我很好奇为什么选择了这个颜色。<p>它们看起来像是被标记的评论。我知道随着年龄的增长我的视力在下降，但我不可能是唯一一个需要自定义CSS才能舒适阅读帖子的人。
返回首页
最新
嘿，HN！我已经在这个概念上断断续续工作了一年，挑战自己在愚人节之前发布它，因为我总是倾向于囤积项目。
这是一个无限猴子定理的模拟器！你可以浏览我们的猴子网格，它们正在随机地在键盘上忙碌地打字，看看它们写了哪些单词——其中有多少出现在莎士比亚的作品中。
如果你愿意，可以免费加入并获得一只属于自己的猴子。猴子在打出特殊单词时会获得特别奖励——这些奖励可以用来定制它们的外观。我今天早上刚刚重置了模拟器，所以我们是从零开始的！
在某些地方可能还有些粗糙，如果有内容加载不正确，请刷新一下。我希望你能喜欢这个项目——对我来说，这绝对是一个充满爱的劳动成果！
我在经历了太多糟糕的纽约公寓经历后建立了这个工具：漏水、老鼠、没有暖气。这些问题当然在房源列表中是看不到的。<p>Realest 是一个浏览器扩展，它将 311 房屋投诉数据叠加在 StreetEasy 的房源列表上，直接显示在搜索结果中。<p>它从纽约市的开放数据中提取信息，旨在帮助租户避免隐藏的问题。<p>非常希望能得到反馈！
上周对于开源大型语言模型（LLMs）来说是个重要的时刻。我们得到了以下模型：
- Qwen 2.5 VL（72亿和32亿参数）
- Gemma-3（27亿参数）
- DeepSeek-v3-0324
几周前，我们还获得了新的mistral-ocr模型。我们更新了我们的OCR基准测试，以包含这些新模型。
我们评估了1000份文档的JSON提取准确性。主要发现如下：
- Qwen 2.5 VL（72亿和32亿参数）表现最为出色。两者的准确率都在75%左右（相当于GPT-4o的表现）。Qwen 72亿参数的准确率仅比32亿参数高出0.4%，在误差范围内。
- 两个Qwen模型的表现均超过了mistral-ocr（72.2%），后者是专门为OCR训练的。
- Gemma-3（27亿参数）的得分仅为42.9%。这一结果尤其令人惊讶，因为它的架构基于仍然在准确率排行榜上名列前茅的Gemini 2.0。
数据集和基准测试工具完全开源。您可以在以下链接查看代码和复现步骤：
- [基准测试开源模型的博客](https://getomni.ai/blog/benchmarking-open-source-models-for-ocr)
- [GitHub上的基准测试代码](https://github.com/getomni-ai/benchmark)
- [Hugging Face上的OCR基准数据集](https://huggingface.co/datasets/getomni-ai/ocr-benchmark)
你们觉得一个集成了大型语言模型（LLM）的虚拟白板怎么样？它可以作为思维助手，根据你的写作提供见解和建议，帮助你进行头脑风暴。它还能够修改你的文字，增加更多的想法。同时，它也能检索信息，并结合你在白板上已经写的内容提供见解。
我们对基于向量的RAG系统感到沮丧，因为它们依赖于语义相似性，往往在处理长篇、特定领域的文档时表现不佳。在这些情况下，特定领域的术语往往具有语义相似性，这使得检索用户所需的确切内容变得困难。同时，有效地融入专家知识或用户偏好也很具挑战性。因此，我们开始探索一种更以推理为驱动的RAG方法。受到AlphaGo中的树搜索算法的启发，我们提出了一种基于推理的RAG系统，利用树搜索来指导检索。
我们开源了一个关键组件：PageIndex，这是一个层次化索引系统，将大型文档（如财务报告、监管文件或教科书）转化为优化用于基于推理的RAG的语义树。
一些亮点包括：
- 层次结构：将冗长的PDF文档组织成适合大语言模型（LLM）的树状结构——就像一个智能目录。
- 精确引用：每个节点包含摘要和确切的物理页码。
- 自然分段：节点与文档章节对齐，保留上下文——没有任意的分块。
我们已经在财务文档分析中使用PageIndex与基于推理的RAG，并且与基于向量的系统相比，检索准确性有了显著提高。
非常期待任何反馈——尤其是对基于推理的RAG的看法，或者PageIndex可能应用的想法！
我记得在HN首页上有一篇关于一个失败的创业项目的旧而受欢迎的帖子。这个项目是关于生物科学的提炼。结论是，科学提炼没有钱可赚。<p>我想不起来任何关键词来找到它。如果你记得它的标题，请帮我一下。<p>谢谢！
GitHub 问题： https://github.com/sindresorhus/camelcase/issues/114
<p>有没有人遇到的 npm 中断问题超出了提到的 camelcase 包？