最新

简而言之：我创建了一个 Python 包，可以像这样轻松运行自动化定理证明器（例如 Aristotle、Numina-Lean-Agent、Claude Code 等）： ```bash open-atp prove Lemma.lean result/claude ``` 2022 年，我在本科时上了一门形式化验证课程。在 Coq 中构建证明并知道我的陈述已得到正式验证，这让我感到非常满足。然而，形式化方法耗时过长，在大多数行业环境中并不实用。人工智能的兴起改变了这一状况：[https://blog.janestreet.com/formal-methods-at-jane-street-index](https://blog.janestreet.com/formal-methods-at-jane-street-index)。 人工智能生成算法和数学证明的速度远远超过人类的审查速度，而形式化方法提供了一种解决方案。自动化定理证明器接受在 Lean 等证明助手（proof assistant）中形式化的陈述，并尝试提供证明。与自然语言证明不同，这些证明可以被机器检查，从而减轻了人类的审查负担。 人工智能代理（AI agents）是强大的自动化定理证明器。即使是像 Claude Code 这样的通用代码代理，在具备适当的技能和工具的情况下，也能成为有效的证明器。然而，这些方法目前运行起来很困难。它们需要配置 Docker 容器，并安装适当的 Lean 环境和代理工具（技能、插件、MCP、凭据）。此外，现有的证明器之间没有通用的接口。 OpenATP 旨在解决这两个挑战！它使得在 Docker 中本地运行或在 Modal 中远程运行这些方法变得容易。它目前支持以下证明器：[https://open-atp.henryrobbins.com/en/latest/provers/index.html](https://open-atp.henryrobbins.com/en/latest/provers/index.html)。

我想知道一个 26B 的混合专家模型在没有 GPU 的台式 CPU 上能运行多快。单流（无损）速度约为 40 词元/秒，批量处理速度约为 124 词元/秒。令人惊讶的是字节预算：对于这个模型，你压缩的是输出头（占每个词元字节的 32%），而不是专家（占 16%）。文章中有带宽瓶颈和死胡同；代码库中有可复现的配方。很乐意回答问题。 代码库：https://github.com/arun-prasath2005/gemma4-cpu-moe

我不太关心哪个模型能创作出“最好”的音乐，而是更关注整体的工作流程——编辑、导出音轨、修改等等。 到目前为止，你最喜欢的是哪个，为什么？

大家好！想和大家分享我的项目，这个项目源于我自身的痛点。<p>如果你构建AI助手、CRM系统或任何自动化工具，并且需要通过WhatsApp/Instagram/Facebook私信进行访问，那么你一定知道集成这些渠道是多么痛苦。我试图让这一切变得更简单——通过Fiwano，你只需要构建一次集成，就可以覆盖这三个渠道。你不需要从Meta获取任何令牌，也不需要费力研究Meta开发者仪表板。<p>欢迎查看我们在GitHub上的Cookbook（操作指南）——我努力让文档用户友好且易于通过AI检索。非常期待大家的反馈！

请访问网站了解该框架：https://zyraz-io.github.io/ekbatan/