最新

我相信学习一门语言的最佳方式是通过深入的项目实践。这是我第一个旨在学习发布 Zig 包的 Zig 项目。结果证明，它相当稳健且性能良好，可能有些过度设计。 这个小库包含以下功能： - 从依赖数据构建依赖图。 - 对依赖图进行拓扑排序。 - 生成无依赖子集以便进行并行处理。 - 循环检测和循环报告。

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。

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。