最新

最近，我通过 `uv sync -U` 更新了我的 uv 锁文件，结果有 70 多个依赖项需要更新。通常我会检查所有已更新软件包的更新日志，以确保没有任何问题（因为虽然语义版本控制是语义版本控制，但实际上，它并非总是被严格遵守）。因此，与其搜索软件包名称的 GitHub 页面，找到更新日志（有时在 GitHub 发布页面，有时在 CHANGELOG 文件中，有时在 docs/release-notes.rst 文件中，有时根本没有更新日志），这非常耗时。 这个工具可以解析 `uv sync -U` 的输出，提取依赖项的更新/添加/删除信息，然后自动为每个项目查找 GitHub 页面，并通过 GitHub 发布页面/在仓库中搜索文件来找到更新日志，并以一种美观的格式输出。这样，你就可以在一个终端中查看这 70 多个更新的更新日志，而且 Markdown 和 rst 格式的内容可以直接在你的终端中渲染！ 我主要让它具有可扩展性，以便可以添加对新软件包管理器的支持。

大家好！ 这个项目旨在通过轻量级的3D定制模型，在ModelNet40测试数据集上实现超过96%的Top1准确率。我们将3D点云数据集（使用高斯喷溅方法）投影到2D图像，然后输入到CLIP ViT-16模型中。

Hi HN 我开发了 Dyan，一个自托管平台，您可以在其中可视化地创建、测试和导出由您自己的数据库支持的 REST API。它是开源的，对开发者友好。 主要功能： * 用于端点（GET、POST 等）的可视化构建器 * 使用 JS/Python 逻辑的沙盒执行 * 具有实时请求/响应的即时测试界面 * Rust 代码生成（计划中） * 无需后端样板代码 技术栈：React, Tailwind, NestJS, Prisma, vm2 代码库：[https://github.com/dyan-dev/dyan](https://github.com/dyan-dev/dyan) 演示（即将推出）：[https://dyan.live](https://dyan.live) Discord（供贡献者使用）：[https://discord.gg/ZQ4pKRA7](https://discord.gg/ZQ4pKRA7) 我们正在积极寻找贡献者。有许多“新手友好问题”可供选择。非常欢迎反馈和 PR！

大家好。 这是我过去几年一直在开发的持续理论的第三部分，称为无限选择壁垒（ICB）。核心思想很简单： 通用智能——尤其是AGI——在某些认知条件下在结构上是不可能的。 不是道德上，不是实践上。是数学上。 该论点分为三个壁垒： 1. 可计算性（哥德尔、图灵、莱斯）：你无法决定你的系统无法看到什么。 2. 熵（香农）：超过某个点，信号在结构上会崩溃。 3. 复杂性（柯尔莫哥洛夫、柴廷）：大多数现实世界的问题从根本上是不可压缩的。 本文重点关注（3）：柯尔莫哥洛夫复杂性。 它认为，人类所关心的的大部分内容不仅难以建模，而且在形式上是不可建模的——因为问题的最短描述就是问题本身。 换句话说：你无法从无法压缩的内容中进行泛化。 ⸻ 以下是摘要： 人们普遍误解，认为通用人工智能（AGI）将通过规模、记忆或递归优化而出现。本文则持相反观点：随着系统规模的扩大，它们会接近泛化本身的结构极限。 利用柯尔莫哥洛夫复杂性，我们表明许多现实世界的问题——特别是那些涉及社会意义、上下文差异和语义波动的问题——在形式上是不可压缩的，因此无法被任何有限算法学习。 这并非性能问题。而是一道数学壁垒。它不在乎你拥有多少个token。 本文内容并不轻松，但很精确。 如果你对极限、结构以及为什么大多数智能发生在优化之外感兴趣，它可能值得你花时间阅读。 [https://philpapers.org/archive/SCHAII-18.pdf](https://philpapers.org/archive/SCHAII-18.pdf) 很高兴阅读你的观点。