希基原则摘要

希基原则的核心表述是：“机构会试图保留它们所解决的问题”。更宽泛地看，也可以描述为“每个实体都倾向于延长它正在解决的问题”。

核心含义与示例

该原则意味着，一个旨在解决特定问题的机构或实体，可能会阻碍他人解决该问题的努力，以确保自身存在的相关性；或者因专注于现有的解决方案，而未能采用更好的新方法，从而延长了问题的存在。

文章提供了多个示例：

1. 税务申报公司游说政府，阻止其提供免费便捷的报税方式，以确保自身利润。
2. 私人监狱公司游说政府支持增加监禁人数和刑期的政策。
3. 一个经典案例是安大略省公交公司Trentway-Wagar，它试图通过法律手段取缔高效的拼车网站PickupPal，其论点是“因为拼车过去不方便，所以它就应该一直不方便”。最终在公众压力下，法律被修订以允许该服务。

此外，该原则不仅限于机构，也适用于个人（如员工抵制自动化其工作流程），且其行为可能是无意的（例如公司因专注于现有平庸解决方案而忽略更优技术）。

起源与不同表述

该原则由《连线》杂志编辑凯文·凯利在2010年基于学者克莱·舍基的观点提出。凯利在其博文中给出了三种微妙但重要的表述：

1. 机构表述：“机构会试图保留它们所解决的问题。”——暗示有意为之。
2. 复杂解决方案表述：“复杂的解决方案……可能会无意中延续它们所解决的问题。”——强调无意。
3. 普遍实体表述：“每个实体都倾向于延长它正在解决的问题。”——最普遍，不指明意图。

相关概念与注意事项

• 相关概念：

  • 眼镜蛇效应：印度德里悬赏眼镜蛇尸体，却导致人们养殖眼镜蛇；以及河内悬赏灭鼠尾，反而催生了养老鼠的产业。这些案例说明了解决问题的机制可能产生反效果。
  • 帕金森定律（工作会膨胀以填满可用时间）和厄普顿·辛克莱的名言（“当一个人的薪水取决于他不理解某件事时，就很难让他理解它”）都与希基原则相关，共同揭示了官僚主义和利益冲突导致的低效。

• 注意事项：

  1. 该原则只是一项普遍观察，并非在所有情况下都正确。
  2. 它可适用于各类实体（机构、个人、小团体）。
  3. 背后动因多样（贪婪、自保、惰性、疏忽）。
  4. 行为模式多样：可能包括延长现有问题、阻碍新方案、加剧问题、甚至创造新问题以成为其解决方案。
  5. 因此，一个更广泛的表述可以是：“实体常常推广它们能从中受益的问题”。

实际应用与总结

理解希基原则有助于：

• 理解行为：解释为何某些机构投入大量资源却收效甚微。
• 预测行为：判断某人是否会为自身利益而延续问题。
• 修正行为：通过消除扭曲的激励或创造更强的反向激励来改变状况。

应用时，可结合两个有用的概念进行分析：“谁受益？”（调查事件中的利益相关方）和**“汉隆剃刀”**（勿轻易以恶意揣测，可优先考虑愚蠢或疏忽等更简单的解释）。

总之，希基原则揭示了一个重要现象：为解决问题而存在的实体，其利益可能与彻底解决问题相悖，从而有意或无意地阻碍进步。认识到这一点，对于分析社会、商业和官僚体系中的诸多难题具有重要意义。

本文介绍了如何使用纯 SQL 代码（结合 PostgreSQL 的 pgvector 扩展）实现 GPT-2 大型语言模型（LLM），以挑战“SQL 不适合实现 LLM”的观点。以下是其核心内容的总结：

理论基础

LLM 本质上是一个确定性函数，它将一个文本提示作为输入，并输出一个词元列表及其对应概率，这些概率代表了提示后续可能的词。通过反复调用该函数、根据概率随机选择下一个词元，并将其追加到提示中，可以生成连贯的文本。GPT（生成式预训练变换器）是实现此类功能的主流算法。

主要实现组件

1. 分词器：

   • 采用字节对编码（BPE）算法，将文本拆分为子词单元（词元），而非单个字符或完整单词。
   • 使用递归 CTE，在 SQL 中实现了 BPE 的合并过程：从单个字节开始，反复合并最频繁的相邻词元对。
   • 示例展示了对单词 "Mississippilessly" 的分词过程。

