最新

我制作了这个本地工具，用于快速刷新我所参与的 UI 的调色板。 它接受一个包含 16 个元素的 JSON 文件（color0-color15），类似于 ANSI 转义码规范，并将其扩展为 Tailwind 颜色覆盖和语义别名。<p> 用它来让网页变得更加古怪和多彩吧 :)

我创建了 Platter，旨在帮助独立创始人和小开发者们在 X/Twitter 上扩大受众，无需花费数小时手动滚动和回复。<p>这个想法很简单：<p>它会构建你的声音、产品和兴趣的数字档案<p>它会找到你可以添加价值的高质量推文<p>它能帮助你用你的语气，一键撰写有深度的回复<p>它不是一个 Chrome 扩展程序。你可以在任何地方参与互动，甚至在手机上。我之所以开发它，是因为我发现社交增长是必要的，但也很耗精力。<p>非常希望得到社区的反馈，特别是来自任何正在努力发展业务的人。

Hi HN， 我一直在开发一个名为 QSS（量化相似性搜索）的向量搜索引擎。它用 C 语言编写，探索了将嵌入向量积极量化为每维度 1 位的想法。它使用 XOR + popcount 进行快速近似搜索，然后使用原始向量的余弦相似度进行重新排序。 主要目标是看看在不牺牲太多搜索质量的前提下，量化能做到什么程度——同时在内存使用和速度方面获得显著提升。 工作原理 嵌入被量化为每维度 1 位（例如，300D → 300 位 → ~40 字节）。 搜索使用按位 XOR 和 popcount（汉明距离）完成。 使用原始（浮点）嵌入的余弦相似度对短列表进行重新排序。 支持 GloVe、Word2Vec 和 fastText 格式。 目标 分析量化和搜索精度之间的权衡。 衡量潜在的速度和内存增益。 探索这种方法如何随更大的数据集扩展。 初步测试 到目前为止，我只运行了几个小规模的测试，但初步迹象令人鼓舞： 对于某些查询（例如“hello”、“italy”），前 30 个结果与全精度余弦搜索匹配。 在 Word2Vec 嵌入上，量化管道的速度比标准余弦相似度循环快 18 倍。 这些结果目前只是个例——我会在深入基准测试之前分享该项目，以获得反馈。 其他说明 目前，单词查找是线性的，并且未优化——重点是相似性搜索逻辑。 测试是在 2018 年的 iMac（3.6 GHz Intel i3）上单线程进行的。 如果您对向量搜索、量化或低级性能技巧感兴趣，我很乐意听取您的想法： 您认为这种激进的量化可以在大规模应用中发挥作用吗？ 您是否推荐其他值得探索的快速近似搜索技术？ 代码库在这里：https://github.com/buddyspencer/QSS 感谢您的阅读！