返回首页
最新
大家好！我们发布了 OxiGDAL v0.1.0，这是一个生产级的地理空间数据抽象库，完全用纯 Rust 编写——无需 C/C++/Fortran 工具链。
如果你曾经遇到过 gdal-sys 的链接错误、为了读取 GeoTIFF 而膨胀的 Docker 镜像，或者在多线程代码中 GDAL 的数据竞争错误，那么这个库就是为你准备的。
<p>它的功能包括：
- 11 种格式驱动（GeoTIFF/COG、GeoJSON、GeoParquet、Zarr、FlatGeobuf、Shapefile、NetCDF、HDF5、GRIB、JPEG2000、VRT）
- 完整的坐标参考系统（CRS）转换（纯 Rust PROJ，支持 1000 多个 EPSG 代码）
- SIMD 加速的栅格/矢量算法（自动检测 AVX2、AVX-512、NEON）
- 云原生 I/O（支持 COG 的 HTTP 范围读取，异步处理）
- 跨平台绑定：Python（numpy/arrow 原生）、Node.js、WASM、iOS、Android
- 大约 50 万行源代码，分布在 68 个工作区 crate 中
<p>只需运行 `cargo add oxigdal`——无需系统库、pkg-config、cmake。编译为单个静态二进制文件。开箱即用，支持 WASM 和 Lambda。
GitHub: <a href="https://github.com/cool-japan/oxigdal" rel="nofollow">https://github.com/cool-japan/oxigdal</a>
我们非常希望听到地理社区的反馈。欢迎提出任何问题！
我在过去几年里一直在大规模推出学习产品——安德鲁·吴的人工智能技能提升平台，以及我在麻省理工学院媒体实验室的衍生项目，专注于人工智能辅导。留存问题在各个地方都是一样的。人们会一次性接触内容，但之后就不再回来。这并不是因为内容不好，而是因为缺乏机制或动力使其成为一种习惯。
行业的标准答案是游戏化——连续签到、积分、徽章。Duolingo已经证明这种方法对语言学习有效。但我对其普遍适用性持怀疑态度。Duolingo的留存率建立在一种非常特定的焦虑循环上，这种循环越来越让人感觉操控，并且不容易转化到像天体物理学或阅读密集的研究论文这样的主题上。
我一直在构建Daily——一种每天5分钟的结构化社交学习，涵盖任何主题，并根据知识水平进行个性化。现在用户还很少（20个用户）。我不断遇到的有趣设计问题是：究竟是什么驱使人们回去学习他们想学但不需要学的东西？没有外部责任，没有最终的证书，也没有工作压力。纯粹的内在动机是 notoriously 难以维持的。
我目前的假设是：回归的触发因素不是游戏化，而是社交——知道其他人也在学习同样的内容，或者有人会注意到你停止学习。我将在第一个月进行测试。
有没有人在这个领域进行过相关的构建，或者认真思考过纯粹内在学习的留存机制？我很好奇HN社区看到的有效方法。
我正在寻找一款基于大型语言模型（LLM）的工具，帮助我整理和查询电子邮件，但有一个严格的限制：它必须是只读的，不能写、发送或修改任何内容。
标准过滤器无法捕捉“中间状态”邮件的细微差别，而现有的人工智能邮件客户端则要求完全控制收件箱，或者试图自动化过多内容。
我所寻找的功能包括：
- **严格的只读分类**：对 incoming 邮件进行分类（例如，“重要”、“可能有用”、“可能是促销”），并且没有写入权限，即不能发送、移动、删除或自动归档。
- **知识检索**：从零散的邮件线程中构建一个可搜索的知识库。我希望能够用自然语言提问，例如：“过去三个月关于项目 X 的所有决策是什么？”
- **跟进和行动项检测**：识别那些停滞不前的邮件线程，并需要推动的内容，同时提取长邮件链中埋藏的明确任务和截止日期。
- （可选）**隐私优先**：理想情况下在本地运行，或者让我插入自己的 API 密钥以确保数据安全。
有没有人见过专注于这种只读分类和检索工作流程的工具？
嘿，HN！我开发了一个创业模拟器，你将扮演一位创始人，试图将一家SaaS公司从零发展到1亿美元的年度经常性收入（或者在尝试过程中被收购）。<p>你需要雇佣工程师、发布新功能、管理烧钱率、处理随机的风险投资戏剧，并做出影响士气、技术债务和客户流失的决策。<p>游戏有两种模式：<p>快速游戏（约10分钟）：24个月，看看你能发展多远<p>完整模拟（约1小时）：开放式，支持保存/加载，排行榜，收购报价<p>技术栈：使用React和Three.js构建等距办公室视图，Zustand管理状态，Cloudflare Pages和D1作为后端，Google身份服务用于身份验证。<p>游戏引擎每个月运行一个相对真实的模拟——用户增长基于功能和流失，月经常性收入复利，员工有各自的生产力和士气，随机事件（服务器故障、工程师被挖角、转型机会）让事情保持不可预测。<p>希望能收到关于平衡性、游戏玩法以及可以融入的疯狂创业故事的反馈。
有没有人对像GPT-5.4、Gemini 3.1和Opus 4.6这样的庞大模型的规模有合理的直觉或确凿的线索？它们与最佳的开源模型如GLM-5相比如何？<p>它们现在的规模大致相同吗（例如大约在1万亿参数左右，可能是MoE），还是封闭模型仍然要大得多？<p>我也对“专业”版本如GPT-5.4 Pro感到好奇——这可能是一个不同的模型，还是主要是同一个模型，只是在推理时计算量更大、推理时间更长或协调能力更强？