最新

我一直在为教育目的编写一款iPhone应用，过程非常痛苦，因为我需要在Xcode和终端中的Claude Code之间来回切换。我最近了解到Xcode 26.3原生支持Claude Code和Codex。有人尝试过吗？如果有，请分享你的经验。我之所以问这个，是因为这意味着我需要升级到macOS Tahoe，而我希望尽量避免这样做。

嗨，HN， 我是一部分正在开发Sniphi团队的成员。 Sniphi是一个模块化的数字鼻子，利用气体传感器和机器学习模型将挥发性有机化合物（VOC）数据转换为可机器读取的信号，能够与现有的质量控制、监测或自动化系统集成。该系统目前处于研发阶段，但已经具备了可工作的硬件和软件，并正在真实环境中进行测试。 该项目源于我们与大学研究人员在气体传感器和气味分类方面的早期合作。我们反复遇到的问题是，实验室的有希望结果与能够在真实生产环境中实际部署、集成和维护的系统之间存在差距。 我们的核心目标之一是避免构建单一用途的设备。通过更改训练数据和模型，而不是物理设置，相同的硬件和软件堆栈可以针对不同的用例进行训练。从这个意义上说，我们将其视为一个“通用”的电子鼻：一个平台，多种基于气味的任务。 我们优化的一些设计原则包括： - 可组合架构：传感器数据采集、机器学习推理和分析是解耦的，并通过API/事件暴露 - 部署优先思维：设计用于在工厂和仓库中推广，而不仅仅是受控的实验室设置 - 云支持操作：模型管理、监控和更新在Azure上运行，这使得与现有工业IT设置的集成更加容易 - 可跨用例训练：同一平台可以针对不同的分类或监测任务进行再训练，而无需重新设计硬件 我们展示的一个公开演示是对不同咖啡香气的分类，但这只是一个方便的例子。实际上，我们正在探索的用例包括： - 质量控制和过程监测 - 早期检测污染或变质 - 在大型存储环境中的持续监测（例如，检测仓库中与寄生虫相关的谷物污染） 由于这是一个硬件系统，因此没有简单的方法可以通过互联网进行试用。为了使其具体化，我们分享了： - 一段展示系统运行的简短端到端演示视频（YouTube） - 架构和部署模型的技术概述： [https://sniphi.com/](https://sniphi.com/) 在这个阶段，我们特别希望与以下人员进行反馈和对话： - 已经大规模部署物理传感器的人 - 遇到气味数据可能提供帮助的问题的人 - 对实际试点或测试类似项目感兴趣的人 我们并不是在筹款。我们主要想了解这种传感技术在何处真正有用，何处没有。 欢迎提出技术问题。

嗨，HN！我在Rust中重新实现了HTDemucs v4（Meta的音乐源分离模型），使用了Burn。它可以将任何歌曲分离成单独的音轨——鼓、低音、主唱、吉他、钢琴——无需Python运行时或服务器参与。 现在就试试吧：<a href="https://nikhilunni.github.io/demucs-rs/" rel="nofollow">https://nikhilunni.github.io/demucs-rs/</a>（需要支持WebGPU的浏览器——Chrome/Edge效果最佳） GitHub: <a href="https://github.com/nikhilunni/demucs-rs" rel="nofollow">https://github.com/nikhilunni/demucs-rs</a> 它有三种运行方式： - 在浏览器中——完整的机器学习推理管道编译为WASM，并通过WebGPU在你的GPU上运行。没有上传，所有操作都在你的机器上完成。 - 原生命令行界面——在macOS上使用Metal，在Linux/Windows上使用Vulkan。比浏览器方式更快。 - DAW插件——macOS上的VST3/CLAP插件，带有原生的SwiftUI界面。加载一首曲目，进行分离，直接将音轨拖入你的DAW时间线，或作为MIDI乐器进行演奏，配有独奏/音量推子。 核心推理库基于Burn构建（<a href="https://burn.dev" rel="nofollow">https://burn.dev</a>），这是一个Rust深度学习框架。相同的`demucs-core` crate可以编译为原生和`wasm32-unknown-unknown`，唯一变化的是GPU后端。 模型权重为F16 safetensors，托管在Hugging Face上，并在所有平台上首次使用时自动下载/缓存。有三种变体：标准的4音轨（84 MB），带吉他/钢琴的6音轨（84 MB），以及为最佳质量调优的四模型组合（333 MB）。 我在网上找到的现有实现大多是对原始Python实现的封装，且不太便携——该模型表现非常出色，我希望能够快速创建样本/混音，而无需离开DAW或浏览器。目前的实现相对偏向macOS，因为我正在用它进行测试，但其他平台的构建模块已经准备好。我希望这个项目能够发展成为音乐制作人的通用工具，而不仅仅是“在我的机器上能用”。 这是我第一次涉足数字信号处理和WASM上的机器学习，得到了Claude的大力帮助，过程非常有趣！

