最新

你的高管团队理解这一点。他们批准了预算，在董事会会议上提到安全问题，他们明白其中的利害关系。你不再需要在高层争取认可了。 但当你看看实际发生在基层三级的情况时，就会发现问题。市场营销团队在共享社交媒体账号的凭据。销售团队抵制多因素身份验证（MFA），因为它会增加登录时间。开发人员将 API 密钥存储在公共存储库中，因为这比批准的方法更快。远程员工在不安全的网络上工作，对此毫不在意。 高管的承诺是有的，但全公司的行为却并非如此。而这种差距正是安全漏洞发生的地方。 这就是让安全主管夜不能寐的挑战。你得到了来自上级的授权，但将其转化为由成千上万有着完全不同优先事项的人每天做出的决策，则是完全不同的另一回事。

你好！ 我是 Colonist 的联合创始人，Colonist 是一款手机和桌面端在线卡坦岛风格游戏。随着时间的推移，我们的玩家群体和社区已经增长到数百万，这仍然让人觉得不可思议。 我们一直在构建新的活动、地图和模式，但这需要大量的时间和精力。 重点是 Shuffle。 Shuffle 是一个简单的匹配队列，每周轮换一组地图、模式和规则集。我们用它来： * 了解玩家真正喜欢哪些地图/模式 * 每周提供不同的配置 * 在全新的模式进入主要的休闲或排位队列之前进行测试 我们希望使用 Shuffle 来测试诸如： * 非标准资源分配/交易比例 * 强盗/发展卡牌变体 * 替代获胜条件 * 全新的游戏模式 在底层，它基本上是一个位于匹配系统之上的小型实验引擎： * 每个 Shuffle 选项都被建模为一个子配置（地图、规则、玩家数量）并存储在数据库中 * 一个周期性任务使用基于近期偏好的加权随机算法 + 冷却时间来选择下一个配置 * 比赛会记录以该配置为键的指标，以便我们之后可以比较不同的变体 我喜欢这种测试平台兼作“实验引擎”的想法，并认为从内部分享它可能会很有趣。 我也很好奇： * 你认为这种系统还有哪些意想不到的用途？ * 你希望在这样的系统中测试哪些机制？ 很乐意回答技术或产品问题，并分享更多细节。

我想这可以开启一些有深度的讨论和交流。

大家好， 我制作了 ZigFormer 的早期版本，这是一个用 Zig 语言实现的小型 LLM，不依赖于 PyTorch 或 JAX 等外部机器学习框架。ZigFormer 的模型基于教科书式的 LLM（如 OpenAI 的 GPT-2），既可以用作 Zig 库，也可以作为独立应用程序来训练模型并与之聊天。 这主要是一个教育项目。我在这里分享它，以防其他人觉得它有趣或有用。 项目链接：<a href="https://github.com/CogitatorTech/zigformer" rel="nofollow">https://github.com/CogitatorTech/zigformer</a>

感恩节快乐，大家！