有成千上万对源代码与可执行文件的组合可以用于训练，而编译器是一个参数，AI可以轻松识别并将其视为一个重要因素。那么，为什么没有（或者可能有，但我不知道）基于AI的反编译器，可以将几乎任何机器代码转换为高度可读的源代码（并且包含对变量名称和注释的有意义猜测）呢？当可执行文件可以在运行时被AI模型运行和检查时，这似乎应该更容易。
目前AI反编译的技术水平如何？有没有我可以今天就能使用的工具？
返回首页
最新
嗨，HN，我们开发了一个扩展，用于 Envoy 代理，它在运行时解析请求内容并将其发送给大型语言模型（LLM）。<p>我们通过添加一个确定性的 SQL 解析器、gGRPC 负载检查和对负载的 LLM 分析来实现这一点，然后再进行上游调用。<p>用户使用它来代理无头代理的流量，以便安全团队可以通过网络流量阻止有害操作的提示，确保这些操作在离开代理之前被拦截。<p>当你告诉分析流量的 LLM 阻止写入时，它会通过查看我们从解析二进制协议构建的结构化负载，识别出不同协议中的写入操作。<p>它作为一个 UDS 上游运行，我们正在探索将其打包到 Envoy 中，以消除 UDS 跳转。<p>Envoy 非常出色，但对 HTTP 以外的内容支持有限。基本的数据库查询解析、对请求内容的政策执行较少，大部分操作发生在 HTTP 和 gRPC 的头部或元数据上。<p>期待听到任何反馈：<a href="https://github.com/hoophq/hoop/tree/main/sidecar" rel="nofollow">https://github.com/hoophq/hoop/tree/main/sidecar</a>
此时应该有一个工具，可以帮助您轻松地格式化和美化文档。我知道您可以使用Claude和Codex生成PDF和DOCX文件，但这仍然没有像在文档编辑器中输入内容那样用户友好，后者可以自动格式化文档，并以差异视图显示更改，以便您轻松决定喜欢哪些更改。此外，目前如果您使用任何AI工具来辅助写作，它只是简单地重写内容，而没有一个便捷的方式来可视化这些更改。
我喜欢和大型语言模型（LLMs）讨论复杂的话题，但它们线性的聊天方式并不适合深入思考难题。每一个好的答案都会引出三个新问题。你问了一个问题，然后来回滚动查找另外两个。在发送了二十条消息后，你可能已经忘记了想要深入探讨的一些问题。你开始一个新的聊天，它又会忘记所有内容，因此你不得不重新阅读已经知道的内容。而且你不能简单地点击“是的，我知道，跳过”或“偏题”。
我创建了Talleyrand（在非营利组织Sage工作），它将你的问题以树状结构保存。你可以从答案中的任何一句话展开讨论。每个LLM的提示都是基于简要信息、其他讨论线程、你的重点、你的反应以及你所阅读的内容，因此答案是个性化的。在每个答案之后，它会建议后续问题和“全局视角”的问题，以挑战你的思维框架。你可以一键对任何内容做出反应（“偏题”、“已经知道这个”、“有趣”），后续的提示会考虑这些反应。
一些细节：
- 免费，MIT开源。使用Google登录，带上自己的OpenAI密钥。如果你想使用Claude，还需要添加一个Anthropic密钥。密钥仅存储在你的浏览器中。
- 可以用Docker自托管。技术栈：后端使用FastAPI和MongoDB，前端使用React和TypeScript。唯一需要设置的是Google OAuth凭证，我知道这很麻烦，但如果需要，你可以请Claude帮你去掉这个步骤。
欢迎你提出反馈，我会不断改进，使其更易于使用！
有时候，从一个服务解析 webhook 到另一个服务的过程太耗时，以至于你只能等待在 iPhone 上收到推送通知。<p>Pascal 的 Pager 使用人工智能将任何 JSON webhook 数据转换为易于阅读的推送通知，发送到你的 iPhone。<p>它还包括通知分组和数据隐私功能，让你可以选择排除特定值，以确保这些值不会被发送到人工智能。
在下面的评论中使用AI工具为你的Instagram标题生成内容——当你的帖子变得病毒式传播时，查看其流量的高峰和波动。我们的定制AI工具可以生成具有潜在数百万覆盖率的Instagram标题。
大家好，我是来自Feyn的Shreyash。我们帮助公司根据他们的数据构建定制模型。
今天，我们发布了MultiMatte，这是一种可以通过文字进行背景去除的模型。只需在您的图像中命名一个物体，MultiMatte就会保留该物体，并去除其他所有内容。
欢迎在您的图像上试用： [https://usefeyn.com/multimatte](https://usefeyn.com/multimatte)。
演示视频：[https://youtu.be/XZ5BJWAkOjs](https://youtu.be/XZ5BJWAkOjs)
MultiMatte是开源的。您可以使用我们的NoBg库进行构建：[https://github.com/feyninc/nobg](https://github.com/feyninc/nobg)。模型卡片在这里：[https://hf.co/feyninc/multimatte](https://hf.co/feyninc/multimatte)。
MultiMatte是我们背景去除模型的第二个版本。第一个版本是FeyNoBg，我们在这里发布：[https://news.ycombinator.com/item?id=49072462](https://news.ycombinator.com/item?id=49072462)。
最大的升级是提示能力。大多数模型在切割背景时会保留所有前景元素，而MultiMatte允许您提示希望保留的确切物体，并去除其他所有内容。例如，如果您有一张包含狗和碗的图像，您可以要求MultiMatte只保留狗。
MultiMatte基于Meta的SAM 3，这是一个可以通过概念提示进行检测的模型，已经能够理解短语。我们最大的改进在于遮罩。与将每个像素分类为在物体内或外的二进制遮罩不同，MultiMatte使用阿尔法遮罩为每个像素分配一个不透明度值，以对应于物体。这使我们能够更好地表示头发、毛发、运动模糊和其他模糊边界的情况。
在我们所有的测量基准中，MultiMatte在性能上相较于SAM 3有了显著提升。在DIS5K上，S-measure从0.674上升到0.908（相对增益34.6%），在DUT-OMRON上从0.792上升到0.901（增益13.7%）。
我们的博客涵盖了更多的训练细节和结果：[https://usefeyn.com/blog/multimatte](https://usefeyn.com/blog/multimatte)。
欢迎提出任何问题！