最新

信用额度使用成本已经够隐晦了，所以掉进这个陷阱是可以理解的。如果你用完了信用额度/代币/等等，并且需要使用更多的 Claude/Codex，不要购买信用额度，因为这看起来很划算。它们会在你意识到之前就用光了。

自托管越来越受欢迎，因为它允许用户保护数据的隐私，将其存储在本地，并置于自己的环境中。 不幸的是，当有人开始为你的软件付费时，自托管就会变得复杂。尤其当客户是企业级用户时。 客户通常实际上并不知道如何操作你的软件。他们可能会更改一些小东西——Postgres版本、环境变量、IAM、防火墙规则——然后一切开始崩溃。从他们的角度来看，产品坏了。即使根本原因在于他们自己，这也没关系……客户永远是对的，你仍然需要负责修复它。 但你却无能为力。你无法访问他们的环境。你没有真正的可见性。你无法自己运行任何东西。所以你只能通过Zoom会议上的截图和复制粘贴的日志来调试一个你无法控制的系统。最终，你对你无法控制的事情负责。 我认为有一种更好的付费自托管模式：软件在客户的环境中运行，但开发人员实际上可以操作它。这是一个双赢的局面：对于客户来说，他们的数据保持私密和本地化，而开发人员仍然可以控制部署、更新和调试。 Alien 提供了基础设施，可以在你的用户环境中部署和操作软件，同时保留对更新、监控和生命周期管理的集中控制。它目前支持 AWS、GCP 和 Azure 目标。 GitHub: [https://github.com/alienplatform/alien](https://github.com/alienplatform/alien) 快速入门: [https://alien.dev/docs/quickstart](https://alien.dev/docs/quickstart) 工作原理: [https://alien.dev/docs/how-alien-works](https://alien.dev/docs/how-alien-works)

在涵盖美国所有发布负荷序列的平衡机构（共53个，分布于三大互联电网）的基础上，使用7年的EIA-930需求数据和ASOS气温数据对Chronos-2进行了微调。<p>在2025年的留存数据（约61,000小时）上，它在7个主要RTO中的6个上，优于运营商提交给EIA的日内预测——即他们用于安排发电的生产预测。宏观MAE降低约40%。唯一输掉的是ISO-NE，他们的预测已经非常出色（24小时前MAE为0.34）。在同一时间窗口内，CAISO和SPP运营商的提交结果甚至不如“与昨天相同”。<p>该网站绘制了中位数和80%的预测区间，并与运营商的提交结果进行对比，其中包含了48小时的实际数据。<p>代码和模型可在HF上获取，运营商对比基准测试可通过一个脚本复现：<p>- <a href="https:&#x2F;&#x2F;github.com&#x2F;tylergibbs1&#x2F;surge" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;tylergibbs1&#x2F;surge</a> - <a href="https:&#x2F;&#x2F;huggingface.co&#x2F;Tylerbry1&#x2F;surge-fm-v3" rel="nofollow">https:&#x2F;&#x2F;huggingface.co&#x2F;Tylerbry1&#x2F;surge-fm-v3</a>

八年前，我和当时的未婚妻决定签订婚前协议，于是我们聘请了一位当地的调解员。会议很有用，但我感觉没有一个系统化的流程来最终达成协议。所以我开始思考这个问题，经过一番研究，我发现了纳什议价解。 然而，如果约翰·纳什在20世纪50年代就解决了谈判问题，为什么今天似乎没有人使用它呢？问题在于，纳什的解决方案要求谈判的每一方都提供一个“效用函数”，该函数可以接受一组交易条款并产生一个效用值。但即使是专家也很难为非平凡的谈判生成这样的函数。 几年过去了，大型语言模型（LLMs）出现了，大约一年前我意识到，虽然LLMs不擅长直接生成效用估计，但它们擅长进行比较，而这可以用来估计协议草案的效用。 这就是Mediator.ai的基础，我于周末进行了试发布。接受LLM的访谈，以捕捉您的偏好，然后邀请另一方或多方也这样做。然后，这些偏好被用作遗传算法的适应度函数，以找到所有各方都可能同意的协议。 一篇包含更多技术细节的文章：<a href="https:&#x2F;&#x2F;mediator.ai&#x2F;blog&#x2F;ai-negotiation-nash-bargaining&#x2F;" rel="nofollow">https:&#x2F;&#x2F;mediator.ai&#x2F;blog&#x2F;ai-negotiation-nash-bargaining&#x2F;</a>