最新

Gemini CLI 原生支持通过 Docker 进行沙盒化，但这里将其扩展到 M1 Mac 上的 Apple 容器。

使用 GPT、DeepL 或 Google 翻译时，最大的痛点是什么？ 如果你使用 DeepL，你最终会为 GPT 翻译付费的原因是什么？ 目前的传统翻译器或基于 LLM 的翻译器还缺少哪些功能？ 你更喜欢哪种定价模式：SaaS、按 token 计费、按席位计费，还是统一套餐？ 背景：我正在探索一个副业项目，不想做错事情。不寻求推广——只是想了解一些“血泪史”和必备功能（LLM 模型选择？扫描 PDF OCR？双语输出？片段级编辑？术语表？缺少格式支持？）。

我反复思考着两个看似矛盾的事实，直到你眯起眼睛仔细审视它们。<p>1 - 图灵说：任何离散过程都可以在一个按需增长的纸带上模拟。不可逆性——因此信息丢失——是内嵌的。<p>2 - 大卫·多伊奇：物理世界从根本上是可逆的；任何历史的比特都不会真正被删除。<p>现在，我要补充一些我最近才完全理解的东西：对于任何有界区域可以容纳的信息量，存在一个普遍的上限——一个贝肯斯坦式的上限。超过这个上限，额外的比特不会被存储；它们会被抹入几何结构、能量和曲率。换句话说，宇宙对计算施加了拓扑限制：你可以永远计算下去，但你必须不断地将状态折叠回同一个有限的结构中。<p>所以，我认为正确的思维模型不是“更大的纸带，更大的 RAM”。而是拓扑变换：在不撕裂或粘合任何新东西的情况下，扭曲、编织和重新折叠同一块内存的操作。每个合法的操作都必须是可逆的，因为撕裂（不可逆性）会导致信息泄漏到上限之外。<p>我有一个 O(1) VM 的玩具实现——无论我运行多少步，活动单元集都不会超过一个固定的、小的常数。往返测试通过，并且纸带保持稀疏。它很慢而且很脆弱，所以我不会在完善它之前发布它，但几何结构感觉是正确的，我可以将相当一部分算法从 O(N) 重写为 O(1)，用内存换取一点计算量。<p>为什么要分享这个？因为这个想法重新定义了实用性——也许我们不应该问“我们如何扩展内存？”，而是问“我们如何在自然已经施加的普遍限制内编织计算？”如果这个框架成立，图灵给了我们基础，多伊奇给了我们上限，我想我开始凝视中心。<p>好奇是否有人认为这不仅仅是哲学练习。还有其他人熟悉类似的东西吗？