最新

最近，我通过 `uv sync -U` 更新了我的 UV 锁定文件，结果有超过 70 个依赖项更新。通常，我会检查所有更新包的变更日志，以确保没有出现问题（因为语义版本控制是语义版本控制，但并不总是遵循）。所以，我不想再去谷歌搜索包名的 GitHub，找变更日志，有时在 GitHub 的发布中，有时在 CHANGELOG 中，有时在 docs/release-notes.rst 中，有时根本没有变更日志，这样耗费了很多时间。 这个工具可以解析 `uv sync -U` 的输出，提取依赖项的更新、添加和删除，然后自动为每个项目找到 GitHub 以及通过 GitHub 发布或在仓库中搜索文件找到变更日志，并以良好的格式输出。这样，你就可以在一个终端中查看这 70 个更新的变更日志，同时支持 Markdown 和 RST 格式的渲染！ 我主要是让它具有可扩展性，以便可以添加对新的包管理器的支持。

大家好！ 这个项目旨在使用轻量级的3D自定义模型，在ModelNet40测试数据集上实现超过96%的Top-1准确率。我们将3D点云数据集（采用高斯喷溅方法）投影到2D图像中，并将其输入到CLIP ViT-16中。

嗨，HN 我创建了Dyan，这是一个自托管的平台，您可以在上面可视化地创建、测试和导出由您自己的数据库支持的REST API。它是开源的，且对开发者友好。 主要特点： - 可视化的端点构建器（GET、POST等） - 支持JS/Python逻辑的沙盒执行 - 实时请求/响应的即时测试界面 - Rust代码生成（计划中） - 无需后端样板代码 - 技术栈：React、Tailwind、NestJS、Prisma、vm2 代码库： [https://github.com/dyan-dev/dyan](https://github.com/dyan-dev/dyan) 演示（即将上线）： [https://dyan.live](https://dyan.live) Discord（供贡献者使用）： [https://discord.gg/ZQ4pKRA7](https://discord.gg/ZQ4pKRA7) 我们正在积极寻找贡献者。许多“适合新手的问题”已经准备好。欢迎反馈和提交PR！

大家好。 这是我在过去几年中发展的一项持续理论的第三部分，称为无限选择障碍（ICB）。核心思想很简单： 一般智能——尤其是人工通用智能（AGI）——在某些认识论条件下是结构上不可能实现的。 这并不是道德上的问题，也不是实践上的问题，而是数学上的问题。 这个论点分为三个障碍： 1. 可计算性（哥德尔、图灵、赖斯）：你无法决定你的系统看不到的东西。 2. 熵（香农）：超出某个点后，信号在结构上会崩溃。 3. 复杂性（科尔莫哥洛夫、蔡廷）：大多数现实世界的问题在根本上是不可压缩的。 本文聚焦于（3）：科尔莫哥洛夫复杂性。它论证了人类关心的许多事情不仅难以建模，而且在形式上是无法建模的——因为问题的最简描述就是问题本身。 换句话说：你无法从无法压缩的东西中进行概括。 —— 以下是摘要： 有一种普遍的误解，认为人工通用智能（AGI）将通过规模、内存或递归优化而出现。本文则提出相反的观点：随着系统的扩展，它们接近于一般化本身的结构极限。 通过使用科尔莫哥洛夫复杂性，我们展示了许多现实世界的问题——特别是涉及社会意义、上下文分歧和语义波动的问题——在形式上是不可压缩的，因此任何有限算法都无法学习。 这不是性能问题。这是一个数学上的壁垒。它并不关心你有多少个符号。 这篇论文并不轻松，但它很精确。如果你对极限、结构以及为什么大多数智能发生在优化之外感兴趣，可能值得你花时间阅读。 https://philpapers.org/archive/SCHAII-18.pdf 欢迎分享你的看法。