最新

在不同组织构建机器学习系统后，我将编写的一些实用工具整合到一个库中。 这个库可以实现的功能： * 在对象存储上保存（和检索）模型检查点（可选使用内容可寻址命名方案） * 从对象存储中将数据集增量加载到 Pytorch 中，使用本地磁盘缓存 * 将训练指标存储到 SQLite 中 设计原则： * “云端简单，软件智能” - 我更倾向于使用对象存储和容器运行时等通用服务，而不是类似框架的抽象（例如托管的 MLFlow 或类似服务） * 以最直接的方式扩展 Lightning * 让用户通过对现有模型代码进行最少的更改来组装轻量级的 MLOps 流程 欢迎提出任何问题并提供反馈！ 该库使用 Sonnet 进行了完善，但经过了彻底的人工检查。

昨天读了这篇文章之后，<a href="https:&#x2F;&#x2F;news.ycombinator.com&#x2F;item?id=46296863">https:&#x2F;&#x2F;news.ycombinator.com&#x2F;item?id=46296863</a>，<p>我想稍微改动一下，于是就自己动手做了一个。<p>基本上，它会扫描页面上的所有段落，用日语罗马音替换其中的 5 个单词。这些单词的颜色会改变并加粗显示。当鼠标悬停在被替换的单词上时，会弹出一个小窗口，显示平假名和英文单词。<p>目前，它有一个小型的单词列表（111 个），所有单词都经过挑选，属于基础级别，并且（希望）在上下文中不会引起混淆。<p>我计划将单词列表扩展到大约 1000 个，并且每周循环使用 200 个单词，并有一定的重叠。<p>编辑：一个运行截图 - <a href="https:&#x2F;&#x2F;freeimage.host&#x2F;i&#x2F;fldb3KB" rel="nofollow">https:&#x2F;&#x2F;freeimage.host&#x2F;i&#x2F;fldb3KB</a><p>它也正在上传到 Firefox 插件商店，但需要一段时间。

Hi HN， 我是一名 C++ 学生，在过去的几个月里，我一直沉迷于并发数据结构的研究。现在我分享 daking::MPSC_queue，这是一个仅头文件、无锁、无界 MPSC 队列，旨在弥合链表灵活性和基于数组的吞吐量之间的差距。 1. 直面挑战："链表瓶颈" 在传统的 MPSC 链表队列中，如果多个生产者尝试以高且均匀的频率入队单个元素，则由此产生的 CAS 争用会导致严重的缓存行弹跳。在这些饱和的均匀负载场景中，吞吐量会达到一个物理“下限”，其性能通常不如预先分配的环形缓冲区。 2. 针对现实世界场景的架构解决方案 该设计没有侧重于均匀负载下的平均吞吐量，而是针对两个特定的现实世界挑战： * 场景 A：非均匀争用（突发弹性） 在许多系统中，生产者通常处于空闲状态，但偶尔会发生突发。通过促进一个高速生命周期，其中节点块从消费者（回收）-> 全局堆栈 -> 生产者（分配）循环，且复杂度严格为 O(1)，该队列可以在突发期间快速建立类似 SPSC 的性能，峰值约为 1.61 亿/秒。 * 场景 B：批量争用减少 enqueue\_bulk 接口允许生产者在私有内存中预先链接整个段。这减少了从 N 个原子操作到单个原子交换的争用。批次越大，争用越低。 3. 隐式分块和资源生命周期 内存管理通过 Page -> Chunk -> Node 层次结构进行，而不是碎片化的分配。 * 隐式组合：与分块数组不同，节点不是存储在连续的数组中，而是自由地组合成逻辑“块”。这保持了链表的灵活性，同时获得了块的管理效率。 * 零成本弹性：无界设计消除了流量高峰期间的背压停顿或数据丢失，堆分配频率降低到 log(N)。 4. 工程严谨性 * 安全性：已通过 ThreadSanitizer (TSAN) 和 ASAN 的全面审核。 * 类型安全：支持不可默认构造的类型；noexcept 自动推导。 * 轻量级：零依赖，仅头文件，并与 C++17/20 兼容。 关于基准测试的说明： 为了完全透明，我已将其与 moodycamel::ConcurrentQueue 进行了基准测试。在高度均匀、小粒度的争用场景中，我们的实现略慢。但是，daking::MPSC\_queue 在非均匀突发和批量传输场景中提供了 3-4 倍的性能提升，其中“零成本弹性”和减少争用是主要目标。 我很想听听您对这个存储库的看法！ GitHub：[https://github.com/dakingffo/MPSC\_queue](https://github.com/dakingffo/MPSC_queue)

