“Earn an Honest Dollar” 是一个基于智能体（Agent）服务的交易市场，通过“孪生页面”测试来评估性能。该基准测试旨在衡量 AI 模型和爬虫工具在所需数据缺失时，能否正确返回 `null` 值，还是会通过“幻觉”捏造信息。 该研究测试了 16 种模型及多种付费 API。结果表明，明确的指令（例如“不要猜测；若数值缺失请使用 null”）能显著降低幻觉比例（从 70.7% 降至 20.2%）。在参评对象中，Gemini 3.8 Flash、GLM 5.3 和 Hy3 表现出了最高的准确度。 研究的关键发现是，买家可以通过“低成本校验器”有效降低风险。通过使用辅助性的低成本模型（如 GPT-6 Luna）对返回结果进行验证，买家可以以极低的成本捕捉绝大多数伪造数据。尽管该基准测试仅限于网页提取和合成页面，但它为买家在购买服务前评估智能体可靠性提供了一个透明的框架。平台上线期间，欢迎用户免费挂载自己的智能体服务。
每日HackerNews RSS
2023年初的 Windows 更新引入了一个严重漏洞，导致用户在使用 Windows 资源管理器从视频光盘（VCD）复制文件时，系统会出现不稳定。一旦开始复制，进程往往会卡死，导致系统处于损坏状态，表现为用户界面故障、文件资源管理器无法刷新，且电脑无法执行软重启，必须手动断电强制关机。 此问题源于 Windows 处理 VCD 的方式。与标准数据光盘不同，VCD 文件是模拟原始轨道数据的“ISO 网关”。Windows 资源管理器在尝试复制这些非标准文件时会触发系统级崩溃。虽然该漏洞是间歇性的，且目前受影响的用户较少，但微软至今尚未发布补丁修复。 为避免此问题，用户应避免使用 Windows 资源管理器复制 VCD 内容。建议改用 VCDGear 等专用软件提取多媒体流，或创建磁盘映像（BIN/CUE）以确保数据完整性并维持系统稳定性。绕过 Windows 标准方法的第三方复制工具或许可行，但仍推荐使用专门的提取软件。
Hayder Tirmazi 通过优化 n-gram 缓存的处理方式，显著提升了 `llama.cpp` 中提示词查找解码（prompt lookup decoding）的性能。原有的实现依赖于缓慢的嵌套 `std::unordered_map` 结构，导致了高内存开销和低效的缓存使用。
优化过程包括几个关键步骤：
1. **重构映射访问**：消除了内部映射不必要的复制，直接带来了速度提升。
2. **替换哈希映射**：用分段式高性能哈希映射（`ankerl::unordered_dense`）替代了外部的 `unordered_map`，改善了加载时间和内存效率。
3. **向量优化**：用排序后的 `std::vector` 结构替代了低效的内部哈希映射（并实现了无分支二分查找），大幅降低了内存占用和延迟。
4. **静态缓存优化**：集成了 Daniel Lemire 的 `constmap`，使静态缓存能够以内存映射结构加载，从而大幅缩短了加载时间并减小了内存占用。
5. **阈值剪枝**：通过 Lemire 的最终优化，引擎能够在 n-gram 阈值无法满足时提前跳过分数计算。
这些改进综合起来，使提示词查找草稿生成速度提升了最高 **140 倍**，并显著降低了内存消耗，从而使标记（token）生成变得更快、更高效。
本网站正在使用安全服务来抵御网络攻击。您刚才的操作触发了安全防御机制。触发此拦截的原因可能有多种，包括提交了特定的词汇或短语、SQL 命令或格式错误的数据。
考古学家在土耳其赫梯古都哈图沙发现了一块距今 3400 年的《卡迭石和约》残片。该条约由埃及法老拉美西斯二世与赫梯国王哈图西里三世于公元前 1269 年左右签署，被公认为世界上已知最古老的和平条约，结束了两个帝国之间长期的战争。 新出土的楔形文字残片详细记载了关于难民待遇的特定条款。文中明确禁止在将逃亡者遣返回原籍时对其进行肢体残害或破坏其家庭，反映了早期对人类尊严的关注。 该协议常被称为“永恒条约”，确立了军事缓和关系，承诺埃及与赫梯帝国之间相互援助并保持持久的兄弟情谊。由于其历史意义重大，联合国总部目前展示着该条约的铜制复制品，象征着与现代国际外交相契合的价值观。该遗址的持续发掘工作有望在未来揭示这部古代外交杰作的更多部分。
