Magic 正通过优先考虑“算法效率”而非海量原始算力，来推进前沿 AI 的发展。通过优化预训练方案，他们以不到以往 1/50 的算力消耗，实现了超越主流开源基座模型（如 DeepSeek V4 Pro）的性能表现。他们的研究表明，小型、高度优化的团队可以通过严谨的缩放定律、稳定的架构以及精细的数据整理，缩小与大型实验室竞争对手的差距。 其进展的核心要点包括： * **效率提升：** 其最新模型（V5）的计算效率比最初的 V2 基线高出约 500 倍，使其能以极低的成本达到前沿水平的性能。 * **方法论：** 该团队不仅依赖规模扩展，还利用来自 167 个领域的数据反馈，并对多种模型规模进行评估，以确保优化方案在万亿参数规模下依然有效。 * **未来重点：** 在具备成熟的预训练和长上下文能力后，Magic 正将重心转向“长程代理强化学习（RL）”，旨在构建自主编程和 AI 研发代理。 Magic 旨在证明，卓越的个人判断和严谨的研究方法可以克服目前由大型行业巨头所主导的巨大硬件优势。
每日HackerNews RSS
PlanetScale 推出了全新的 PostgreSQL 扩展平台 **Neki**，目前已开放预览。Neki 旨在解决单实例 Postgres 的局限性，通过处理真空清理（vacuuming）、连接限制和维护窗口等常见的扩展瓶颈，且无需进行应用层分片，同时保持了与 Postgres 的完全兼容。 得益于该公司在管理大规模 MySQL 集群方面的八年经验，Neki 在每个分片上都运行真实的 PostgreSQL。其架构包含四个主要组件： * **路由器（Routers）：** 处理分布式查询规划与路由。 * **分片组（Shard Groups）：** 支持将工作负载扩展至多个真实的 Postgres 实例。 * **连接池（Connection Pooling）：** 通过 Sidecar 优化以提升性能。 * **控制平面（Control Plane）：** 管理模式变更、重新分片和升级的自动化工作流，确保零停机。 Neki 集成了分支（branching）和模式洞察（schema insights）等 PlanetScale 的常用功能。用户起初可将其作为单主实例使用，随后根据需求进行横向扩展。尽管 Neki 目前处于预览阶段，不建议用于生产环境，但用户可通过 PlanetScale 控制面板申请试用，以探索其架构与功能。
PlanetScale 最近发布了 **Neki**，这是一款专为处理大规模数据库负载而设计的分片 PostgreSQL 解决方案。
这一公告在 Hacker News 上引发了热烈讨论，主要集中在以下三个方面：
* **沟通缺失：** 许多用户批评最初的发布博文未能清晰解释 Neki 的本质。社区对关键细节被掩盖或缺失表示不满，尽管 PlanetScale 在收到反馈后更新了博文。
* **开源担忧：** Neki 目前是专有软件，这令那些期望它是开源工具的用户感到失望，尤其是考虑到 PlanetScale 在开源 Vitess 项目上的历史背景。公司领导层则为闭源模式辩护，称这是对抗 AWS 等大型云服务商的竞争必要手段。
* **技术审查：** 技术讨论主要集中在一致性保证、跨分片操作的查询处理，以及 Neki 与 Citus 和 Multigres 等现有工具的对比。
此外，讨论中还出现了关于 PlanetScale 首席执行官 Sam Lambert 沟通风格的争议。他对比特竞争对手的激进态度引发了截然不同的反应：一些人认为这是不专业的“兄弟会”式行为，而另一些人则欣赏他的透明度和好战风格。
本网站正在使用安全服务来保护自身免受网络攻击。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。
Windows XP 使用什么算法来选择你的初始用户头像？ What algorithm did Windows XP use to choose your initial user picture?
