403 禁止访问
403 禁止访问
彭博社 需要帮助?请联系我们 我们检测到您的计算机网络存在异常活动 要继续,请点击下面的框来确认您不是机器人。 为什么会发生这种情况? 请确保您的浏览器支持 JavaScript 和 cookies,并且没有阻止它们加载。 更多信息请查看我们的服务条款 和 Cookie 政策。 需要帮助? 关于此消息的咨询,请联系 我们的支持团队并提供以下参考ID。 阻止参考ID:4c9bd889-a386-11f0-8566-80f80f529a44 通过彭博社订阅,随时掌握最重要的全球市场新闻。 立即订阅
点击图片,将使用CloudTk启动Tcl/Tk应用程序的交互式演示。 此wiki列出了超过100个Tcl/Tk应用程序,可在其中演示。 要查看Tcl/Tk Widget演示,请从上面的菜单中转到“Playground”,然后在“Tcl-Playground” - Console菜单中选择“Demos”。 缩略图库。
## 人工智能研究:一点来自(编码)朋友的帮助 这个实验探索了在有限资源下,人工智能研究能达到什么程度——具体来说,就是在笔记本电脑上五分钟训练一个模型。作者最初尝试独立完成,获得了一个能够生成简单故事的180万参数Transformer。然而,真正的突破来自于利用OpenAI的GPT-5-codex,本质上是使用人工智能来*做*人工智能研究。 Codex自主生成想法,运行实验,并迭代训练脚本,显著优于作者的个人努力。这个过程涉及一个反馈循环:Codex会修改脚本,运行测试,并提出改进建议,作者选择下一步。 最初使用n-gram模型的尝试速度很快,但缺乏连贯性。Transformer显示出潜力,但仅为困惑度优化会导致重复、无意义的输出。最成功的方法是“提炼”——预训练一个Transformer来模仿快速训练的n-gram模型的语法,然后在TinyStories数据集上对其进行改进。这产生了令人惊讶的连贯且引人入胜的故事。 作者将这种协作方法称为“氛围研究”,承认它并不等同于专业的人工智能研究,但提供了一种令人惊讶的易于访问和有效的方式来探索该领域。
## BEAM JIT 在 ARM32 上的首次里程碑
在 Erlang 生态系统基金会的支持下,BEAM JIT 编译器移植到 ARM32 架构的项目已取得重要里程碑:成功通过 JIT 编译的 ARM32 机器码执行 Erlang 函数。团队使用 QEMU 模拟 ARM32 环境,并运行了一个修改后的 BEAM VM,其中包含一个简单的 `hello.erl` 模块,设计为以退出代码 42 停止。
最初的成功包括初始化 JIT 编译器(利用 AsmJit),发出共享代码片段,以及编译 `erts_beamasm` 模块——这对于进程执行至关重要。团队专注于到达 `halt` 内置函数所需的最小代码路径,并承认许多指令尚未实现(在汇编中标记为“NYI”)。
重要的是,程序以预期的退出代码 42 终止,确认 JIT 编译器已成功生成并执行了 Erlang 代码的 ARM32 指令。团队发现值 42 在 ARM32 寄存器中表示为一个带标签的整数,这展示了 BEAM 的内部数据表示。下一步是扩展 JIT 实现以支持更广泛的 Erlang 指令,从而实现增量开发和测试。所有代码都可在 [GitHub](https://github.com/stritzinger/otp/tree/arm32-jit) 上获取。
## 磁盘性能调查 该项目旨在识别macOS上Apple的APFS文件系统潜在的性能问题,同时也作为系统工具(如安全软件,EDR,病毒扫描器)的强大压力测试。核心方法是测量`git clean`和`pnpm install`操作在不同硬件和软件配置下所花费的时间。 鼓励参与者在他们的macOS(和其他操作系统)上运行这些测试,并记录CPU、RAM、操作系统版本、文件系统类型、磁盘详情,以及最终的“Clean”和“Install”时间(以秒为单位)。然后通过Pull Request将结果提交到此仓库,以便进行比较和分析。 收集的数据显示出显著的性能差异,尤其是在Apple Silicon上的APFS,并强调了加密、安全软件和Spotlight索引等因素的影响。该项目旨在收集广泛的数据集,以确定潜在的瓶颈,并了解不同的配置如何影响文件系统性能。 **要求:** Node.js >= 22.11 和 pnpm >= 10.2。
高通收购Arduino——加速开发者对领先计算和人工智能的访问。
这似乎是PDF文件的一部分,包含的是二进制数据流,而不是可读的文本内容。因此,无法翻译成有意义的中文。
## AI 来救场:恢复丢失的代码
RevenueCat 的一位工程师在重构代码后意外地降低了他们的 LTV 预测模型,而最初的代码显示了 5% 的改进。尽管他们努力了几天,仍然无法重现最初的积极结果——“秘诀”似乎丢失了。
然而,一个令人惊讶的解决方案出现了。这位工程师意识到他们一直在借助 Gemini 2.5 Pro 的帮助开发这个模型,利用其巨大的 100 万 token 上下文窗口。出于一时兴起,他们要求 LLM 检索原始脚本,LLM 成功地提供了丢失的代码!
这次经历凸显了长上下文 LLM 的一个意想不到的好处:作为一种出乎意料的、非常规的代码备份。虽然不提倡放弃版本控制,但这个故事展示了 AI 在从开发人员失误中恢复并保存有价值的工作方面的潜力。
Provision为建筑行业提供协作文档管理软件。它能整理和提取信息,帮助建筑商节省每个投标过程中的数百小时,从而提高盈利能力,而无需手动阅读数千页的文件和修订版。