启用 JavaScript 和 Cookie 以继续。
每日HackerNews RSS
对不起。
## 乌克兰对作战无人机的依赖日益增加 乌克兰正在越来越多地将无人地面车辆（UGV），例如TW 12.7，整合到前线作战中，这表明现代战争正在发生转变。这种国产、遥控平台成功地控制了一个关键路口超过六周，提供了持续的压制火力并阻止了俄罗斯的推进——传统上由一个步兵小组执行的任务。 UGV的部署凸显了乌克兰机器人技术的日益可靠，配备了稳定武器和先进光学设备。除了防御之外，这些“攻击UGV”现在还支援步兵进攻，加强防线，并进行破坏活动。 乌克兰优先考虑操作员的安全，利用专门的回收模块，甚至*其他* UGV来回收损坏的设备，避免对人员造成不必要的风险。来自前线部队的持续测试和反馈正在推动UGV设计的快速改进，促进制造商和士兵之间的合作，以完善这些在真实作战条件下至关重要的系统。 这种对国产机器人的推动旨在对抗俄罗斯在数量和火力上的优势。
请启用 JavaScript 并禁用任何广告拦截器。
苹果五十周年
Apple at 50
35 天前
## 苹果：面向未来的50年
苹果正在庆祝50年的创新，强调持续关注未来的发展，而非仅仅回顾过去。该公司设计旨在丰富人们生活的工具和体验。
苹果广泛的产品线包括Mac、iPad、iPhone、Watch、Vision、AirPods以及各种娱乐和家居产品，以及配件。除了硬件，苹果还提供包括Apple One、Apple TV+、Apple Music和App Store等全面的服务生态系统。
该公司通过Apple Store（包括天才吧和Today at Apple）、在线资源以及专门为企业、教育、医疗保健和政府提供的项目提供强大的支持。苹果还优先考虑可访问性、环境责任和包容性等核心价值观，以及关于公司本身及其领导层详细的信息。
## 苹果50周年 - Hacker News 讨论总结
苹果最近发布的一个庆祝50周年的网页在Hacker News上引发了不同的反应。许多人觉得庆祝视频令人失望，期望能有更具互动性的体验，包含产品细节和销售数据。一些用户在动画显示方面遇到了问题，通常可以通过更换浏览器或调整辅助功能设置来解决。
讨论延伸到苹果的演变，一些人惋惜苹果从开放、可破解的平台（如早期的Apple II）转变为更封闭、类似家电的生态系统。另一些人则为苹果对易用性的关注及其对普通用户的积极影响辩护。
许多评论员提到了其他的苹果周年庆活动，包括在Apple Park举行的保罗·麦卡特尼演唱会和在计算机历史博物馆举办的座谈会。关于苹果的当前发展方向也存在争论，一些人认为该公司现在专注于最大化利润而非创新。总的来说，这次对话展现了人们与苹果之间复杂的关系——对过去成就的赞赏以及对现状的批评。
## 人工智能营销 BS 指数 受物理学中“谬误指数”的启发，Bastian Rieck 提出一个“人工智能营销 BS 指数”，用于评估在人工智能产品被过度炒作的时代，营销材料的可信度。该指数旨在识别并评估过于热情或具有误导性的说法。 从 -5 分（给予信任）开始，得分会因以下行为而增加：无正当理由创造术语（+10 分），错误使用科学术语（每次 +10 分），以及使用“这不是 X，而是 Y”之类的修辞手法（+20 分）。 更高分数会授予以下行为：援引“自然”或“宇宙” (+20 分)，无根据使用“涌现属性” (+20 分)，炫耀常春藤盟校 (+20 分)，缺乏可证伪的主张 (+30 分)，以及无法验证的研究合作 (+40 分)。 该指数仍在完善中，旨在帮助过滤掉空洞的营销“氛围检测”，并识别真正有价值的人工智能创新。
对不起。
## git-bayesect: 贝叶斯Git二分查找 `git-bayesect` 是一个用于识别引入事件发生概率变化的提交的工具（例如，不稳定的测试）。与传统的 `git bisect` 不同，它使用贝叶斯推理，只需要一个变化*已经*发生，而不需要精确的失败率。 它通过迭代地缩小可能的提交范围，基于最小化预期熵来选择下一个要测试的提交。该工具巧妙地使用 Beta-Bernoulli 共轭性来处理未知的失败概率。 **关键命令：** * `git bayesect start --old <COMMIT>`：开始二分查找。 * `git bayesect pass --commit <COMMIT>`：记录一次成功的测试。 * `git bayesect prior --commit <COMMIT> --weight <value>`：设置关于某个提交的先验信念。 * `git bayesect run <command>`：使用给定的命令自动化测试。 你还可以基于文件名或提交消息/diff内容设置先验概率，以获得更准确的结果。提供了一个演示仓库和脚本来帮助你入门。
## Git Bayesect：贝叶斯二分查找用于间歇性错误 - 摘要
Git Bayesect 是一种新工具，旨在高效地识别引入非确定性（间歇性）错误的提交，这对于传统的 `git bisect` 来说是一个挑战。与需要一致复现的 `git bisect` 不同，Bayesect 使用贝叶斯推理来处理可变错误的发生情况。
