最新

在你的 Instagram 文案评论中使用下方的 AI 工具，观察你的帖子爆红时的峰值和高峰。我们定制的 AI 工具能生成具有百万级曝光潜力的 Instagram 文案。

各位 HN 的朋友们，我是 Feyn 的 Shreyash。我们帮助公司利用他们的数据构建定制模型。 今天我们发布了 MultiMatte，一个可以通过文字指令进行背景移除的模型。只需命名你图像中的一个物体，MultiMatte 就会只保留该物体，移除其他所有内容。 你可以在你的图片上进行尝试：https://usefeyn.com/multimatte/ 演示视频：https://youtu.be/XZ5BJWAkOjs MultiMatte 是开源的。你可以使用我们的 NoBg 库进行构建：https://github.com/feyninc/nobg。模型卡片在这里：https://hf.co/feyninc/multimatte MultiMatte 是我们第二代背景移除模型。第一代是 FeyNoBg，我们曾在以下链接发布过：https://news.ycombinator.com/item?id=49072462。 最大的升级在于其指令可控性。大多数模型在移除背景时会保留所有前景元素。而 MultiMatte 允许你指定想要保留的确切物体，并移除所有其他内容。例如，如果你的图片中有一只狗和一个碗，你可以让 MultiMatte 只保留狗。 MultiMatte 基于 Meta 的 SAM 3 构建，这是一个能够理解概念指令的检测器。我们最大的改进在于遮罩（masking）方面。传统的模型使用二值遮罩，将每个像素分类为物体内部或外部。而 MultiMatte 使用 Alpha 遮罩（alpha mattes），为每个像素分配相对于某个物体的透明度值。这使得我们能够更好地处理毛发、皮毛、运动模糊以及其他模糊的边界。 在我们测量过的所有基准测试中，MultiMatte 相较于 SAM 3 都有显著提升。在 DIS5K 数据集上，S-measure 从 0.674 提升到 0.908（相对提升 34.6%），在 DUT-OMRON 数据集上，从 0.792 提升到 0.901（相对提升 13.7%）。 我们的博客文章详细介绍了训练细节和结果：https://usefeyn.com/blog/multimatte。 非常乐意回答大家的任何问题！

我这辈子都没买过安卓设备；我直接从诺基亚转到了苹果，从那以后就一直在买苹果的东西。 话虽如此，我觉得苹果已经不再创新了；我在发布会和YouTube上看到的所有东西，这些技术都已经是很多年前的了。他们只是在改变颜色，以确保人们不会混淆，Duo也是一样，甚至连名字都是抄袭的。 随着所有AI的发展，我本以为创新会突飞猛进，人们会利用AI取得更大的进步，但我却看到一家科技巨头在推广我们多年前就看到的东西。我知道这一点也可以套用到很多其他的安卓功能上，但苹果倾向于完善他们推出的每一个功能（不像谷歌那样时不时就砍掉整个项目）。 不过我得说，苹果在执行、动画、对细节的关注以及用户体验方面仍然是顶级的，但对于一家科技巨头来说，我期望能有更多。 我怀念史蒂夫·乔布斯的那句“还有一件事……”

大家好，几个月前，在从一次由 Clade 引起的 Bug 中恢复过来后，我曾想：“如果生产数据库写入操作可以轻松回滚，那该多好啊”。我为此做了一些工作：它包含一个双容器部署和一个 CLI 工具。目前离生产环境使用还有很大差距，所以请大家多多包涵。非常欢迎任何反馈！ 详细信息：https://eterdb.com/tech GitHub：https://github.com/eterdb/eterdb

<a href="https:&#x2F;&#x2F;www.lg.com&#x2F;global&#x2F;newsroom&#x2F;news&#x2F;statements&#x2F;statement-understanding-privacy-on-lg-smart-tvs&#x2F;" rel="nofollow">https:&#x2F;&#x2F;www.lg.com&#x2F;global&#x2F;newsroom&#x2F;news&#x2F;statements&#x2F;statement...</a>

AGI 时代？ 所以，现在我们拥有的所有这些“盯着你的屏幕并为你做事”的技术，比如 GPT-6 Astra、Muse、HeyClicky 和 Claude Fable 5.1，都属于 AGI 时代的最新成果。很有趣，想看看人们对这类工具的真实感受。 Astra 被描述为来自“AGI 时代”，Muse 有自己的虚拟机，能够读取你的屏幕，填写表格，甚至为你协商。而 HeyClicky 的理念相同，但更小巧，只有一个在你光标旁边的元素，可以和你一起读取屏幕，或者根据你的指令启动任务。 那么，它解决了你之前遇到的真正问题，还是仅仅是便利性被过度延伸了？你们有人真正使用过这些工具吗，还是很快就放弃了？你对这些工具的能力有什么自己的界限定义——如果它能标注你的屏幕，你觉得完全没问题，但除此之外，你是否因为它们目前不可靠而不想让它们主动点击/执行操作？请给出诚实直接的回答和观点。

您好 HN<p>我开发了 *dbmask*，这是一个开源的 Python 工具，用于发现 SQL 数据库中的敏感列，用确定性的假值进行掩码，并验证掩码结果。<p>该工具的动机源于我在处理测试数据时遇到的一个常见问题：现有的掩码工具通常假设用户已经确切地知道哪些列包含敏感信息。此外，掩码任务的成功完成并不能保证<i>所有</i>敏感值都已被替换。<p>dbmask 旨在将这些步骤整合到一个统一的工作流程中，而不是将它们视为三个独立任务。<p>在检测阶段，该工具通过结合列名、采样值、数据库类型/上下文、历史决策以及可选的 LLM 来做出判断。虽然 LLM 功能默认禁用，但它支持通过 Ollama 或其他与 OpenAI API 兼容的服务进行本地执行。如果工具无法自信地确定列的性质，它会将其标记为 `UNKNOWN`，而不是简单地将不确定的情况归类为“非敏感”。<p>我还希望将人工决策纳入系统。检测结果可以导出供手动审查，已确认的决策可以保存为 CSV、XLSX 或 Markdown 格式，或存储在 SQL 历史决策表中。该系统会记录分析师和审查员的信息，并在列类型更改或审查结果过期时重新评估过去的决策。<p>掩码过程采用确定性映射，确保相同的原始值在不同表之间始终映射到相同的合成值。掩码完成后，`dbmask validate --strict` 命令会将掩码后的副本与原始数据进行比较，检查行数和表结构，并在可能的情况下使用主键逐行验证敏感值。<p>该项目目前处于早期阶段（0.1.x 版本）。当前的 CI（持续集成）管道涵盖了 SQLite 测试；PostgreSQL 和 MySQL 的集成测试以及公开检测基准已包含在未来的开发路线图中。<p>我特别希望获得关于检测规则、手动审查/历史跟踪工作流程以及验证方法的反馈。如果您在临时数据库上测试时遇到任何可用性问题或潜在的安全风险，请告知我。<p>安装：<p>pip install dbmask