为了优化内核模式驱动程序的测试与模糊测试（fuzzing），本指南提出使用“Windows 预安装环境（WinPE）”来替代沉重且不可预测的 Windows 运行环境。通过剔除不必要的用户模式服务、图形化外壳程序及遥测功能，WinPE 提供了一个极简、驻留于内存且具有幂等性的测试平台。 核心架构策略包括： * **启动优化：** 使用 `bcdedit` 跳过恢复菜单，并禁用基于虚拟化的安全（VBS/HVCI），以允许加载未签名的内核代码。 * **QEMU 配置：** 采用 `pc` (i440FX) 芯片组以获得稳定的 PCI 拓扑，并避免使用会破坏 KDNET 调试稳定性的 Hyper-V 优化项。 * **KDNET 调试：** 通过 `busparams` 绕过 NDIS 协议栈，实现直接的硬件级内核调试。 * **执行流程：** 通过 `winpeshl.ini` 将默认外壳程序替换为自定义测试代理。由于 WinPE 在外壳程序终止时会自动重启，这种机制非常适合构建自动化的瞬态 CI/CD 流水线。 * **回退通信：** 在网络协议栈故障时，通过 COM 端口使用紧急管理服务（EMS）以维持系统控制。 这种方法将测试环境转化为一个可预测、极速且可重现的系统，显著缩短了底层开发中的反馈循环。
每日HackerNews RSS
抱歉。
英伟达推出了一项新的收入分成计划，旨在帮助快速成长的人工智能初创公司获得关键的计算能力。根据该计划，初创公司可以获得英伟达基础设施的代币抵扣额度，作为交换，这些公司需将其未来产品和云服务收入的一部分分给这家芯片制造商。通过充当中介，英伟达直接提供了对高需求 GPU 资源的使用权，而这些资源已成为人工智能领域稀缺且昂贵的商品。 该计划的首批合作伙伴包括 Sharon AI 和 Firmus Technologies，两家公司目前都在建设由数万枚英伟达 GPU 驱动的大型数据中心。这一转变凸显了行业内的一个广泛趋势：资金紧张的 AI 公司正越来越多地通过出让股权或未来收入来换取必要的硬件。此举正值英伟达持续巩固其市场地位之际，该公司近期宣布计划筹集至少 200 亿美元的债务，以支持其企业运营和持续扩张。
抱歉。
请启用 JavaScript 并关闭所有广告拦截器
抱歉。
市政垃圾收集日历通常是涵盖整个区域的繁杂文档，既难以阅读，又往往与个别家庭无关。为了解决这个问题，作者每年都会制作一份个性化且适合张贴在冰箱上的日历。
作者利用 Python 的 `calendar` 模块构建了一个自定义的 `HTMLCalendar` 类，为每个日期分配了唯一标识符（ID）。这使得他们能够生成简洁的月度网格，并可以通过 CSS 进行样式设计。通过手动将自己住址的特定收集日期添加到样式表中，他们能够用鲜明的颜色和粗体文字高亮显示垃圾回收日。
最终生成的单页 HTML 文档易于打印，可以一目了然地查看垃圾收集安排。这项只需五分钟的简单工作，不仅节省了全年的时间，还有助于作者高效管理垃圾处理。
为获得最佳浏览体验，建议使用笔记本电脑或台式机查看这些地图。这些航拍照片记录了多伦多从 1947 年到 1992 年间的景观变迁。通过飞机拍摄的影像展示了河流、森林、公园、建筑物、道路以及城市环境中的其他地貌特征。航拍照片均可在线免费浏览。如需航拍照片副本，请单独购买图版。修改日期：2025 年 6 月 10 日
欧洲法院（ECJ）维持了对谷歌41亿欧元（约合46.7亿美元）的反垄断罚款，确认了欧盟委员会2018年的裁决。该处罚源于谷歌被指控滥用其在移动市场的支配地位，强迫智能手机制造商预装其自家的应用程序（如谷歌搜索和应用商店），从而获得不公平的竞争优势。 尽管一家下级法院此前曾将最初的43.4亿欧元罚款额略微下调，但欧洲法院驳回了谷歌的最终上诉。谷歌坚称其安卓操作系统促进了创新和用户选择，并认为该判决忽视了维持该平台免费及可互操作性所需的大量投资。 这一裁决标志着欧盟委员会针对这家科技巨头长达十年的反垄断行动取得了重要里程碑。虽然谷歌声称已调整其业务以符合规定，但欧洲监管机构仍通过《数字市场法案》等框架继续瞄准大型科技公司。该决定引起了美国官员的批评，他们认为欧洲激进的监管和高额罚款可能会阻碍美国企业参与全球人工智能经济。
