最新

如标题所述。您是否也遇到同样的问题？使用用户代理切换器，例如将 Chromium 伪装成 Opera，我能正常获取内容，尽管后来我因疑似 IA（人工智能）而被封锁。

在20世纪50年代，芯片行业打压少数族裔、移民、女性，并扼杀了工会。<p>在20世纪60-70年代，它针对黑人民权组织。<p>在此过程中，白人男性被推入管理层，而业务之外的一切都被分解成更小的任务型工作。这反过来又让公司有了削减薪资的筹. <p>我不在乎 Altman 说 ChatGPT 在黑箱里做了什么。我以我所见来评判世界。现实是，ChatGPT、Claude 等等，其作用和智能程度与团队中最愚蠢、最慢的工程师差不多。<p>另一方面，引入它们使得工作看起来更加“精简”，更像生产线。工作量增加了，薪资却停滞不前。<p>现在公司从人工智能中得不到回报，它们正在削减 AI 支出，但请不要误会。薪资不会恢复。<p>我错过了什么？我哪里错了？<p>很想听听大家的看法。

结构化数据可能是基础模型下一个重要的前沿领域。<p>RelativeDB 是一个开源查询引擎，围绕着斯坦福大学表格与关系（STAR）项目开发的 Relational Transformer 架构构建。这些模型能够适应新的数据库和预测任务，仅需相对少量的标记上下文。<p>在我的一些实验中，结果非常显著。在某些任务上，RelativeDB 仅用少量关系上下文且无需手动特征工程，就能超越 XGBoost。<p>因此，RelativeDB 将关系基础模型转化为可查询的对象（例如这个客户流失查询）：<p>``` PREDICT NOT EXISTS(orders.*) OVER (90 DAYS FOLLOWING) FROM customers ```<p>该引擎会在相关表中查找相关上下文，并返回预测结果。目标是让流失预测、需求预测、欺诈检测和推荐等问题，感觉更像是数据库查询，而不是定制化的机器学习项目。<p>从长远来看，我认为优化器应该能够根据查询（需要多少图状上下文与仅表格特征的比例）在关系基础模型、微调模型以及 XGBoost 等传统方法之间进行选择。以一种合理的方式将机器学习与大型语言模型结合起来。<p>我认为在量化金融和利用新兴的上下文图方面存在市场。<p>该项目尚处于早期阶段，我特别希望获得关于查询语言和执行模型的反馈。<p>RelativeDB：<a href="https:&#x2F;&#x2F;github.com&#x2F;RelativeDB&#x2F;RelQL" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;RelativeDB&#x2F;RelQL</a> Stanford RT-J：<a href="https:&#x2F;&#x2F;star-project.stanford.edu&#x2F;rt-j&#x2F;" rel="nofollow">https:&#x2F;&#x2F;star-project.stanford.edu&#x2F;rt-j&#x2F;</a>

各位 HN 社区的朋友们： 作为一名忙碌的科技从业者，我既要照顾孩子和家庭，最近又被诊断出健康问题，因此我希望能找到一种高效的方式将锻炼融入日常生活。我的研究表明，高强度间歇训练（HIIT）/塔巴塔式训练比专门安排长时间跑步或计划性锻炼更能满足我的需求。 我开发了一个简单的 PWA（渐进式 Web 应用）来帮助我实现这个目标。我觉得它很有用，希望你们也会喜欢。无需注册，但如果您想保存自定义预设和历史记录/进度，可以选择登录。您还可以查看我整理的一些健身指南/博客文章，希望能帮助您更轻松地开始。该应用使用 JavaScript、Vite 和 Firebase 构建。 非常欢迎您通过应用内/电子邮件或在此处评论提出您的反馈。