最新

我是一名来自俄罗斯的 20 岁兽医学生，正在开发反审查工具。2026 年 3 月 17 日，GitHub 永久封禁了我的账户，理由是违反了与 GitHub Actions 相关的服务条款。 **项目** Raccoon Squad VPN — 一个基于 Xray-core 的 Android VPN 客户端，为俄罗斯用户提供 DPI 绕过功能。支持 VLESS、VMess、Trojan、Shadowsocks、Hysteria2、TUIC。完全由人工智能辅助构建，历时数月。 源代码：https://gitlab.com/shray77/rsquad **Actions 的作用** 我有一些仓库，用于聚合和验证来自公共来源的免费 VPN 节点： * hpp：Python 抓取器 — 获取节点列表，按 VLESS XTLS 的 SNI 筛选，验证格式，TCP ping。每 6 小时运行一次，耗时约 30 分钟。 * node-filter：Go L7 检查器 — 通过 Xray 连接，验证握手，下载 2MB 测试文件，测量速度。每 1 小时运行一次，耗时约 30 分钟。 * loshad-scoc：搜索新来源 — 50 多个 GitHub dork 查询，15 个 PAT 令牌轮换，HuggingFace API 验证。 * zhopa-bobra：SNI 流行度分析器。 关键事实：没有挖矿，没有密码破解，没有繁重的计算。节点来自公共 raw.githubusercontent.com 列表。网络软件的标准 CI/CD 验证。Actions 每天总共运行约 1 小时。 **时间线** 2 月 26 日：因“涉嫌入侵”被封禁 — 已恢复。 2 月 27 日：因“垃圾邮件标记”被封禁 — 已恢复。 2 月 27 日：仓库 rsquad 被封禁 — 被要求设为私有。 2 月 27 日：raccoon-release 被封禁 — 无法遵守：被锁定。 3 月 2 日：GitHub 要求我删除仓库。我仍然无法登录。 3 月 17 日：提交正式法律申诉（7 页），抄送 legal@github.com。 3 月 17 日：大约 70 分钟后 — 永久封禁。 **进退两难** GitHub 要求我删除仓库以解决封禁问题。但由于账户已被封禁，无法登录。我多次告知了支持团队。没有得到解决。 **他们扣押了我的代码** 我无法访问我的仓库。无法导出。没有备份。GitHub 实际上扣押了我的知识产权。根据 GDPR 第 20 条，我有无条件的数据可移植权。GitHub 拒绝遵守。 这实际上是盗窃知识产权。我编写的代码被锁在他们的墙后，没有任何法律依据可以保留。 **违反 GDPR** 第 20 条赋予数据可移植权。我被锁定，没有导出选项。除了自动工单外，DPO 请求未得到回复。 **当前状态** * 已提交 FTC 投诉 * 已联系 DPO — 只有自动工单号 * 项目已迁移到 GitLab：https://gitlab.com/shray77/rsquad 我分享这些是因为执行是武断的，过程缺乏透明度，当平台做出自动化决策时，开发人员无处申诉。

大家好！我基于我高度升级的 VITS 模型，并以外部说话人嵌入（Resemble AI 的 Resemblyzer）为条件，制作了一个 TTS 模型。<p>该模型大约有 3100 万个参数（ONNX），针对延迟和本地推理进行了调整，并且已经导出。我试图突破小型、快速模型的极限。在服务器 CPU 上以 5.6 倍的实时速度运行。<p>它支持声音克隆、声音混合（混合两个或多个说话人以创建新声音），许可证为 Apache 2.0，并使用 DeepPhonemizer (MIT) 进行音素化，因此没有许可证问题。<p>该仓库包含检查点、运行方法以及 Colab 和 HuggingFace 演示的链接。<p>现在，由于它很小，音频质量不是最佳，并且因为它是在 LibriTTS-R + VCTK（都是完全开放的数据集）上训练的，说话人相似度也不是很好。<p>尽管如此，我希望它是有用的。

作为一次实验，我开始让 Claude 用虚构故事来向我解释事情，结果效果非常好。于是我开始探索能做到什么程度，以及需要多少打磨才能公开分享。<p>在过去的几个月里，我一直在为这个项目构建世界设定、撰写视觉风格指南和其他文档……可以把它想象成所有我们现在用于智能体开发的 Markdown 文件的虚构版本。在那之后，又花了大约两周的时间进行额外的润色，以去除大量冗余内容和 LLM 的“机器味”。如果有人感兴趣的话，我很乐意回答关于这个过程的任何问题。

我对科技行业从业者在当前大语言模型（LLM）时代如何避免技能退化很感兴趣？ 我们都听过两种截然不同的观点，一种是“让他们退化吧，LLM才是未来，看看算盘就知道了！”；另一种是“我不使用LLM，它们会犯错，还会碍事”。但对许多人来说，现实情况是，即使LLM会犯错，需要人工干预，它们也能真正提高工作效率，并承担许多任务。 我倾向于谨慎对待技能落后。LLM在中长期内对工作场所的推动作用以及未来会用到哪些技能，都存在太多未知因素。所以，我想知道，当面对“一键生成”的诱惑时，你们是如何防止现有技能退化的？

图像 / 视频 / 音频生成 AI 绝对令人印象深刻，但我无法理解为什么还有人相信 LLM 会取代所有其他白领工作……更不用说实现通用人工智能了。 现在是 2026 年，我们还没有看到 LLM 完成像击败《精灵宝可梦：蓝》这么简单的事情。 看来 LLM 终究只是愚蠢的文本生成器，它们真正擅长的只有三件事： * 生成代码 * 翻译 / 总结文本 * 伪“谷歌搜索”（因为真正的谷歌搜索已经变得一塌糊涂）

我们一直在为Hugging Face Hub构建CLI扩展，hf-agents是一个值得分享的有趣扩展。<p>它在底层使用llmfit来分析你的硬件，并自动选择最合适的模型和量化方案——无需手动寻找GGUF文件。然后，它会在其之上启动一个Pi Agent。一个命令，本地运行，完全开源。<p>如果你一直在使用Claude Code或Codex CLI，并且想要一个完全在自己的硬件/模型上运行的工具，这是一个不错的轻量级替代方案，值得一试。<p>欢迎提问——也很好奇大家都在什么硬件配置上运行这个工具。

你知道在巴勃罗·毕加索在世时，还有谁也活着吗？当时世界上还发生了什么？ 在你出生的时候，有哪些历史人物还健在？ 我创建这个网站是为了帮助将各种历史事实放在一起进行关联。它已经变成了一种有趣的探索维基百科并获得一些视角的方式。 你发现了哪些让你感到惊讶的历史关联？