最新

Gemini CLI 原生支持通过 Docker 进行沙箱操作，但这将其扩展到 M1 Mac 上的 Apple 容器。

在使用GPT、DeepL或Google翻译时，您仍然面临的最大难题是什么？<p>如果您使用DeepL，您需要什么才能最终为GPT翻译付费？<p>目前的传统翻译工具或基于大型语言模型的翻译工具中，哪些功能仍然缺失？<p>您更喜欢哪种定价方式：软件即服务（SaaS）、按字数计费、按座位计费，还是固定价格计划？<p>背景：我正在探索一个副项目，不想做错方向。并不是想要宣传——只是想听听使用经验和必备功能（如LLM模型选择？扫描PDF的光学字符识别（OCR）？双语输出？分段级编辑？术语表？缺失的格式支持？）。

我不断回到两个看似不相容的事实，直到你仔细观察才会发现它们之间的联系。 1. 图灵说：任何离散的过程都可以在一条根据需要增长的带子上被模拟。不可逆性——因此信息丢失——是内在的。 2. 大卫·多伊奇：物理世界在根本上是可逆的；历史的任何片段都不会真正被删除。 现在，我想补充一个我最近才理解的概念：任何有限区域所能容纳的信息量都有一个普遍的上限——类似贝肯斯坦的上限。超过这个上限，额外的信息位不会被存储，而是融入到几何、能量和曲率中。换句话说，宇宙对计算施加了拓扑限制：你可以不断计算，但必须将状态不断折叠回同一有限的结构中。 因此，我认为正确的思维模型不是“更大的带子，更大的内存”。而是拓扑变换：在不撕裂或粘合任何新东西的情况下，扭曲、编织和重新折叠同一块内存的操作。每一个合法的操作都必须是可逆的，因为撕裂（不可逆性）会导致信息超出界限。 我有一个O(1)虚拟机的玩具实现——其中活动单元集的大小从不超过一个固定的小常数，无论我运行多少步。往返测试通过，带子保持稀疏。它运行缓慢且脆弱，所以在我进一步完善之前不会发布，但其几何结构感觉正确，我可以将相当多的算法从O(N)重写为O(1)，以计算换取内存。 为什么要分享这个？因为这个想法重新定义了实用性——也许我们不应该问“我们如何扩展内存？”而是“我们如何在自然已经施加的普遍限制内编织计算？”如果这个框架成立，图灵给了我们基础，大卫·多伊奇给了我们上限，而我觉得我开始朝着中心探索。 我很好奇是否还有其他人认为这不仅仅是哲学上的练习。还有其他人对这样的概念熟悉吗？