最新

各位 HN 用户： 我一直在开发 ThorVG，一个开源矢量图形引擎。它最初是一个轻量级的 SVG 渲染器，现已逐渐发展成为一个支持 SVG、Lottie 和现代 GPU 后端的多功能渲染引擎。 此演示展示了最新的 ThorVG 1.1，它完全在浏览器中运行。 您可以在此处进行尝试： https://thorvg-janitor.vercel.app ThorVG v1.1： https://www.thorvg.org/post/thorvg-v1-1-rising-the-standard

您好，我想了解一下，科技行业是否需要确定性的机器学习训练，还是可以接受非确定性？ 也就是说，我知道在大型语言模型（LLMs）的情况下，训练过程中微小的浮点数差异通常是可以容忍的，因为模型最终会收敛到相似的质量，无论这些差异如何。但在更具体的领域，例如医疗器械认证、自动驾驶汽车安全验证或金融模型审计，我觉得在相同的硬件上，两次训练运行是否能产生位相同的模型至关重要，更不用说在异构硬件上。我读到过在某些情况下，例如高频交易（HFT）或量化交易，人们会使用整数来确保确定性的操作，不知道在这里是否也是同样的情况？

一个100%在设备端运行的Chrome扩展，用于屏幕录制和标签区域截图。<p>https:&#x2F;&#x2F;cstweave.com

各位 HackerNews 的朋友们： 在过去几周里，我构建了这个项目，作为一次失败的游戏发布后的调剂。 我想学习一些关于人工智能/神经网络的知识，并且天真地认为我可以在周末用一个解决率 100% 的小型迷宫求解 AI。 好吧，我没能做到，但我非常接近了。模型总大小只有 14 字节，在未见过的新迷宫上的解决率为 96.5%。我进行了 46 个阶段的训练，尝试了各种改进模型的想法（更好的性能、更小的尺寸）。 看着模型尝试解决迷宫是很有趣的，它们失败通常是因为陷入了循环。模型无法访问坐标、地图数据或外部内存，它们只能依靠即时的局部邻域观察进行导航。 有一个模型下拉菜单，你可以看到模型在每个阶段的进展，模型不断变小，解决率不断提高。总共训练了数千个模型，我只展示了每个阶段的获胜模型。 总的来说，这是一次有趣的实验，我得到了 AI 代理在代码搭建和实现方面的很多帮助（我是一个懒惰的软件开发者）。