假设我是一位富有的数学家（这听起来不错），我想赞助一些计算，这些计算需要进行某个巨大的数字 N 的浮点或整数运算，并且可以在云端轻松并行化。我的程序员们已经提出了一个相对高效的实现方案，并通过一些小规模的测试进行了基准测试。输入/输出和存储成本较低，主要的成本将是纯计算费用。
现在我准备拿出支票本。
在当今的云计算市场中，哪些因素会影响这种计算的成本？
价格如何随着 N 的变化和我希望完成问题的速度而变化？（例如，如果需要 1000 个 AWS 实例运行 10 个月，或者 10,000 个 AWS 实例运行 1 个月，我的费用会一样吗？我假设运行时间少于一年，因此不会长到在计算过程中成本显著降低。）
是否有灵活性方面的因素可以降低价格？（例如：云服务器可以在短期内随时暂停我的计算或限制 CPU，只要我计算的平均运行速率在任何给定的日子里超过 80% 的全速。）
Lenstra 使用“美元天”（dollardays）这个术语来描述破解加密密钥的成本，认为这与计算设备的资本成本成比例（4000万美元天 = 价值100万美元的计算机运行40天，或价值4000万美元的计算机运行1天），但在云计算中，这似乎更像是按件计费的定价结构。
返回首页
最新
嗨，HN，
我一直在开发 SmartKNN，这是一个专门为生产部署而设计的最近邻系统，而不是用于学术实验。
我们的目标不是对经典 KNN 进行小幅调整，而是将其重构为一个可部署的、关注延迟的系统，同时保持可解释性。
**它的不同之处**
传统的 KNN 简单且易于解释，但在实际应用中面临以下挑战：
- 随着数据集的增长，推理延迟增加
- 对所有特征的平等处理
- 固定的距离度量
- 在负载下性能不可预测
SmartKNN 通过以下方式解决这些问题：
1. **学习特征加权**
特征重要性自动学习并纳入距离计算。这减少了噪声，提高了邻居质量，而无需手动调优。
2. **自适应距离行为**
距离计算根据学习到的特征相关性进行调整，而不是依赖于简单的欧几里得固定度量。
3. **后端选择**
SmartKNN 支持暴力搜索和近似最近邻策略。
- 小数据集 → 暴力搜索
- 大数据集 → 近似候选检索
近似搜索仅用于检索候选项。最终预测始终使用学习到的距离函数。
4. **以 CPU 为中心的设计**
系统优化为可预测的 CPU 推理性能，而不是依赖 GPU 的重型工作流。重点是稳定的延迟特性，适合生产工作负载。
5. **统一 API**
通过与 scikit-learn 兼容的接口支持分类和回归。
**性能**
在具有强局部结构的结构化/表格数据集上，SmartKNN 的准确性与基于树的模型相当。
它并不旨在普遍替代树模型或神经网络。在邻域结构有意义且需要可解释性的地方表现最佳。
**局限性**
- 需要数据集保持在内存中
- 高维稠密数据仍可能对最近邻方法构成挑战
- 尚无在线/增量更新
- 对于大数据集，后端准备增加了设置时间
**项目状态**
- 公共发布：0.2.2
- 稳定 API
- 开源
- CPU 优化核心
代码库：
https://github.com/thatipamula-jashwanth/smart-knn
我非常欢迎反馈，特别是来自那些在生产中部署过最近邻系统的人的意见。
谢谢。
- Jashwanth
开始一个任务，喝杯咖啡，回来时看到的是生产级的代码。
测试被强制执行，上下文被保留，质量自动化。
Claude Code 运行迅速，但缺乏结构，跳过测试，丢失上下文，产生不一致的结果——尤其是在复杂的、成熟的代码库中。我尝试过其他框架——它们在臃肿的提示上浪费了令牌，却没有带来真正的价值。有些增加了流程却没有强制执行，其他则是提示模板，当上下文变得紧凑时，Claude 会忽略它们。没有一个能让 Claude 稳定地产出生产级的代码。
因此，我构建了 Pilot。它不是在上面增加流程，而是在每次交互中将质量融入其中。每次编辑时，代码检查、格式化和类型检查作为强制钩子运行。测试驱动开发（TDD）是强制的，而不是建议的。上下文在会话间被监控和保留。每一项工作在标记完成之前都要经过验证。
Pilot 优化输出质量，而不是系统复杂性。规则简洁且专注。没有大的学习曲线，没有项目框架需要搭建，也没有状态文件需要管理。您可以在任何现有项目中安装它——无论多复杂——运行 `pilot`，然后 `/sync` 来学习您的代码库，质量保障措施就会自动存在——钩子、TDD、类型检查、格式化——在每次编辑和每次会话中自动强制执行。
结果是：您实际上可以离开。开始一个 `/spec` 任务，批准计划，然后去喝杯咖啡。当您回来时，工作已经完成——经过测试、验证、格式化，并准备好发布。钩子在压缩周期中保留状态，持久内存在会话之间传递上下文，质量钩子在整个过程中捕捉每一个错误，验证代理在标记完成之前审查代码。不需要看护。
展示 HN：HJX – 一种为 AI 原生代码生成设计的统一网页语言
大家好，
我一直在探索一种语言设计，其中结构、样式和逻辑融合在一个创作单元中，以减少 AI 模型生成前端代码时的令牌碎片化。
HJX 是一种编译型用户界面语言，将结构、样式和逻辑统一到一个 `.hjx` 文件中。它编译为干净、无依赖的 HTML + CSS + JavaScript —— 没有虚拟 DOM，没有运行时开销，没有框架锁定。
以下是来自 README 的一个真实示例：
```hjx
component Counter
state:
count = 0
layout:
view#root.card:
text.title: "Count: {{count}}"
button.primary (on click -> inc): "Increase"
style:
.card { padding: 16px; border: 1px solid #ddd; border-radius: 12px; }
.primary { padding: 10px 14px; border-radius: 10px; cursor: pointer; }
handlers:
inc:
set count = count + 1
```
欢迎大家提问关于 HJX 的问题，也欢迎提交 PR。
- Loaii Abdalslam
嗨，HN！我开发了 M-Courtyard，因为在本地微调大型语言模型（LLMs）实在令人沮丧——命令行工具、Python 脚本和分散的文档。<p>这个应用程序将整个流程（文档 → 数据集 → 微调 → 测试 → 导出到 Ollama）整合成一个完全在 Apple Silicon 上运行的桌面应用。<p>技术：Tauri 2.x + React + mlx-lm + Ollama
许可证：AGPL 3.0<p>希望能收到关于哪些模型或功能最有用的反馈。