最新

您好， 我叫 Zsolt。我为实验室和长寿诊所构建临床工具，并将其中一些作为免费的公共工具发布。 “男性激素实验室解读器”的独特功能是，它在 HPG 轴上可视化睾酮的产生和反馈通路，以识别激素失衡的真正根本原因。所有激素的解读都基于最佳范围。这是大型语言模型 (LLM) 仍然难以处理的问题。 公共工具和临床工具之间的唯一区别在于，临床工具会建议诊断和治疗方案。但如果存在任何类型的机能障碍，从图表中可以明显看出，并且区分也很简单。 longevity-tools.com 上的所有工具都是 100% 免费和私密的。没有电子邮件或任何数据收集，没有第三方脚本，没有跟踪脚本。完全隐私。 查看我的其他工具： ## 甲状腺功能解读器 [https://longevity-tools.com/thyroid-function-interpreter](https://longevity-tools.com/thyroid-function-interpreter) 可视化激素，计算敏感度和分泌能力，在 HPT 轴上，使甲状腺功能障碍模式更容易识别。 ## 葡萄糖代谢解读器 [https://longevity-tools.com/glucose-metabolism-interpreter](https://longevity-tools.com/glucose-metabolism-interpreter) 验证空腹和胰岛素状态，然后使用胰岛素依赖性和非胰岛素依赖性标记物对葡萄糖代谢功能障碍进行分类。 ## 肝功能血液检查解读器 [https://longevity-tools.com/liver-function-interpreter](https://longevity-tools.com/liver-function-interpreter) 计算肝脏健康评分，运行鉴别诊断逻辑，帮助识别酶升高的来源组织，并从临床指南中找出相关的后续步骤。 ## 铁状态解读器 [https://longevity-tools.com/iron-status-interpreter](https://longevity-tools.com/iron-status-interpreter) 根据炎症调整铁蛋白，估计真实的铁储存量，对照最佳目标进行解读，并提供基于指南的后续步骤以及个性化的补充计划。 ## 握力解读器 [https://longevity-tools.com/grip-strength-interpreter](https://longevity-tools.com/grip-strength-interpreter) 显示握力百分位数，估计全因死亡风险影响，提出可实现的目标，并预测未来的肌肉无力风险。 ## 人类 Bortz 血液年龄计算器 [https://longevity-tools.com/humanitys-bortz-blood-age](https://longevity-tools.com/humanitys-bortz-blood-age) 基于商业实验室提供的血液检查，最先进的生物年龄计算模型。它基于 30.6 万名英国生物银行参与者进行训练，并且比 Levine PhenoAge 具有更高的预测价值。 ## Levine PhenoAge 生物年龄计算器 [https://longevity-tools.com/levine-pheno-age](https://longevity-tools.com/levine-pheno-age) 一种基于常规血液生物标志物的生物年龄计算器，由 Morgan Levine、Steve Horvath 及其合作者开发。它优先考虑可访问性和低成本的实验室标记物，而不是最大精度。

大家好，我是作者。iesna.eu 是一个基于浏览器的生态系统，用于处理光度学数据：解析标准灯具文件（LDT/EULUMDAT、IES LM-63、Oxytech、ATLA-S001），根据 EN 13201 / ANSI/IES RP-8 / CJJ 45 / IES-IDA MLO 运行设计计算，以及（我最想在这里展示的部分）使用光度学数据驱动实际路灯行为，包括天空辉光贡献，在 Bevy 中渲染真实的城市场景。 天空辉光分析演示将真实 LDT 文件加载到 Bevy 场景（Khronos Bistro 测试资产）中。 灯具的强度分布直接驱动路灯渲染——没有作弊——并且天空辉光等级会随着您调整上射光百分比而实时更新。切换到全截止灯具，天空会从 F（严重）变回 A（优秀）。您可以在建筑物和天空中看到差异。 技术栈：Rust 核心（eulumdat-rs 及其相关库，约 20 个处理光度学格式的 crate），Bevy 用于 3D 渲染，WASM 用于浏览器部署。没有后端；一切都在客户端运行。在现有的光度学库基础上，大约新增了一千行代码来实现 Bevy 集成。 我希望得到以下方面的反馈： * 大气散射模型目前是单散射瑞利+米氏散射。这对于用例来说站得住脚吗，或者我应该转向多重散射？ * Bistro 测试场景在视觉上效果很好，但不是一个受控环境。 * 有人知道更符合实际道路照明评估的公共城市几何资产吗？ * CJJ 45 实现（中国的国家道路照明标准）是我唯一需要从翻译后的 PDF 中逆向工程的。 * 如果有人有关于它的第一手经验，我很乐意进行一个合理性检查。 在 GitHub 上开源（eulumdat-rs 及其相关 crate）。 Crates.io: eulumdat