2. 嵌入：

   • 将每个词元 ID 和其在文本中的位置，分别通过预训练好的词嵌入矩阵 (WTE) 和位置嵌入矩阵 (WPE) 映射到高维向量空间（GPT-2 为 768 维）。
   • 将词元嵌入和位置嵌入相加，得到输入向量。

3. 注意力机制：

   • 实现了多头因果自注意力机制。该步骤允许模型关注输入序列中不同位置的信息，但确保生成时是自回归的（即后面的词元不能影响前面的计算）。
   • 使用递归 CTE 和向量运算，在 SQL 中完成了以下步骤：
     • 层归一化：对输入向量进行归一化处理。
     • 查询、键、值计算：将归一化向量通过学习的线性变换投影为查询（Q）、键（K）、值（V）向量。
     • 注意力分数计算：计算查询与所有键的点积，并应用因果掩码（防止信息从未来流向过去）。
     • 加权求和：使用 Softmax 函数将注意力分数转换为权重，并对值向量进行加权求和。
     • 输出投影：将多个注意力头的输出拼接，并通过另一个线性层投影回原始维度，最后与输入进行残差连接。

4. 前馈神经网络：

   • 在每个注意力块之后，是一个简单的两层前馈网络（使用 GELU 激活函数）。
   • 该步骤同样包含层归一化、线性变换和残差连接。

5. 模型堆叠：

   • GPT-2 由 12 个相同的“块”（即上述注意力层和前馈层的组合）堆叠而成。
   • 使用递归 CTE 将数据依次流经所有块，实现深度模型的模拟。

6. 输出与推理：

   • 最终输出通过最后一个块的输出向量计算得到。
   • 通过计算输出向量与所有词嵌入向量的点积（logits），并应用 Softmax 函数（引入温度参数 temperature 以控制随机性），选择下一个词元。
   • 作者展示了如何使用这些步骤，以 “Happy New Year! I wish you” 为提示，生成后续文本。

总结

这篇文章详细展示了如何利用 PostgreSQL 的 SQL（尤其是递归 CTE 和向量运算）来模拟神经网络的关键计算步骤，从而完整实现了一个 GPT-2 模型的推理过程。虽然执行效率无法与优化过的深度学习框架相比，但它证明了 SQL 在表达复杂算法和数据转换方面的强大能力。最终，模型成功为新年祝福语生成了合理的后续文本。

OK-Robot 性能分析摘要

OK-Robot 是一个开放、模块化的家庭机器人框架，专注于实现任何环境下的拾取和放置任务。该框架展示了在全新环境中的零样本泛化能力，但实际性能分析揭示了成功与失败的关键因素。

在完全陌生的家庭环境中，OK-Robot 的成功率为 58.5%。然而，失败原因呈现出长尾分布，主要失败模式包括以下三点：

1. 语义记忆检索失败：无法从语义记忆中正确检索目标对象以导航，占失败案例的 9.3%。
2. 操作模块姿态困难：从操作模块中获取困难姿态导致任务失败，占 8.0%。
3. 硬件问题：硬件相关困难，占 7.5%。

在论文的“理解 OK-Robot 性能”部分，详细分析了这些失败模式，并讨论了最频繁出现的案例，以进一步优化系统。

文章总结了前Gizmodo撰稿人Tom McKay在2022年离职后，通过将自己在工作沟通平台Slack上的账户伪装成官方“Slackbot”机器人，成功潜伏数月未被公司管理方发现的恶作剧事件。其核心操作包括将个人头像替换为模仿Slackbot的愤怒版本图标，并将用户名改为“Slackbot”——但通过使用Unicode字符替代原名中的字母“o”来绕过平台的同名限制。这一伪装使其账户得以逃避离职后的自动删除，并能以机器人身份向同事发送类似自动消息。文章指出，虽然部分公司会有安全措施防止此类行为，但Gizmodo的管理方可能因疏忽未察觉此伪装账户的存在。McKay的前同事对此并不意外，并暗示这与该媒体公司的管理状况有关。