41 天前
Windows XP 使用单遍蓄水池采样算法来选择默认用户账户头像，该算法通过 `RtlRandomEx` 函数并由 `GetTickCount()` 提供种子。 与传统的两遍采样方法相比，这种方法具有两大优势。首先，它通过减少文件系统调用（这是性能瓶颈所在）提高了效率。其次，即使在执行过程中文件目录发生变化，它依然能保持稳定性。 该算法通过遍历文件实现，其中第 $n$ 个项目被选为“获胜者”的概率为 $1/n$。这确保了在单遍遍历中实现数学上合理的随机选择。为了防止包含大量文件的目录出现性能问题或“病态行为”，代码中设置了一个安全限制，将采样过程限制在最多 100 张图像。
这篇 Hacker News 讨论聚焦于微软开发者 Raymond Chen 发布的一篇文章，内容涉及 Windows XP 分配随机用户头像所使用的算法。
主要结论是：Windows XP 使用了**蓄水池抽样（reservoir sampling）**算法——这是一种允许程序在单次遍历中从未知大小的数据流中随机选择一项的技术。在当时，这被认为是“优雅的”，因为它避免了多次文件系统遍历带来的性能损耗，这在 21 世纪初缓慢的机械硬盘上尤为重要。
评论区围绕软件工程中的权衡展开了热烈讨论：
* **性能与复杂性：** 许多用户认为这种复杂性并无必要，而另一些人则指出，在硬件资源受限的年代，微小而高效的决策至关重要。
* **“旧”与“新” Windows：** 讨论引发了怀旧情绪，用户将 Windows XP 的用户界面与其前代（2000, 95）及后继版本（Vista, 7）进行了对比，并经常争论 Windows 设计的“巅峰”时期。
* **代码质量：** 对话突显了技术权衡的演变，指出现代开发往往为了提升开发效率而牺牲性能，这与 Windows XP 时代那种受限且高度优化的环境形成了鲜明对比。
日立全球生活解决方案公司将于2026年11月在日本推出全新的“Y系列”EcoCute二氧化碳热泵热水器。该系列提供370升和460升两种容量，适用于三至六口之家，属于现有平台基础上的升级，而非彻底的重新设计。 此次升级的核心在于增强了能源管理功能。Y系列增强了对日本电价政策的兼容性，旨在鼓励用户在白天加热，特别是对于配备太阳能光伏（PV）系统的家庭。用户可通过设备的遥控器轻松选择此类电价模式。虽然这些机型保留了原有的家庭能源管理系统（HEMS）连接功能和Echonet Lite兼容性，但重点在于根据电网需求的变化和太阳能发电量的增加来优化能源使用。 为了提升可靠性，日立提供为期五年的综合制造商保修，涵盖热泵、储水箱及集成通信组件。目前尚未披露完整的能效规格。
要使用 Mastodon 网页应用，请启用 JavaScript。或者，也可以尝试适用于您平台的 Mastodon 原生应用程序。
Hacker News 社区目前正在讨论研究人员是否应当信任 OpenAI 及其他 AI 实验室，将未发表的数学研究成果托付给它们。讨论的焦点在于各界对这些 AI 公司的指控：认为它们利用用户的私人对话数据“暴力破解”数学难题，从而抢先发布成果，实际上窃取了正处于突破边缘的研究人员的知识产权。
此次争议的关键点包括：
* **抄袭指控：** 批评者认为，这些 AI 公司就像是“抄袭机器”，它们通过研究人员与模型的对话吸收了大量专业且未发表的见解，随后利用庞大的算力完成证明，最终将功劳据为己有。
* **“退出机制”的争论：** 虽然 OpenAI 提供了退出数据训练的选项，但许多人认为这些控制措施并不充分，往往带有“黑暗模式”的嫌疑，或者在系统更新后容易被重置。一些人指出，即便用户选择了退出，反馈机制（如点赞或点踩）仍可能允许数据被采集。
* **学术价值观与企业价值观的冲突：** 在“将 AI 视为中立的进步工具”的人群与“认为 AI 是剥削系统”的人群之间存在巨大分歧。后者认为，AI 剥夺了研究人员赖以生存的荣誉与职业晋升机会，从而威胁到了学术界的发展进程。
Cognition 团队推出了迄今为止最先进的代码模型 **SWE-2**。该模型基于 Kimi K3 架构构建，在 FrontierCode 1.1 主基准测试中达到了 50% 的得分率。与前代产品 SWE-1.7 相比，SWE-2 性能显著提升且成本大幅降低——在实现更高得分的同时，步骤减少了 58%，平均成本降低了 81%。 该模型的性能提升得益于一种全新的强化学习（RL）训练方法，该方法能在单次运行中优化整体的成本-性能帕累托前沿（Pareto frontier）。主要技术进步包括： * **帕累托感知强化学习（Pareto-informed RL）：** 一种基于原则的成本惩罚方法，通过调整推理努力程度以匹配效率前沿，使模型能够对代码库的探索做出更明智的判断。 * **训练稳定性：** 引入了一种新的长度加权奖励基准，降低了梯度方差并稳定了训练过程。 * **系统效率：** 集成了在线草稿模型训练和量化感知推理，即使在模型规模达到 2.8 万亿参数的情况下，也能保持高吞吐量。 SWE-2 展示了更强的资源利用能力、更出色的测试编写能力以及更严格的验证准则。现可通过 Devin Desktop、CLI、Web 和 Fusion 使用该模型。
对不起。