嗨，HN！ 我开发了 SimplePDF Copilot：一个可以与 PDF 编辑器交互的 AI 助手。它可以填写字段、回答问题、专注于特定字段、添加字段、删除页面等等。 它基于我 7 年前开始的 SimplePDF 构建，SimplePDF 率先实现了注重隐私的客户端 PDF 编辑，现在每月有超过 20 万人使用。 关于隐私模型：PDF 本身永远不会离开浏览器。解析、渲染和字段检测都在客户端运行。 模型需要处理的文本（以及您的消息）会发送到您指定的 LLM。默认情况下，这是我们的演示代理（DeepSeek V4 Flash，速率限制），但您可以使用 BYOK（自带密钥）并将其指向任何云提供商，或者完全本地化（我一直在使用 LM Studio 进行测试）。 与现有的“与 PDF 聊天”工具只检索文本/OCR 层不同，Copilot 可以对 PDF 进行操作：填写字段、添加字段（使用 Joe Barrow 的 CommonForms [1]，HN 上的 jbarrow，并在其基础上添加了一些后处理启发式方法进行客户端检测）、专注于字段、删除页面等等。 我开发这个是因为 SimplePDF 主要被医疗保健客户使用，他们非常重视文档隐私，我希望有一个 AI 体验，不需要将 PII（个人身份信息）发送给第三方。 技术栈相当标准： * Tanstack Start * 来自 Vercel 的 AI SDK * Tailwind（我个人更喜欢 CSS 模块，我比较老派，但自从我开源以来，我认为 Tailwind 会更合适） 更有趣的部分是客户端工具调用：事件通过 iframe postMessage 来回传递。 如果您不熟悉“工具调用”和“客户端工具调用”，这里有一个简要介绍： 工具调用是 LLM 用于执行操作的方式。当 Claude 运行 grep 或 ls，或者访问 MCP 服务器时，这些都是工具调用。 客户端工具调用意味着调用工具的意图来自 LLM，但执行发生在浏览器中。 这很重要，因为它：速度快，您无法比客户端到客户端的操作更快，并且还可以让您限制向 LLM 暴露的数据。对于演示，我确实将文档内容提供给 LLM，但这种连接可以简单地通过删除暴露内容数据的工具来切断。 演示是完全开源的，可在 Github [2] 上找到，演示与此帖子的链接相同 [3] SimplePDF 本身（作为 iframe 加载）不是开源的。 我可以继续谈论这个，如果您有任何问题，请告诉我，什么都可以问！ [1] <a href="https://github.com/jbarrow/commonforms" rel="nofollow">https://github.com/jbarrow/commonforms</a> [2] <a href="https://github.com/SimplePDF/simplepdf-embed/tree/main/copilot" rel="nofollow">https://github.com/SimplePDF/simplepdf-embed/tree/main/copilot...</a> [3] <a href="https://copilot.simplepdf.com/?share=a7d00ad073c75a75d493228e6ff7b11eb3f2d945b6175913e87898ec96ca8076&amp;form=w9&amp;lang=en" rel="nofollow">https://copilot.simplepdf.com/?share=a7d00ad073c75a75d493228...</a>

构成音乐基础的音符、音阶、和声，看似是基本元素，实则不然。<p>它们是涌现结构。<p>音高只是加速的节奏。<p>由 NoteookLM 生成的播客：<a href="https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=q9bFUocrm70" rel="nofollow">https:&#x2F;&#x2F;www.youtube.com&#x2F;watch?v=q9bFUocrm70</a>

大家好，HN。在过去的 7 个月里，我花了将近 3000 个小时来构建 SNEWPAPERS，这是第一个具有全文提取、近乎完美的 OCR、庞大的分类分类法，当然还有语义和智能代理搜索功能的历史报纸档案库。<p>问题： 我想搜索报纸档案，但当我尝试使用所有服务时，它们只允许你搜索关键词和日期，然后返回给你报纸的原始图像，而且其中很多图像都没有上下文。一片嘈杂的海洋。<p>解决方案： 我教机器如何阅读报纸，到目前为止，我已经从 Chronicling America 收藏中提取了超过 60 万页（约 5TB）的内容。我必须处理的问题包括无限多样的版面、字体大小、图像扫描质量、分辨率、纵横比，以及在页面上导航图像。我还需要弄清楚如何让 OCR 做到近乎完美，这样人们才不会讨厌阅读提取的内容。我拼凑了一个多模型管道（版面技术、ocr 技术、llm、vllm），并结合启发式方法，从版面 -&gt; 分割 -&gt; 分类。我将所有内容都放入 OpenSearch / Postgres 中，并使其具有语义搜索功能，还在其上添加了一个智能代理搜索工具，该工具非常了解如何使用 API，并帮助你编写查询以找到你想要的内容。也很乐意讨论 AWS 架构和扩展问题，这很困难！<p>如果你有五分钟时间，只想快速体验一下，我建议：<p>在搜索任何内容之前，先进入 Sleuth 页面 询问它关于 1736 年到 1963 年之间的任何事情，可能有一两个后续问题 然后进入搜索页面，这样你就可以看到它为你编写的查询（左下角的“已保存查询”），并揭示更多关于你感兴趣的内容的信息<p>如果你认为它很酷并且想了解更多信息，那么在导航栏的“指南”中大约有 10 分钟的视频指南，介绍了各种功能<p>其他人也尝试过这个，特别是：<p><a href="https:&#x2F;&#x2F;dell-research-harvard.github.io&#x2F;resources&#x2F;americanstories" rel="nofollow">https:&#x2F;&#x2F;dell-research-harvard.github.io&#x2F;resources&#x2F;americanst...</a>（非常好的尝试） <a href="https:&#x2F;&#x2F;labs.loc.gov&#x2F;work&#x2F;experiments&#x2F;newspaper-navigator&#x2F;" rel="nofollow">https:&#x2F;&#x2F;labs.loc.gov&#x2F;work&#x2F;experiments&#x2F;newspaper-navigator&#x2F;</a>（专注于图像）