一位同事分享了一段往事，那是在 Windows 利用二进制翻译在其他处理器上模拟 x86-32 代码的时期。当遇到一个需要清理 64KB 栈内存的程序时，编译器为了实现所谓的“优化”，放弃了标准的循环结构。编译器没有使用精简的循环，而是将这个过程展开成了 65,536 条独立的写指令。 这导致仅仅为了初始化 64KB 的数据，就产生了 256KB 的代码。这种极度臃肿的代码令模拟团队感到无法忍受，于是他们在翻译器中专门打了一个补丁，用于识别这种模式，并将庞大的指令流替换为正确且高效的循环。
每日HackerNews RSS
Hacker News 的这篇帖子讨论了软件开发中一个反复出现的话题：在旧应用程序中经常隐藏着“极其低效”的代码，当在现代系统或模拟器上运行时，这些代码会成为性能瓶颈。
参与者分享了几个值得注意的趣闻：
* **模拟器的“补丁”：** 一个 x86 模拟器团队曾遇到一个程序，它使用了 256KB 的代码来初始化 64KB 的数据（由于采用了激进且过度的循环展开），为了保持性能，他们不得不在此程序的模拟运行过程中对其代码进行“修补”。
* **fread 的陷阱：** 一位开发者发现，将 `fread` 的参数顺序调换（将“读取 65k 次 1 字节”改为“读取 1 次 65k 字节”），会导致高性能操作变成一系列繁重的系统调用，从而使游戏加载时间从几秒膨胀到几分钟。
* **驱动与模拟器的权宜之计：** 专家们透露，现代 GPU 驱动程序和兼容层（如 Wine 或 vkd3d）通常包含大量专门的“黑客手段”来绕过热门游戏中的次优代码。这些权宜之计往往非常具体，有时仅仅是将可执行文件重命名为 `hl2.exe`，就能触发驱动程序中的性能优化。
大家的共识是：软件中频繁充斥着偶然出现的低效代码，它们之所以能存续，仅仅是因为硬件最终足够强大，掩盖了这些问题。
来自加州大学伯克利分校和陈·扎克伯格生物中心（Biohub）的研究人员在结构生物学领域取得了重大突破，他们开发出一种名为“激光相位板”的技术，显著增强了冷冻电子显微镜（cryo-EM）的成像对比度。
几十年来，冷冻电镜一直难以对活细胞拥挤环境中的小型模糊蛋白质进行成像。物理学家此前曾推测，高强度激光可以改变电子波的相位以提高图像清晰度，但所需的工程难度极大——需要将比太阳亮 1 亿倍的光束聚焦在一个微小的点上，这在当时被认为是不可能的。
经过七年的研发，该团队成功实现了该技术的单激光和双激光（xLPP）版本。通过将这一装置集成到标准显微镜中，科学家们现在能够以前所未有的细节和对比度观察蛋白质。这一进展有望彻底改变冷冻电子断层扫描技术，使研究人员能够研究处于天然状态下的蛋白质相互作用。通过在原子水平上使细胞内部运作变得可见，激光相位板为理解疾病机制提供了一种至关重要的工具，并将作为基础技术，用于训练未来生物学领域的人工智能模型。
抱歉。
关于 媒体报道 版权 联系我们 创作者 广告 开发者 条款 隐私 政策与安全 YouTube 的运作方式 测试新功能 © 2026 Google LLC
抱歉。
请提供您需要翻译的内容。
抱歉。
请启用 JavaScript 和 Cookie 以继续。
JEPA 模型背后的 90 年代构想：典型相关分析 The 90-year-old idea behind JEPA models: Canonical Correlation Analysis
9 天前
本文提出，联合嵌入预测架构（JEPA）本质上是哈罗德·霍特林（Harold Hotelling）于1936年引入的典型相关分析（CCA）的非线性架构演进。 尽管现代JEPA模型旨在学习数据不同视图间的公共信号，但它们与CCA有着相同的核心目标：最大化多维集合间的相关性。作者论证了在白化约束下，CCA在数学上等同于最小化嵌入表示的均方误差，而这正是JEPA的目标。两者主要的技术差异在于，CCA是线性的且包含防止维度坍缩的白化约束，而JEPA依赖于神经网络，且在其基础形式下存在产生平凡解的风险。SIGReg等近期技术通过强制执行CCA固有的各向同性分布约束解决了这一问题。 作者对关于JEPA起源的争论（特别是杨立昆与于尔根·施密德胡伯之间的争论）发表了看法，认为虽然“让思想在大规模下发挥作用”是获得认可的有效依据，但这些概念的历史渊源对于进步仍然至关重要。最终，作者主张将JEPA视为CCA的延伸，能为理解自监督学习架构提供一个有益的统一框架。