基准测试表明，在存在间歇性的情况下，Bayesect 显著优于 `git bisect`——在 90/10 的间歇性下，Bayesect 实现了约 96% 的准确率，而 `git bisect` 降至约 44%。通过基于代码结构对先验进行加权，优先考虑影响高度连接函数的提交，还可以获得进一步的准确率提升（10-15%）。
该工具通过策略性地选择下一个要测试的提交，最大限度地提高信息增益，从而最大限度地减少测试运行次数。虽然并非完全最优，但它为调试间歇性问题提供了实质性的改进，尤其是在测试缓慢或涉及 LLM 交互等外部因素时，这一点非常有价值。该项目在 GitHub 上可用 ([https://github.com/hauntsaninja/git_bayesect](https://github.com/hauntsaninja/git_bayesect)) 并且正在集成到 sem 中 ([https://github.com/ataraxy-labs/sem](https://github.com/ataraxy-labs/sem))。
## SwiftLM：快速原生 MLX 推理服务器
SwiftLM 是一款高性能、原生 Swift 推理服务器，专为 Apple Silicon 设计，用于运行 MLX 模型，并提供与 OpenAI 兼容的 API。它消除了 Python 和全局解释器锁 (GIL) 的开销，从而实现闪电般的速度。
主要特性包括直接加载 HuggingFace 模型并使用 Safetensors 解析，以及集成的 TurboQuantization——一种混合量化技术，在显著压缩内存（KV 缓存高达 3.5 倍）的同时，几乎没有精度损失。一项实验性的 SSD 流式传输功能允许通过直接从 NVMe SSD 交换 MoE 层到 GPU 来运行大型模型（122B+ 参数）。
SwiftLM 提供精细的内存控制，并包含用于设备端推理的原生 iOS 应用程序。它在 Apple M 系列芯片上进行了基准测试，并优先考虑稳定性，避免了可能导致系统崩溃的大型模型问题。它提供预构建的二进制文件以供快速设置，并支持标准的 OpenAI API 端点。
Unicode字符超出基本多文种平面（BMP）需要不同的UTF编码处理方式。UTF-8和UTF-32使用4字节序列直接映射码点来表示这些字符，而UTF-16则采用“代理对”系统。 由于UTF-16使用16位“码元”（最大值65,535），无法直接表示更高的码点。相反，它利用两个保留范围——高代理和低代理——来*表示*这些字符。一个补充字符被编码为一个高代理*后跟*一个低代理的组合。 这些代理对应始终一起出现，并且在文本处理期间（换行、高亮显示、计数）不得拆分。您不会在UTF-8或UTF-32编码中找到单个代理或这些对。本质上，UTF-16使用这种解决方法来在其16位结构内表示完整的Unicode字符范围。
对不起。
## 美国贫困率出乎意料地高，尽管经济在增长 传统的经济衡量标准在比较贫困水平时可能具有误导性。牛津经济学家奥利维尔·斯特克开发了“平均贫困”——即赚取1美元（按购买力调整）所需的平均时间——以提供新的视角。他的研究表明，尽管平均收入较高，美国经历的“平均贫困”比大多数西欧国家*显著*更高。 目前，在美国赚取1美元需要63分钟，大约是德国（26分钟）、法国（31分钟）和英国（34分钟）所需时间的两倍。虽然美国最贫困的州密西西比的人均GDP与德国相当，但美国不断上升的收入不平等意味着更大比例的人口正经历严重的经济压力。 斯特克的数据显示，自1990年以来，美国的“平均贫困”实际上在*增加*，即使经济在增长，也是因为不平等现象超过了收入增长。相反，收入分配更稳定的欧洲国家已经看到“平均贫困”有所下降。这表明，经济增长本身并不能保证减少贫困；财富的分配方式至关重要。
人工智能公司根据你的语言和BPE分词，收取60%更高的费用。
AI companies charge you 60% more based on your language, BPE tokens
35 天前
## 人工智能的隐藏成本：在不知情的情况下多付钱 人工智能公司正在悄悄地通过按*token*（子词单元）收费，而不是按词收费来抬高用户成本。这个看似微小的细节导致了显著的价格差异，相同的请求根据供应商（OpenAI、Google、Anthropic等）的不同，成本可能高出高达60%。 核心问题是：**token缺乏标准化。** 每家公司使用自己的“tokenizer”（将文本分解为token的系统），导致对相同内容token数量的计算不同。这对于非英语语言影响尤其大，例如印地语和阿拉伯语，由于训练数据存在偏差，token成本比英语高*四到五倍*。 目前，价格差距巨大——截至2026年3月，最便宜和最昂贵的模型之间高达420倍。这种不透明性类似于早期的云计算，供应商使用不可比的计算单位。 **TokensTree** 旨在通过提供跨供应商的token记账和“SafePaths”（缓存解决方案，可减少冗余计算并规范token成本）来解决这个问题，最终促进一个更透明、更高效的人工智能经济。他们旨在使token使用更加公平和环保。
对不起。