## 现代 CSS:告别旧技巧 Modern.css 是一个资源,致力于展示最新的 CSS 特性,并为较旧、常常需要变通的技巧提供简洁、原生的替代方案。该资源已更新至 2026 年,提供了 **56 个代码片段**,展示了如何用更简单、更高效的代码实现相同的结果。 该网站重点介绍了 **布局、动画、工作流程、排版和颜色** 等多个方面的改进。例如,居中元素不再需要复杂的 `position` 和 `transform` 属性——简单的 `display: grid; place-items: center;` 即可满足需求。 同样,滚动链接动画和对话框可以在 *无需* JavaScript 的情况下实现。 Modern.css 跟踪 **26 个 CSS 特性**,并提供浏览器兼容性信息。它旨在通过消除记住过时解决方案的需求,从而简化开发,并提供更易于维护和性能更高的 CSS 方法。每周简报会将一个“旧方法到新方法”的比较直接发送到您的收件箱。
泰克电子公司20世纪70年代的“7000”系列示波器是行业领导者,以其模块化、高性能设计和持久的功能而闻名——即使在今天,它们在现代示波器难以完成的任务上仍然表现出色。有趣的是,一个惊人相似的设计出现在铁幕之后。
1977年,立陶宛的“555”工厂生产了C1系列“通用示波器”(例如C1-115),其布局和插件架构明显模仿了泰克电子。虽然不如泰克电子广泛,但这些苏联时代的示波器仍然存在。
最近,作者以5波兰兹罗提的价格获得了一套罕见的德语技术手册,用于C1-112主机和相关插件。这些手册,包括电路图和校准证书,提供了一个独特的机会来比较泰克电子和苏联的设计,研究有多少是被复制的,以及哪些是原创的创新。作者计划在未来进行详细的比较分析。
该项目致力于数字化玛伊蕾德·尼·格拉达(Máiréad Ní Ghráda)的《曼南南的数字化》(1940),这是一部罕见的爱尔兰语青少年科幻小说,可能包含机甲的首次描绘以及对引力助力的文学提及。由于该书目前没有再版或翻译版本,此举旨在提高其可读性。
该工作涉及从扫描的PDF文件中提取文本并仔细校正,因为该书使用了较旧的爱尔兰语正字法。目前正逐章推进,已完成并手工校正了第9-18页的OCR输出结果。一项关键策略是尽早识别并修复常见的OCR错误,因为这些模式会在整个文本中重复出现,从而简化未来的校正工作。
该项目欢迎贡献,特别是来自爱尔兰语母语者的帮助,以识别和纠正提取文本中任何剩余的错误。全书共188页,包含目录,列出了章节标题和页码范围。
## 6502 笔记本项目总结
该项目详细介绍了基于 65C02 处理器、运行于 8MHz 的一个完全功能、便携式笔记本电脑的创建过程。目标是超越“PCB 堆叠”,构建一个自包含的系统。
该笔记本电脑具有 46K RAM、ROM 中的 BASIC、65C22 VIA 以及 9 英寸显示屏。存储由 Compact Flash 卡提供,由 10000mAh 电池供电,并通过 USB-C 充电。输入由内置键盘处理,同时也可通过串口控制台进行操作。内部扩展槽允许未来升级。
开发始于 2025 年底,并在 2026 年初获得可用的 PCB。关键里程碑包括使核心组件正常工作、集成键盘以及实现带有 `LOAD`、`SAVE` 和 `DIR` 命令的 Compact Flash 支持。图形功能已添加,包括用于绘制圆、线和散点的命令。该项目基本完成,功能性外壳已组装完毕,但仍有待改进之处,例如更大的显示屏(计划 10.1 英寸)和键盘代码优化。
在商业山核桃产业出现之前,山核桃是美洲原住民的重要资源,用于食物、贸易、仪式(如阿尔冈昆人的“powcohiccora”饮料)和医药——甚至作为抗菌剂。这个坚果的名字本身就源于阿尔冈昆语,指的是它坚硬的外壳。
虽然像华盛顿和杰斐逊这样的南方人喜欢山核桃,但早期的商业种植尝试由于种子生长的树木产量不稳定而失败。这种情况在19世纪由奴隶园丁安托万改变,他开创了一种成功的嫁接方法,创造了“百年”品种。这项创新使得大规模生产成为可能,到1920年产量达到每年一千万磅,并建立了一个价值数百万美元的产业。
尽管取得了成功,但当种植园转为种植甘蔗时,安托万的工作最终被遗忘。这个故事凸显了奴隶个人对植物学和农业贡献被更广泛地抹去的现象,他们的关键专业知识和劳动常常被欧洲探险家掩盖。山核桃至今仍具有文化意义,尤其是在黑人南方美食和传统疗法中。
## RynnBrain:一个具身基础模型
RynnBrain是一个新的具身基础模型,旨在理解和与物理世界互动。它已发布代码和模型检查点(2B、8B和30B-A3B版本),擅长需要详细视频理解、空间推理和精确规划的任务。
主要特点包括强大的第一人称理解(如具身问答和物体计数)、准确的时空定位,以及一种独特的交错推理方法,将语言与物理现实相结合。还提供专门的后训练模型,用于机器人任务规划(RynnBrain-Plan)、视觉语言导航(RynnBrain-Nav)和链式指向推理(RynnBrain-CoP)。
RynnBrain基于Qwen3-VL构建,采用统一的编码器-解码器架构,并经过大量时空和物理数据的训练。它使用新的RynnBrain-Bench基准进行评估,重点关注物体与空间认知、 grounding 和指向。 演示、cookbook 以及预训练/评估细节(通过RynnScale)均可获得。