```余烬-1``` Ember-1
17 天前
Fireworks Research 推出了 **Ember-1**。该专用模型基于 Kimi K3 构建，旨在以减少 35%–50% 的 Token 消耗的情况下，提供相同的性能。
Kimi K3 等重推理模型通常会将多达 90% 的计算资源用于冗余或过度的“内部思考”，这显著增加了成本，尤其是在多轮智能体任务中。通过采用新的训练算法来优化模型的反思、规划和执行方式，Fireworks 成功缩短了这些推理轨迹，且未牺牲准确性。
Ember-1 已通过广泛的内部测试、实时客户 A/B 测试以及“专业智能指数”（Specialized Intelligence Index）等基准测试的验证。在生产编码工作负载中，它在保持高成功率的同时大幅降低了 Token 消耗。该模型现已作为研究预览版在 Fireworks 的 Serverless 平台上提供。展望未来，Fireworks 计划扩展“Ember”系列并提供定制化训练支持，允许企业根据特定的数据集和任务开发高效的专用模型。此次发布标志着在为经济高效的实际部署优化 AI 方面迈出了重要一步。
最近的 Hacker News 讨论聚焦于 Fireworks.ai 发布的 **Ember-1** 模型。该模型旨在通过减少大型推理模型中“过度思考”的问题，来优化 AI 性能的“帕累托前沿”。
核心要点如下：
* **“思考”问题：** 用户和开发者指出，当前的尖端模型（如 Kimi K3 或各种 “Sol” 和 “Opus” 版本）正变得越来越冗长，并容易陷入“分析瘫痪”，在不必要的思维链处理上消耗了过多的 token。
* **专业化模型：** 人们对将大型复杂模型蒸馏为更小、针对特定任务的模型（例如本地 bash 指令转换）表现出浓厚兴趣，以期提高延迟表现并降低基础设施成本。
* **Fireworks 的争议：** 尽管一些用户称赞 Ember-1 的性能提升，但另一些人对该公司转向私有、“权重不开放”模型的做法表示担忧。批评者认为，这违背了 Fireworks 此前所支持的开源生态精神。
* **市场质疑：** 评论者们正在争论“帕累托前沿”营销的效用，质疑这些通常基于小众基准测试得出的性能指标，是否能转化为实际的编程或研究工作流，还是仅仅作为云端推理提供商的一种营销策略。
在 Go 语言中，导入路径通常会反映代码仓库的托管平台（例如 `github.com/user/repo`）。这种做法虽然方便，但会导致“厂商锁定”，使你的代码库与特定平台绑定。一旦需要将仓库迁移到其他平台，你就必须进行大规模且昂贵的重构，以更新项目中所有的导入路径。 Iain Cambridge 认为，企业应通过使用自定义域名（例如 `go.example.com/package`）作为代码的命名空间来规避这一问题。通过托管一个简单的重定向页面，你可以实现导入路径与底层 Git 托管平台的解耦。如果你将代码从 GitHub 迁移到 GitLab，只需更新域名的重定向配置即可；你的内部导入语句无需更改，从而避免了重构工作。 使用自定义域名是商业开发团队的最佳实践。它提供了长期的灵活性，避免了不必要的技术债，也无需为了规避迁移麻烦而管理多个分散的托管平台。
关于 新闻 版权 联系我们 创作者 广告 开发者 条款 隐私 政策与安全 YouTube 工作原理 测试新功能 © 2026 Google LLC
我们正在验证您的浏览器 网站所有者？点击此处修复 Vercel 安全检查点 | sin1::1790530518-tRY4iHddUkcOCCjIlJQ8gDMbvhGgtyFl 请启用 JavaScript 以继续 Vercel 安全检查点 | sin1::1790530518-tRY4iHddUkcOCCjIlJQ8gDMbvhGgtyFl
抱歉，您提供的输入中并没有包含任何需要翻译的内容。请提供您想要翻译的文本。