我在2023年出现了椎间盘突出，花了几个月时间进行物理治疗。经过治疗后重新开始训练时，常规的锻炼总是让我背部感到不适，尤其是在疲劳时，动作变形更严重。 我喜欢EMOM（每分钟完成一次）的训练方式，因为它让时间飞逝，并且在不需要过多思考的情况下推动我的极限。我开发了这个生成器，将这种结构与不会伤害我背部的运动选择结合起来。它排除了美式摆动、俄式扭转以及那些结合负重脊柱屈曲和旋转的动作。该算法根据麦吉尔的脊柱负荷研究，优先考虑前负荷的动作（如高脚杯深蹲、前架训练）。 使用React 19 + Tailwind + Capacitor进行iOS开发。终身解锁是主要选项，因为没有人需要再订阅一个Netflix。还有一个低成本的月度选项，如果你想尝试高级功能而不想长期承诺。 这不是医疗建议。这是我从康复回到举重的过程中有效的方法。我很想听听其他人的经历：在椎间盘问题后，重新开始训练最困难的部分是什么？

大家好，我是这个项目团队的一员，虽然我并不是具体的工程师。很高兴能回答我能回答的问题，对于任何技术性的问题，我会请参与开发的同事来解答。 我们开发这个工具的原因是：大多数团队只有在发生CVE事件或合规审计时才会发现他们正在使用已终止支持（EOL）的软件。我们不断听到客户提到这个问题，但找不到一个工具能够明确回答：我的哪些依赖项将不再获得任何补丁，包括你们的包所依赖的那些？ 现有的SCA工具只覆盖已知的CVE，但并不涵盖EOL状态或未来的情况。这正是我们开发这个工具的目的所在。 值得直接说明的是：HeroDevs是一家营利性公司。但我们开发这个工具的部分原因是，我们认为在维护者离开时，需要有人对开源软件负责。我们将这视为我们承诺的一部分，而不仅仅是一个产品。 你可以通过运行 `npx @herodevs/cli scan` 或在网站上上传SBOM来使用这个工具（<a href="https://eoldataset.com/" rel="nofollow">https://eoldataset.com/</a>）。使用是免费的。我们很想知道你们的发现，特别是在我们尚未很好覆盖的生态系统中。

Orkia 是一个开源的 Rust 运行时，专为 LLM 代理设计，其中政策执行、信任评分和审计追踪在类型系统层面上集成到执行循环中。<p>没有任何代码路径可以在不经过治理的情况下执行工具。默认情况下采用失败关闭机制，使用签名会话证据（ECDSA P-256），并且代理通过展示行为来获得自主权。<p>采用 Apache 2.0 许可证。

大多数人工智能简历和演示工具的工作流程是： AI -> 选择模板 -> 填写内容。 但大型语言模型（LLMs）实际上在生成和修改原始HTML/CSS方面表现得相当不错。理论上，你可以： 1. 将文档保持为真实的HTML（或React） 2. 让AI直接调整布局和样式 3. 使用诸如“更简约”或“更强的层次感”等提示进行迭代 4. 最后导出为PDF 那么，为什么我们仍然要将一切限制在僵化的模板中呢？ 这是否与PDF渲染、布局不稳定、用户信任，还是与决定论和控制等更深层次的问题有关？ 我很好奇这里是否有人尝试过构建类似的东西，以及遇到了什么问题。