我最近在 HN 上读到过一篇关于这个话题的帖子，但现在找不到了，所以在这里写下我的想法。<p>最近，我开始了一个用 Rust 编写的业余项目，它从几个网站收集新闻，并为我创建一个每周摘要。<p>因为我只是为了好玩才做的，所以我开始开发一个抓取器。<p>然而，一个更简单的选择是使用网站的 RSS 订阅。因此，我也去找了它们，但很少有网站提供 RSS 订阅。<p>现在，随着 Agentic AI 的出现，RSS 订阅似乎已经过时，不再需要了。<p>你觉得呢？

我发布了 *Framework Shells* (`fws`)：一个独立的 Python 包，用于编排长时间运行的后台进程（“shell”），支持 *PTY*、*管道* 和 *dtach* 后端。<p>这适用于那些不想搭建完整 supervisor 堆栈（或没有堆栈）的环境：快速的多服务原型、开发环境、受限的用户空间等。<p>### 它的作用<p>* 使用以下方式生成/管理 shell：<p><pre><code> * **PTY**: 交互式终端会话（调整大小、输入、流） * **管道**: stdin/stdout/stderr 流（适用于守护进程/LSP） * **dtach**: 可附着/分离的持久会话（在管理器重启后仍然存在）</code></pre> * *运行时隔离*（主要功能）：shell 通过 `~/.cache/framework_shells/runtimes/<repo_fingerprint>/<runtime_id>/...` 进行命名空间管理，因此同一仓库的两个克隆可以并发运行，而不会出现交叉采用或交叉控制的情况。 * *控制界面*：CLI + 可选的 FastAPI/WS UI，用于列出、查看日志和生命周期操作。 * 可选的 *钩子*，用于主机集成（外部注册表/遥测）。<p>### CLI 快速入门<p>```bash # 列出 shell fws list<p># 运行一次性 shell（无规范） fws run --backend pty --label demo -- bash -l -i<p># 应用 YAML shellspec（推荐） fws up shells.yaml<p># 终止 shell fws down<p># 附着到 dtach 后端 shell fws attach <shell_id><p># 显示已管理的 shell + procfs 后代 fws tree --depth 4 ```<p>### Shellspec 示例<p>```yaml version: "1" shells: worker: backend: proc cwd: ${ctx:PROJECT_ROOT} subgroups: ["worker", "project:${ctx:APP_ID}"] command: ["python", "-m", "your_module.worker", "--port", "${free_port}"] ```<p>### 隔离 + 安全模型（默认简单）<p>* `FRAMEWORK_SHELLS_SECRET` 派生 `runtime_id`（命名空间）和 API 令牌。 * 如果设置了 secret，则修改 API 端点需要：<p><pre><code> * `Authorization: Bearer <token>` (或 `X-Framework-Key`)。</code></pre> * 如果未设置 secret，则禁用身份验证（开发模式）。<p>硬限制：如果两个运行时共享相同的 OS 用户/UID，OS 仍然可能允许相互发出信号。保证是：*通过库的控制平面*，不会出现交叉计数/采用/控制。<p>### 实际应用<p>我将其用作完整开发环境的基础，其中“应用程序是 shell”（终端、IDE + LSP、代理/MCP、aria2 RPC、文件浏览器、llama.cpp 运行器等）。仓库：<p>```text https://github.com/mrsurge/termux-extensions-2 ```<p>### 我想要的反馈<p>* secret/fingerprint/运行时隔离的契约感觉对吗？ * 默认 API/CLI 中是否有明显的陷阱？ * 与 systemd/supervisord/tmux/dtach 相比：您会在哪里使用它？<p>github.com/mrsurge/framework-shells<p>pip install "framework-shells @ git+https://github.com/mrsurge/framework-shells@main"<p>```bash fws --help ```

Kling O1 (Omni One) 是由 Kling AI 开发的统一多模态 AI 模型，可根据任何输入创建和编辑视频和图像。Kling Video O1 支持文本生成视频、图像生成视频、关键帧生成视频和基于参考的视频生成。它支持风格化、图像修复、背景编辑、相机变换和多主体融合。Kling Image O1 支持精确的图像细节编辑和高度一致的风格控制。这种一体化 AI 工作流程非常适合打造完美、专业的创意作品。 欢迎反馈！

在你花钱之前，先比较一下 AI 模型吧<p>https://ai-playground-indol.vercel.app/