抱歉。
大语言模型并非懒惰，而是效率低下：它们倾向于从零开始构建，而不是使用现有的库，因为在它们看来，编写复杂的代码与简单的调用库文件所耗费的“认知成本”是一样的。因此，审查人工智能生成的代码变得成本更高，因为开发人员必须花费大量时间来核实并抵制那些过度设计的实现方案。 然而，开发的经济逻辑已经发生了转变。尽管现在审查的成本很高，但重写的成本却很低且速度很快。作者调整了工作流程，将重点放在前期规划上，以最大限度地减少初始复杂性。如果人工智能仍然生成臃肿的代码，作者不再将其视为必须接受的沉没成本，而是将其视为人工智能重写的便捷对象。通过在初稿中优先考虑快速迭代而非追求完美，开发人员可以将精力集中在细化范围和实现上，而不是去争论每一行生成的代码。
抱歉。
亚马逊云科技（AWS）宣布将投资数十亿美元，在密苏里州蒙哥马利县建设一个新的数据中心园区。该项目旨在支持云计算和人工智能工作负载，将创造 400 多个长期技术岗位及数千个建筑相关职位。 该计划强调可持续发展与社区融合。AWS 已与密苏里州阿默伦公司（Ameren Missouri）合作，确保该项目不会提高当地公用事业费率，并已投资于无碳能源。该设施还将采用先进的节水技术，包括雨水收集和现场循环利用，以最大限度减少对地下含水层的影响。 除运营基础设施外，该项目还是重要的经济催化剂，预计将产生数亿美元的税收收入。AWS 已承诺提供超过 700 万美元的直接社区捐款，用于资助紧急服务、公共基础设施、STEM 教育以及在蒙哥马利县展览中心建设一个新的社区空间。州长迈克·基奥（Mike Kehoe）及当地官员对此次投资表示欢迎，指出该开发项目确立了蒙哥马利县作为中西部新兴科技中心的地位。工程预计将于未来几个月内动工。
抱歉。
Cohere 发布了其首个开源智能体编程模型 **North Mini Code**。该模型专为软件开发而设计，采用混合专家（MoE）架构，拥有 30B 总参数及 3B 激活参数，在强大的性能与硬件效率之间实现了平衡。
主要亮点包括：
* **性能与效率：** 该模型针对代码生成、架构映射和代码审查进行了优化。内部测试显示，其输出吞吐量比 Devstral Small 2 等同类模型高出 2.8 倍，Token 间延迟优化了 30%。
* **智能体能力：** 专为处理复杂的智能体工作流而构建，擅长编排子智能体和终端任务。
* **易用性：** 模型采用 Apache 2.0 许可证发布，旨在推动“主权 AI”，允许开发者在本地或私有环境下部署，从而避免厂商锁定。
* **可用性：** 模型权重已在 Hugging Face 上发布，可通过 Cohere 的 Model Vault 进行托管部署，并支持通过 OpenCode 使用各种编程智能体。
Cohere 希望 North Mini Code 能够成为新一代开源模型的开端，并邀请社区通过 X、Discord 和 Reddit 提供反馈，以指导未来的开发方向。
抱歉。
“Claude Code for Visual Studio” 是一款社区驱动的扩展插件，旨在将 Claude Code CLI 与 Visual Studio 2026 进行连接，实现原生的 IDE 集成。Claude CLI 负责执行智能代理工作，而该插件则作为 IDE 协议处理器，通过精简的原生体验取代了手动终端交互。
**主要功能包括：**
* **原生差异对比工作流：** Claude 的编辑内容直接在 Visual Studio 的差异对比查看器中打开，支持一键“接受”或“拒绝”。
* **上下文感知：** 该插件可向 Claude 提供当前选中的文件及编译器诊断信息（C#/C++），以提高代码准确性。
* **实时仪表盘：** 一个可停靠的面板，用于监控连接状态、编辑历史记录以及估算的 Token 使用量。
* **灵活控制：** 用户可以选择“带反馈拒绝”以进行迭代优化，或启用“自动接受”以实现快速执行。
该插件仅作为协议桥梁，不直接进行模型调用，并要求安装已通过身份验证的 Claude Code CLI。它通过 localhost WebSocket 和特定项目的钩子（hooks）进行集成。该项目目前仅适用于 Visual Studio 2026，采用开源协议（MIT），并鼓励社区贡献，以保持与不断演进的 Claude 集成协议的兼容性。