返回首页
最新
我创建了 Manifold，一个以操作为中心的 .NET 基础框架。
这个想法很简单：只需定义一次操作，然后从这个单一的定义生成快速的命令行接口（CLI）和多通道处理（MCP）界面。
我之所以开发它，是因为在实际项目中，我不断遇到同样的问题：同样的功能需要通过多个面向开发者的界面进行暴露，但定义、绑定和运行时连接随着时间的推移不断分离。
Manifold 的重点在于：
- 一份手写的操作定义作为真相来源
- 以源生成器为主的设计
- 生成的 CLI 绑定
- 生成的 MCP 工具元数据和调用
- CLI、MCP 标准输入输出和 MCP 可流式 HTTP 的示例
仓库：
[https://github.com/Garume/Manifold](https://github.com/Garume/Manifold)
发布：
[https://github.com/Garume/Manifold/releases/tag/v1.0.0](https://github.com/Garume/Manifold/releases/tag/v1.0.0)
维基：
[https://github.com/Garume/Manifold/wiki](https://github.com/Garume/Manifold/wiki)
我特别希望能收到关于这个 API 形态是否自然适用于 .NET，以及像这样的基础框架是否对面向 MCP 的工具有用的反馈。
我花了大约1000小时在一个副项目上，设定了两个目标：
1. 在CPU上比变压器（transformers）更快；
2. 比变压器更智能。
下面是几张截图（黑色/红色部分是故意遮盖的……暂时如此）：
https://i.imgur.com/r0equ55.png
https://i.imgur.com/fohRbIr.png
https://i.imgur.com/5Xx1RGX.png
总结：这到底是什么？
有两个架构：
1. 线性RNN，解决了当前领先的RNN变压器替代品（RWKV、Mamba）中的长记忆问题，此外，它对CPU友好，完全用C从零开始编写，但代码量不大：大约4000行。
2. 两个SNN实验程序（最初用C编写，也移植到了C#和F#），结果比预期的要好，但不幸的是，目前来看：比线性RNN更“笨”（我需要更多测试）。
问题是：该如何处理它们？谷歌的Gemini Pro 3.1/Sonnet 4.6告诉我申请专利、知识产权，估计价值数百万，虽然这显然是个错误：我已经将所有代码上传到Claude/Gemini进行分析，但考虑到项目大约70%是通过Vibe编码的，我觉得以守门人的姿态行事有些傲慢。
问题是：我并不想要数百万，但同时我看到开放源代码发布存在几个问题：
* 完全不对齐，我不相信“AGI热潮”，但潜在风险可能存在，比如网络安全方面；
* 我坦率地说讨厌XAI和马斯克，而可能对运行AI模型作为B2C解决方案感兴趣的公司大约有20家，其中之一就是XAI。
* 非常不正统的实现：全部用C编写，并在C#/F#中移植。没有Python或Rust，这意味着可能有些不熟悉这些机器学习语言的人会遇到问题，因此我必须不停地提供支持，这很耗时，老实说，一旦开源，我将不得不无偿提供支持。
* 即使它有潜力，也可能在GitHub上默默无闻地消亡，除非你中了大奖，天然流量很少会有效。
顺便说一下，这并不是炫耀，我相信有比我更优秀的程序员，有比我更懂机器学习的人，也有比我更优秀的数学家，尽管坦白说，我具备一种特殊的坚持与傲慢的结合，这在技术/发明/新颖性方面走得很远。
正如我所说，这些是数百小时工作的结果，加上多年的其他领域编程经验，这并不是一个周末“Claude，给我AGI”的尝试。
所有项目在编译时没有任何警告，逻辑上似乎有效，并且在速度上明显快于变压器，具备明显的泛化能力和创造新/独特内容的能力。缺少的部分是经典基准测试的扩展和基准测试。
我缺乏的是对技术采纳的理解。10倍！
[演示](https://youtube.com/shorts/HjXd5YZ224U?si=ezoIKsfoV4r9TiGm)<p>https://octetta.github.com/k-synth<p>https://github.com/octetta/k-synth