抱歉。
回顾数十年的计算生涯，作者分享了一份精心整理的键盘清单，这些键盘塑造了其职业生涯并带来了舒适的使用体验。
这段旅程始于经典的 **IBM Model M**，它因其类打字机的触感而备受推崇。作者后来发现了 **Model M SSK（节省空间键盘）**，它通过移除数字小键盘改善了人体工学。清单中还包含了一款独特的 **NMB RT-9100W ConcertMaster**，这是约翰·卡马克（John Carmack）在开发《雷神之锤》（Quake）和《毁灭战士3》（Doom 3）期间使用的经典键盘；尽管其薄膜按键较为罕见，但其内置音频系统的表现至今无人能及。
为了应对重复性劳损（RSI）和手腕不适，作者转向了人体工学分体式键盘。虽然 **Ergodox EZ** 服务了作者十年之久，但由于其在极端倾斜时的稳定性问题，作者最终选择了 **ZSA Moonlander**。配合专用的底座配件，Moonlander 将人体工学定制化与稳固的稳定性完美结合。对作者而言，Moonlander 是终极且无可替代的键盘体验。
这篇 Hacker News 帖子围绕键盘偏好展开了热烈讨论，主要分为两个主题：“ConcertMaster”键盘（因与约翰·卡马克（John Carmack）的关联及其独特的扬声器集成而闻名），以及关于人体工学键盘与传统键盘的广泛争论。
参与者分享了使用 ErgoDox EZ、Moonlander 和 Glove80 等热门人体工学键盘的不同体验。许多用户认为这些分体式和行列式（ortholinear）键盘缓解了长期的手腕和背部疼痛；但也有人提醒，这类键盘的学习曲线陡峭，如果不能根据个人手型进行正确配置，反而可能导致过度使用损伤。
辩论的很大一部分集中在非标准布局的取舍上，例如缺乏独立的功能键，以及重塑肌肉记忆对生产力造成的损耗。相反，许多贡献者力挺罗技（Logitech）、Topre 和 IBM（Model M）等厂商生产的“无聊但高质量”的键盘，认为怀旧情怀和可靠性往往胜过复杂且定制的人体工学设置。最终，大家的共识是：人体工学是非常私人的体验；“最好”的键盘就是能为使用者个人提供最大舒适度和最高效率的那一款。
这份摘要提炼了作者对数学、人工智能的影响以及人类直觉本质的探讨。
数学的根本在于清晰与理解，而非仅仅是定理的机械推导。作者指出了“官方数学”（形式化、二元且公理化的）与“秘密数学”（构建框架时人类直觉与认知的过程）之间的张力。从历史上看，数学界的“荣誉准则”优先考虑定理证明，这曾是衡量概念创新的可靠且唯贤的代名词。
然而，人工智能的兴起威胁到了这一范式。人工智能能够利用“悬而未决的问题”（现有数学文献中潜藏的联系），以人类无法企及的速度和规模解决问题。尽管人工智能擅长技术性解题，但它缺乏人类在“经典化”和概念构建方面的感悟能力。其风险在于，人工智能可能产出“数学垃圾”——即正确但难以理解的证明，而公众可能会因此误以为数学只是一场“已被解决”的博弈游戏。
为了在这一革命中生存，数学界必须抛弃其疏离的荣誉准则。数学家必须强调，工作的真正价值在于拓展人类的认知能力，而非追求定理的生产指标。数学仍是人类理解世界不可或缺且永无止境的工具，其存续取决于能否确立其在人类进化中的作用，而非沦为无意识的自动化产物。
本次讨论探讨了一个具有挑衅性的观点：数学正经历从以人类为中心的发现学科，向一种名为“真理挖掘”的机械化过程转变。
**主要论点：**
* **人工智能的威胁：** 随着形式化和证明辅助工具（如 Lean）的进步，定理的产生可能会实现自动化。批评者担心，虽然人工智能能够生成证明，但它缺乏创造直观的“思维软件”或概念框架的能力，而这些正是人类理解和推理复杂系统所必需的。
