最新

我于2016年用C语言编写了libcorrect，并希望用Rust语言重新审视它。我没有直接进行转换，而是深入研究了如何让Rust的`std::simd`为我服务。最终，我实现了一个模板化的、通用的卷积码维特比解码器，它会根据运行时可用的指令集来分派解码。对于低速率和低阶码，整个解码过程都驻留在寄存器中。较大的码则通过内存进行处理，但会利用一些加速结构。 我还花了一些时间构建了一个工具，用于查找给定速率和阶数的最佳（最大自由距离 `d_free`）卷积码。当然，现在有更好的机制可用，但我很乐意分享我在过程中学到的任何东西。

市面上有不少人工智能的基准测试，但我认为它们在评估人工智能产品时并不实用。几个月前，我们开始着手设计一种独立评估人工智能产品的方法论。经过大量的研究，我们在几类不同的产品上测试了该方法论并进行了改进。 如果您对这个领域感兴趣，能否请您审阅该方法论并提供反馈意见？该方法论的结构简介如下：它是一个三层框架，首先是六个高级评估类别（质量、安全、隐私与安全、用例与定价、可持续性与生态系统，以及影响与伦理）。 该方法论可在 huby.ai/methodology 查阅。 提前致谢。

简而言之：Collab WIW 是一个与 Microsoft Word 功能对等的 DOCX 编辑器，支持人与自带代理（BYO Agents）之间的实时协作编辑。 协作层端到端加密，使用带有稳定共享 URL 的临时房间。每个协作房间仅存在于内存中。协作者保存的副本可以使房间在同一 URL 下重新上线，并协调离线编辑。 对于自带代理（BYO Agents），您会在 Codex 或 Claude 中生成一个邀请链接。AI 将运行链接的 WordInWeb 代理包，连接到文档，并在浏览器中与邀请代理的用户打开一个私人聊天。每个人都能看到其文档活动，但只有邀请者可以与它聊天并对其进行指令。 与 Microsoft Word 功能对等的 DOCX 编辑器：我之前在 HN 上发过一篇关于编辑器本身的帖子。它是一个纯 JavaScript 的 DOCX 编辑器，直接在 DOM 中渲染和编辑原始文档，而不是将其转换为其他格式。 我对其进行了大量基准测试，使用了数千页的文档，以追求像素和功能上的对等，包括公式、表格、3D 对象、页眉、脚注等……我不会深入探讨，因为我之前已经发布了一个 ShowHN。对等报告中包含了所有我测试过的固定项和实际结果。 编辑：之前 HN 帖子的链接 <a href="https://news.ycombinator.com/item?id=48995304">https://news.ycombinator.com/item?id=48995304</a> 服务器：协作后端实际上受到了 OpenFront.io 的启发 :)。用户向服务器发送小的编辑意图。在加密房间中，服务器无法处理这些编辑，因为它无法读取它们。它只是给每个加密信封分配下一个序列号，并将相同的有序流发送给房间里的每个人。 协作房间：房间是临时的，服务器将它们的加密文档状态保存在内存中。我选择这些限制是因为这是一个公开演示。我希望人们能够即时创建和共享文档，而无需注册账户。而且我也不想存储您的数据，谢谢。 另外，由于意图是按文档跟踪的，因此支持一些离线编辑和文档恢复功能。这仍然有点粗糙，所以存在限制。如果文档无法干净地快进，编辑器将尝试协调多达 50 个意图。如果没有冲突，文档将快进到 2000 个尾随意图。之后，您只需创建一个新的草稿。这样更干净。我仍在积极改进这个系统，并探索如何优化它。 端到端加密 (E2EE)： 1. 文档、编辑、图片、光标位置等在您的浏览器中加密，并在服务器上保持加密状态。文档密钥在浏览器中生成，并存在于共享链接的片段中，永远不会发送到服务器。服务器只对密封的数据进行排序。 2. 文档还需要一个您单独从链接发送的共享代码。浏览器会拉伸该代码并将其混合到密钥派生中，因此仅凭链接不足以解密房间。 4. 基本上在所有地方都设置了资源限制。 博客文章涵盖了更多细节。

<a href="https:&#x2F;&#x2F;www.interpol.int&#x2F;Media&#x2F;Documents&#x2F;Publications&#x2F;Cybercrime&#x2F;African-Cyberthreat-Assessment-Report-2026" rel="nofollow">https:&#x2F;&#x2F;www.interpol.int&#x2F;Media&#x2F;Documents&#x2F;Publications&#x2F;Cyberc...</a>

用于 AI 编码 CLI 的预钩子脚本，可阻止仅包含寒暄的提示，例如“你好”、“嗨”、“好的”、“谢谢”等。请发送实际任务，而非问候。

你好！ 我的亲戚会手语，我一直觉得奇怪的是，尽管近年来人工智能取得了令人难以置信的进步，但这个问题似乎仍然被忽视了。 特别是随着可穿戴技术的出现；据我所知，这是第一个将 Meta 眼镜与拼写翻译软件集成的项目。 在技术方面，我在 Google 的 FSboard 数据集上训练了一个神经网络，该模型采用了 CNN + GRU 时间编码器架构（使用 CTC 进行训练），然后使用 CTC 束搜索和 KenLM 语言模型对输出进行解码，以解决我模型的一些不足之处。 我还将其做成了跨平台（Web + iOS），支持 Web 屏幕共享，并且可以使用非智能眼镜。该项目完全是开源的。 我目前正在努力让设备上的模型能够干净地运行，但不幸的是，在低端设备上性能会受到一些影响，所以目前我选择将模型托管在 Modal 上。 还有很大的改进空间，但我对这个起点感到满意。请告诉我你的想法，并观看 YouTube 演示！