨在传播目前在国际空间站上的男男女女所做出的非凡行动、成就和发表的言论。
抱歉。
9月16日，CrowdSec 证实其私有 GitHub 存储库发生源代码泄露，此次泄露可能源于 2026 年 5 月 Tanstack 组件的供应链攻击。受影响的主要是包含 SaaS 控制台代码、AWS 例程和自动化工具的私有存储库，其公共开源存储库未受影响。 CrowdSec 强调，由于公司不存储客户数据、个人身份信息（PII）或内部日志，因此未造成此类信息的泄露。尽管被泄露的代码具有一定价值，但 CrowdSec 指出，这些代码与其基础设施高度关联，限制了其被外部滥用的可能性。此外，过去四个月内其代码库已发生显著演变。 发现问题后，团队已轮换所有相关令牌和凭据，并进行了深入调查，目前未发现横向移动的迹象。此次泄露仅限于 5 月的短时间内，公司正在监测异常活动。CrowdSec 将继续调查，并坚称此次安全漏洞不会对用户或平台的安全核心运营构成直接威胁。
抱歉。
使用大语言模型（LLM）进行分类向来困难，原因在于其校准性差、缺乏阈值控制，且难以解释其权重分配机制。仅仅依赖“提示工程”（prompt engineering）往往既晦涩又低效。
作者提出了一种范式转变：**将 LLM 分类视为特征工程**。通过利用 LLM 输出结构化的元数据或推理过程，将其作为输入提供给逻辑回归等传统机器学习模型。这种方法具有多项优势：
* **校准与控制：** 标准算法支持适当的校准和阈值调整，从而平衡精确率与召回率。
* **特征整合：** 可以将 LLM 的输出与确定性的规则特征（如推文长度、标点符号计数等）相结合，使模型能够适应特定的总体分布。
* **性能与可解释性：** 该方法能显著提高准确率，并能更清晰地洞察哪些特征驱动了模型的决策。
在一项反讽检测的测试案例中，这种“特征工程”方法优于最初的竞赛获胜模型。通过从简单的提示工程转向结构化的机器学习流水线，从业者能够利用 LLM 实现可靠且统计有效的分类。
Hacker News 上的讨论“LLM 分类即特征工程”聚焦于一种策略：利用大语言模型（LLM）将非结构化数据转化为特征，并输入到传统的机器学习模型（如逻辑回归）中，而非仅仅将 LLM 作为独立的分类器。
**讨论的核心要点包括：**
* **架构优势：** 用户认为将 LLM 的输出输入到“经典”模型中，可以提供更好的校准性、可解释性，并能更精确地控制决策阈值。此外，这种系统也更易于审计和测试。
* **系统 1 与系统 2 思维：** 评论者提出，利用“强大”的 LLM 生成提示词或提取特征，再由更小的模型进行处理，模仿了人类的双重认知过程，为标准提示词工程提供了一种更高效的替代方案。
* **实施建议：** 包括使用二元问题以保持一致性、将文本嵌入与结构化数据结合使用，以及让 LLM 生成可复现的代码而非直接给出最终结论。
* **批评与质疑：** 一些参与者质疑这种方法的必要性，认为通过提示词工程，或者仅仅要求 LLM 在输出标签前先解释其推理过程，往往就能以更低的复杂度达到相似的效果。
请启用 JavaScript 和 cookie 以继续
抱歉。