* **“定理经济”与“理解”的博弈：** 与会者认为，“证明定理”已成为一种被过度强调的“便捷虚构”。从历史上看，数学的真正价值在于其培养人类洞察力、抽象能力和审美愉悦的能力。如果该领域完全转向人类无法直观理解的自动化、机器可验证的证明，它将面临变成一种脱节且“无用”练习的风险，类似于下棋。
* **人机互补：** 一些人认为，人类可以通过专注于可视化、教学法，以及架起抽象模型与现实世界应用之间的桥梁来保持优势。人工智能并非数学的“终结”，它或许能作为一种强大的工具来处理繁琐的证明生成，从而使数学家能够专注于更高级的概念创新和系统设计。
受 Sigge Winther Nielsen 所著《创业型国家》（*The Entrepreneurial State*）启发，作者探讨了大型政治与私营部门项目反复失败的问题。这些失败常被归咎于高度的不确定性，但作者认为，通过严谨且迭代式的执行，可以降低“决策风险”。 与其投入大规模的预设项目，组织应将工作拆解为尽可能小的可学习单元。通过行动与学习的交替，团队能根据现实反馈调整路径。至关重要的是，领导者应设定预期的成果，而非具体的产出。当掌握权力者在缺乏专业领域知识的情况下强行指定解决方案时，会扼杀团队向实际结果“攀登”的能力。 作者认为，政治改革的系统性失败并非不可避免，而是一个亟待解决的“元问题”。通过将系统思维应用于政治进程，我们完全有机会摆脱僵化、高风险的规划，转向一种更敏捷、更有效的社会挑战解决方案。作者保持乐观，认为只要找出这些制度性失败的根本原因，我们就能使政治决策的制定与实施实现现代化。
对不起。
非对称量化：实现 97% 存储压缩的近无损检索 Asymmetric Quantization: Near-Lossless Retrieval with 97% Storage Reduction
22 天前
像 Wholembed v3 这类后期交互模型通过保留细粒度的文档信息，显著提高了检索精度，但由于每个文档会生成数百个向量，导致其存储成本高昂。 为了使该技术在十亿级文档规模下具备实用性，Mixedbread Search 团队在其“Silo”引擎中实现了**非对称量化**。通过保持查询向量的高精度（int8），并将文档向量存储为 1 位二进制符号，该系统实现了每个文档 32 倍的存储缩减，从 393 KiB 降至 12.28 KiB。 这种方法在极小程度降低 NDCG@10（从 90.26 降至 89.65）的同时保留了排名质量，并显著提升了性能。由于文档向量是持久的而查询是短暂的，这种权衡优化了系统的主要成本驱动因素：存储、IO 和缓存空间。此外，二进制文档格式允许使用优化的评分内核，以简单的选择与求和操作取代复杂的乘法运算。最终，该方法在利用高质量多向量表示的同时，保持了大规模生产搜索系统所需的高效率和低成本。
mixedbread 发表的文章《非对称量化：实现 97% 存储压缩的近乎无损检索》探讨了一种大幅缩减检索任务中文档向量嵌入存储空间的方法。通过将 Int8 查询与二进制文档向量配对，作者在实现 32 倍（97%）存储压缩的同时，仅导致了极小的检索质量下降（NDCG@10 得分从 90.26 降至 89.65）。
这篇文章在 Hacker News 上引发了关于“近乎无损”这一术语的激烈争论。批评者认为，在信息论中，“无损”是一个客观的二元状态，将有损过程称为“近乎无损”具有误导性。相反，支持者则认为，该术语恰当地描述了在巨大的存储节省与微不足道的性能损失之间所取得的实际权衡。
讨论还涉及了技术实现层面，指出该方法与 BitNet 等策略的相似性，并强调了使用 NDCG@10 等指标来证明质量损失确实极小的重要性。除了技术辩论外，用户还对文章由人工撰写表示赞赏，并将其与当前泛滥的 AI 生成内容进行了对比。