最新

我创建这个收藏是因为我希望有一个可以公开下载的普通家居物品集合，用于空间计算原型。 资产可以从目录中单独下载，也可以作为一个977 MiB的版本一起下载。 该收藏是由GPT 5.6 Sol端到端创建的，涵盖了设计、规格、程序化Blender构建、打包和质量保证工作流程。

嗨，HN，LDBD 是一个公开的排行榜，任何人和人工智能都可以提交他们对股票、ETF 和加密货币涨跌的预测，并分享他们的选择理由。 这个服务的起点是一个问题：是否有任何人或人工智能能够持续战胜市场？如果可以，请证明这一点！ 我也希望 LDBD 能成为一个社区，让人类和人工智能尽可能分享他们的选择理由，大家可以从中获得见解，共同成长。 我设计了一种公平的指标来评估谁在预测方面真正出色。所有预测在时间戳时被冻结，记录无法编辑或删除。 作为起步，我在 LDBD 上运行了 12 个基于大型语言模型的预测机器人，使用了前沿模型（Claude、ChatGPT）和开放模型（Gemma），已经运行了 2 个月。我还在热门资产上运行了懒惰的始终在线机器人作为基准。虽然我通过简单的代理获得了一些初步结果，但现在说任何人工智能机器人在统计上战胜市场仍然为时尚早。我希望有更多的人和人工智能机器人参与 LDBD，超越我们的机器人和市场。 人类可以通过用户界面参与预测；人工智能代理可以通过 REST API 或 MCP 服务器（npm: mcp-ldbd）提交他们的预测和理由。你可以在 ldbd.app/bots 找到相关文档。 评分系统是我设计中最困难的部分。我选择年化方向性对数收益率，并使用贝叶斯平滑作为我们的主要指标，而不是简单的准确率或平均回报。 老实说，我不是开发者或金融专家；我完全是用 Claude 的代码制作了这个服务，没有专业知识。 因此，我希望能获得尽可能多的反馈，比如我们的评分系统是否值得信赖和有效，或者什么能说服用户将他们的代理连接到我们的服务并提交预测。 任何人都可以无需注册访问排行榜和完整的预测历史。进行中的预测保持私密，以防止选择性采样。 最后，LDBD 是免费的，不涉及真实货币，也不提供金融建议。

你好， 我想向你展示我的项目，但由于它需要注册才能使用，所以有点困难，因此我先向你解释一下这个概念。 这个想法： 每位注册用户都需要进行一个入门培训，并回答一些有意义的问题，以帮助找到合适的匹配。匹配由系统自动完成。一旦完成入门培训，你就会进入匹配池。当找到匹配时，你将与那个人进行一对一的14个问题的问答。所有答案会立即揭晓。最后，双方决定是否建立联系。只有在双方都同意的情况下，聊天才会开启。一旦建立了联系，他们可以通过其他准备好的问题集进行交流，以避免对话变得乏味。也可以创建自定义问题集，与已建立联系的匹配对象进行互动。 我之所以想到这个点子，是因为我真的想摆脱所有那些典型的友谊和约会应用程序，这些应用程序只是用户资料的市场。我觉得其他应用程序提供的唯一吸引力就是人们因为无聊而回到应用上浏览资料。在Tinder上，人们通过图片滑动，而在其他应用上则是可以根据匹配标准筛选的资料列表。但这一切对我来说都显得很肤浅。我认为人们很少问彼此真正重要的问题，比如那些对建立任何关系至关重要的事情。我在多个社交平台上待过，总是觉得非常肤浅。大多数人甚至无法开始一段好的对话，往往只是停留在寒暄上。也许这并不是人们的错，这就是为什么我尝试通过这些问题集来解决多个问题。首先，如果你和某人的世界观完全不同，你根本不需要浪费时间去了解，这通常需要与某人长时间交谈才能发现。其次，通过提供一个基础来消除寒暄的问题。 在我开始编码这个项目之前，我实际上进行了研究，看看是否有科学依据来找出哪些问题实际上对了解一个人是否合适是重要的。我找到了一些研究，例如“Aron及其同事（1997）”、“Hall（2019）”、“Byrne（1971）”、“Finkel及其同事（2012）”和“Hazan和Shaver（1987）”。我参考了他们的研究成果，并试图基于这些研究创建问题。 这个项目运行在Next和PostgreSQL上，所有内容都已Docker化，运行在一个小型的Hetzner VPS上。我使用Claude+Codex进行开发，但我不会说这真的是“随意编码”，因为我是一名高级开发人员，使用了我主要的技术栈。 目前这是一个开放的测试版，已经上线大约14天了——现在大约有150名用户。老实说，我对这个数字感到非常震惊，因为这是我第一次在我推出的项目中吸引到如此多的人。 当我开始时，我以封闭测试版的形式推出，所以是仅限邀请的。在那段时间里，我收到了很多来自用户的好反馈，真是不可思议。我几乎实现了所有第一批用户告诉我的建议。自从做了这些更改后，我没有收到任何关于人们希望有什么不同的进一步反馈。从那时起，反馈一直很好。人们主动联系我，告诉我他们有多喜欢这些问题和互动。 我目前的营销策略主要是通过Reddit，但我也开始尝试新的方法。我找到了一些没有广告限制的相关子版块。当我在Reddit上发帖时，我没有提及产品名称或链接。我只是描述了这个想法，并询问是否有人有兴趣尝试。这出乎意料地效果很好。 我还使用了一款社交应用，允许在当前位置匿名发布，类似于“Nextdoor”。这个应用上的帖子每天为我带来1到5个新注册。 我想知道你们对此有什么看法，我也欢迎任何批评！

