最新

我在消费级AMD GPU（RX 7900 XT + RX 6950 XT）上复现了David Ng的RYS方法（[链接](https://dnhkng.github.io/posts/rys/)），并发现了一些意想不到的结果。 变压器似乎具有离散的“推理电路”——由3到4层连续组成的块，作为不可分割的认知单元。复制正确的块后，模型的推理流程会运行两次。权重没有变化，没有训练，模型只是思考得更久。 在标准基准测试（lm-evaluation-harness，n=50）上的结果如下： Devstral-24B，层12-14复制一次： - BBH逻辑推理：0.22 → 0.76 - GSM8K（严格）：0.48 → 0.64 - MBPP（代码生成）：0.72 → 0.78 - 没有任何下降 Qwen2.5-Coder-32B，层7-9复制一次： - 推理探测：76% → 94% 奇怪的是，不同的复制模式会从相同的权重中产生不同的认知“模式”。双重通过提升了数学能力，三重通过提升了情感推理。交错复制（13,13,14,14,15,15,16）则创造了一个纯数学专家。相同的模型，相同的显存，不同的路由。 电路边界非常清晰——移动一层，效果就会消失或反转。较小的模型（24B）比较大的模型（Ng在72B中发现7层）具有更紧凑的电路（3层）。 在这个代码库中，有工具可以在任何GGUF模型中找到电路并应用任意层路由。整个过程——扫描、发现、验证——只花了一个晚上。 欢迎提问。

对于一个以人工智能/机器学习为主要产品的初创公司，你会选择 .com 还是 .ai 域名？

我是一名来自俄罗斯的20岁兽医学学生，正在开发反审查工具。2026年3月17日，GitHub因违反服务条款与GitHub Actions相关的规定，永久暂停了我的账户。 **项目介绍** Raccoon Squad VPN — 一款基于Xray-core的Android VPN客户端，支持俄罗斯用户的DPI绕过。支持VLESS、VMess、Trojan、Shadowsocks、Hysteria2和TUIC。该项目完全在几个月内通过人工智能辅助构建。 **来源**: [https://gitlab.com/shray77/rsquad](https://gitlab.com/shray77/rsquad) **我的操作** 我有一些仓库，聚合并验证来自公共来源的免费VPN节点： - hpp: Python爬虫 — 获取节点列表，按SNI过滤VLESS XTLS，验证格式，进行TCP ping。每6小时运行一次，约30分钟。 - node-filter: Go L7检查器 — 通过Xray连接，验证握手，下载2MB测试文件，测量速度。每1小时运行一次，约30分钟。 - loshad-scoc: 新源侦查 — 50多个GitHub dork查询，15个PAT令牌轮换，HuggingFace API验证。 - zhopa-bobra: SNI流行度分析器。 关键事实：没有挖矿，没有密码破解，没有重计算。节点来自公共的raw.githubusercontent.com列表。网络软件的标准CI/CD验证。每天总共约1小时的Actions运行时间。 **时间线** 2月26日：因“怀疑被攻破”而暂停 — 恢复。 2月27日：因“垃圾邮件标记”而暂停 — 恢复。 2月27日：因仓库rsquad而暂停 — 被要求设为私有。 2月27日：因raccoon-release而暂停 — 无法遵守：被锁定。 3月2日：GitHub要求我删除仓库。我仍无法登录。 3月17日：提交正式法律申诉（7页），抄送legal@github.com。 3月17日：约70分钟后 — 永久封禁。 **困境** GitHub要求我删除仓库以解决暂停问题。但账户已被暂停，无法登录。我多次通知支持团队，但没有解决方案。 **他们在扣押我的代码** 我无法访问我的仓库。没有导出，没有备份。GitHub实际上在扣押我的知识产权。根据GDPR第20条，我有无条件的数据可携带权。GitHub拒绝遵守。 这实际上是知识产权的盗窃。我所写的代码被锁在他们的墙后，没有合法的保留依据。 **GDPR违规** 第20条赋予数据可携带权。我被锁定，无法导出。数据保护官请求未得到回应，仅收到自动工单。 **当前状态** - 提交了FTC投诉 - 联系了数据保护官 — 仅获得自动工单号 - 项目迁移至GitLab: [https://gitlab.com/shray77/rsquad](https://gitlab.com/shray77/rsquad) 我分享这些是因为执法过程任意，缺乏透明度，开发者在平台做出自动决策时没有任何救济途径。

大家好，我基于我高度升级的 VITS 模型，制作了一个 TTS 模型，该模型以外部说话者嵌入（Resemble AI 的 Resemblyzer）为条件。<p>这个模型大约有 3100 万个参数（ONNX 格式），经过调优以实现低延迟和本地推理，并且已经导出。我试图突破小型快速模型的极限。它在服务器 CPU 上的运行速度是实时的 5.6 倍。<p>该模型支持声音克隆和声音混合（将两个或多个说话者的声音混合以生成新声音），许可证为 Apache 2.0，并使用 DeepPhonemizer（MIT 许可证）进行音素化，因此没有许可证问题。<p>代码库包含检查点、运行方法以及 Colab 和 HuggingFace 演示的链接。<p>不过，由于模型体积小，音频质量并不是最佳，并且由于它是基于 LibriTTS-R 和 VCTK（这两个都是完全开放的数据集）进行训练的，因此说话者的相似性也不是很好。<p>尽管如此，我希望它能对你们有所帮助。

作为一个实验，我开始让Claude用虚构故事来向我解释事物，结果效果非常好。因此，我开始探索这个方法的极限，以及需要什么才能将其打磨到足以公开分享的程度。<p>在过去的几个月里，我为这个项目构建了世界观手册、撰写了视觉风格指南以及其他相关文档……可以把它们想象成我们现在用于代理开发的所有Markdown文件的虚构等价物。在此之后，我又花了大约两周的时间进行额外的打磨工作，以去除许多冗余内容和LLM特有的表达方式。如果有人对此过程感兴趣，我也很乐意回答任何问题。