微软已将 Rust 确立为“一级”语言，使其与 C++ 并列，成为其内部开发的战略支柱。为了加深这种整合，微软推出了 `rustc_codegen_utc`，这是一个新的代码生成后端，允许 Rust 编译器使用原生的 MSVC 后端。 通过使 Rust 与 C++ 使用相同的编译器后端，微软实现了一个统一的工程基础。这消除了对并行 Windows 特定实现的需求，并确保 Rust 能够充分受益于现有的 Windows 工具，包括先进的安全功能、诊断、二进制强化和性能优化。 这种共享后端对于混合 Rust/C++ 项目至关重要，它实现了无缝互操作性，并确保两种语言能够同时利用持续的平台创新。`rustc_codegen_utc` 已经投入生产使用，并在超过 100 个内部代码库中得到应用，它代表了微软在长期、安全且高效的 Windows 原生软件开发方面的重大投入。它巩固了 Rust 在微软成熟工程生态系统中的地位，为构建现代高性能系统提供了稳定的路径。
微软近日将 Rust 提升为内部开发的一等（Tier-1）语言，使其与 C++、C# 和 TypeScript 并列。这一地位意味着 Rust 现已成为完全受支持的语言，具备了微软内部生产软件所需的工具链、工作流和平台集成能力。
此次采纳的一个关键技术亮点是 `rustc_codegen_utc` 的开发，这是一个专有后端，允许 Rust 编译器直接针对微软的 MSVC 后端进行编译，从而绕过 LLVM，更好地与 Windows 特定的构建系统和 ABI 要求集成。
这一公告在开发者中引发了广泛讨论：
* **内存安全：** 支持者认为，采用 Rust 是解决内存安全漏洞的关键一步，因为这类漏洞占了微软软件安全问题的大多数。
* **集成挑战：** 持怀疑态度的业内资深人士指出，将庞大的遗留 C++ 代码库迁移到 Rust 难度极大。他们强调，两种语言之间“无缝”互操作性仍然是一个重大障碍。
* **“氛围编程”（Vibe Coding）：** 一些开发者表示担忧，认为如果开发者过度依赖自动化工具，而不是理解语言的核心安全和性能原则，LLM 辅助编程（“氛围编程”）的兴起可能会导致出现臃肿、低效的 Rust 代码。
Shopify 正在将其移动应用程序从 React Native 转回原生 Swift 和 Kotlin。尽管该公司在 2020 年转向 React Native 取得了巨大成功，但高级 AI 编程代理的出现，从根本上改变了跨平台开发的成本效益分析。
此前，React Native 对于保持功能一致性以及让开发者实现全栈开发至关重要。然而，Shopify 发现 AI 代理现在可以高效地处理跨两个平台的功能转换、测试和实现。通过利用名为“Helix”的内部系统，将任务分解为可验证的小型检查点，Shopify 现在能比以往快得多地用原生代码重建其应用程序。
为了实现这一目标，Shopify 正在将业务逻辑与 UI 解耦，以便通过命令行界面（CLI）进行无头、高速的测试，从而绕过缓慢的模拟器交互限制。
在 React Native 生态方面，Shopify 正在进行有序的退出：在找到新的接管者之前，它将继续支持 *FlashList*；到 2026 年将归档 *Restyle*；并将 *React Native Skia* 移交给独立维护。这一转变标志着其向原生开发的战略重心转移，利用 AI 获取原生应用的高性能，同时避免了以往手动重复工作的负担。
Shopify 正在将其移动端应用从 React Native 迁移回原生的 Swift 和 Kotlin。Shopify 工程团队将这一决定归因于近期人工智能驱动开发的激增，这显著降低了维护多套代码库的成本。
从历史来看，Shopify 曾因开发速度快、跨平台代码复用以及迭代能力强而青睐 React Native。然而，团队目前认为，在强大的自动化测试和无头业务逻辑（headless business logic）的支持下，编程智能体（coding agents）已经使原生开发的负担变得可控。通过将业务逻辑与用户界面解耦，他们能够比以往更高效地利用智能体来维持各平台间的功能对等。
此举旨在提升性能、获得对平台特定 API 的更好访问权限，并减少对框架层的依赖。尽管一些批评者认为，即便有 AI 辅助，维护两套代码库也会带来不必要的复杂性、同步错误和组织负担，但 Shopify 坚持认为，对于其规模的公司而言，原生开发是更优的路径。
Hacker News 上的相关讨论反映了一个更广泛的辩论：AI 是否正在让“一次编写，到处运行”的框架变得过时？还是说，这仅仅是像 Shopify 这样资金雄厚的大型企业才负担得起的“奢侈”决定？
请启用 JavaScript 和 Cookie 以继续。
这段来自 Hacker News 的讨论捕捉到了人们对现代互联网日益增长的幻灭感。许多用户对 90 年代末怀念不已，那时互联网被视为真诚社区、小众探索和人与人之间建立连接的港湾。
相比之下，参与者将现代网络描述为一个“无聊的”、掠夺性的、由算法驱动的空间，其设计目的仅在于收割注意力并将用户行为货币化。讨论重点指出了几个主要的失望之处：
* **“算法”问题：** 用户认为社交媒体不再是为了连接，而是充斥着诱导互动、挑起愤怒的内容和负面的回声壁。
* **商业侵蚀：** 从开放、去中心化的爱好者空间（如早期的论坛）向中心化、以盈利为核心的平台转变，降低了用户体验。
* **强制数字化：** 人们对办理银行业务或市政服务等基本现实生活任务被强制要求使用应用程序和在线账户的趋势感到不满，这往往被视为个人自主权的丧失。
尽管人们争论互联网本身是否已支离破碎，还是仅仅指代商业化的“网络”，但共识是：人们渴望回归规模更小、更自主的社区，并寻求一种更主动、不那么令人上瘾的科技交互方式。