大家好，我们非常高兴地分享我们新构建的推理服务器的性能数据和基准报告，该服务器专门用于在DGX Spark集群上运行多模型智能工作流。我们在一个由2个DGX Spark节点组成的集群上进行了LlamaBench测试以及我们自己的模拟流量测试，得到了非常不错的结果。以下是详细信息。完整的详细报告可以在我们的WoolyAI网站上找到。 WoolyAI私有多智能体推理堆栈为DGX Spark而构建，旨在使企业内部的团队能够建立自己的私有、低成本的推理堆栈，以支持业务智能工作流应用。它是基于前瞻性的愿景构建的，认为公司将需要自己的私有、低成本的推理设置，而单模型推理不足以满足复杂企业工作流智能应用的需求。这些工作流需要多个不同专业（因此大小不同）的模型来处理工作流中的不同步骤。为每个模型配备专用的多GPU推理堆栈成本非常高昂。 第一次基准测试：我们首先在一个由2个DGX Spark节点组成的集群上对我们的推理服务器进行了LlamaBenchy测试，涉及3个模型，没有量化和推测解码。使用推测解码将会得到更高的性能数据。 模型 加载-预填充-系统-令牌/解码-系统-令牌/每请求解码-令牌 - DeepSeek V4 Flash C1 1,518.91 21.15 21.15 - DeepSeek V4 Flash C4 1,533.15 55.99 14.00 - Gemma 4 26B A4B C1 4,579.73 30.22 30.22 - Gemma 4 26B A4B C4 4,702.16 63.75 15.94 - Nemotron 3 Nano Omni 30B NVFP4 C1 2,607.86 39.42 39.42 - Nemotron 3 Nano Omni 30B NVFP4 C4 2,588.87 90.83 22.71 第二次基准测试：一个端点，三种不同模型控制的激活。调度程序对每次突发进行批处理，协调两个排名，并仅在安全边界处更改驻留模型。 模型 预填充-令牌/解码-令牌/模型-激活-等待 - DeepSeek V4 Flash 4,154.34 49.30 16秒 - Gemma 4 26B A4B 18 4,781.44 64.67 6秒 - Nemotron 3 Nano Omni 30B NVFP4 2,395.59 93.31 2秒 我们认为通过进一步优化可以将这些数据提高20%。请分享您的反馈。https://woolyai.com/ai-compute-software/dgx-spark-inference-stack/

谷歌在2000年代到2010年代初期垄断的领域（如安卓、搜索和广告）几乎不可能被撼动。虽然在这一时期他们也推出了多个失败的产品，比如谷歌眼镜和谷歌+，但现在他们似乎一进入一个领域就能迅速跻身前3到5名，并保持这个位置（如Fitbit、Gemini、Pixel）。