文章总结

本文探讨了生成模型（如自回归模型、GANs和扩散模型）在生成训练过程中隐含编码的内在场景知识，并提出一种通用方法来恢复这些知识。

核心研究问题

1. 内在知识内容：生成模型编码了哪些内在场景属性（如法线、深度、反照率和着色）？
2. 通用恢复框架：是否能建立一个模型无关的框架，从不同类型生成模型中恢复内在表示？
3. 参数与数据效率：需要多少可学习参数和标记数据才能有效恢复内在知识？
4. 质量相关性：生成模型的质量与恢复的内在图像准确性之间是否存在关联？

方法与技术

• 核心方法：采用低秩适应（LoRA），一种轻量级、模型无关的适应技术，针对生成模型的注意力层（如VQGAN和Stable Diffusion）或仿射层（如StyleGAN）进行应用。
• 关键创新：无需额外的任务特定解码头或层，直接利用LoRA从模型的现有表示中恢复内在图像。
• 实现细节：LoRA参数极轻量化，例如在Stable Diffusion中，秩为2时仅需模型权重的0.04%。

主要发现

• 广泛适用性：LoRA能成功从自回归模型、GANs和扩散模型中恢复多种内在图像（深度、法线、反照率和着色）。
• 高效率：仅需少量标记数据（如250张图像）即可训练LoRA模块生成内在图像。
• 质量关联：控制实验表明，生成模型的质量越高，恢复的内在图像准确性越好，证实两者之间存在正相关。

结论

本文证明生成模型隐含编码丰富的内在场景知识，且通过轻量级的LoRA方法可以高效、通用地恢复这些知识，为生成模型的内部表示学习提供了新见解。

Mamba: 简易解析

背景与问题

当前主流语言模型（如ChatGPT、Gemini）基于Transformer架构，其核心注意力机制存在根本缺陷：计算复杂度随序列长度呈二次方增长。这导致处理长文本（如摘要百页文档）时速度极慢。

S4模型基础

Mamba基于状态空间模型（SSM）S4，通过以下连续方程将输入 (x(t)) 映射到输出 (y(t))： [ h'(t) = \mathbf{A}h(t) + \mathbf{B}x(t) \quad ; \quad y(t) = \mathbf{C}h(t) ] 实际使用中需离散化为： [ h_t = \mathbf{\bar{A}}h_{t-1} + \mathbf{\bar{B}}x_t \quad ; \quad y_t = \mathbf{C}h_t ] S4的关键特性是具有双重等价形式：

• RNN模式（循环神经网络）：适合推理，逐步计算状态
• CNN模式（卷积神经网络）：适合训练，可预计算卷积核 (\mathbf{\bar{K}})，利用并行计算加速

Mamba的核心创新

1. 选择性机制

S4的参数 (\mathbf{\bar{A}}, \mathbf{\bar{B}}, \mathbf{C}) 是固定的，而Mamba使其依赖于输入动态变化： [ h_t = s_{\mathbf{\bar{A}}}(x_t)h_{t-1} + s_{\mathbf{\bar{B}}}(x_t)x_t ] 这使模型能聚焦关键信息（如分类意图时突出"order"和"hamburger"），提升任务表现。但因此无法使用CNN模式预计算卷积核，只能采用训练较慢的RNN模式。

2. 快速并行训练

Mamba将状态更新方程 (h_t = \mathbf{\bar{A}}h_{t-1} + \mathbf{\bar{B}}x_t) 类比为前缀和扫描算法。虽序列计算看似必须顺序进行，但可利用GPU并行性，在 (O(\log n)) 时间内完成。

作者基于FlashAttention的内存优化思想（使用GPU的HBM与SRAM进行分块计算），优化了并行扫描实现，最终使Mamba训练速度超越FlashAttention-2，在长序列上优势显著。

实验结果

在语言建模、基因组和音频任务上，Mamba表现出色：

• 语言建模：在1.25亿至1.3亿参数规模下，性能优于同等大小的Transformer模型。
• 推理速度：得益于线性时间复杂度，处理长序列时速度显著提升。

当前状态与展望

Mamba论文在ICLR会议被拒，引发讨论。尽管在中小模型上效果突出，其在大规模模型上的性能仍需进一步验证。作为线性时间模型的代表，Mamba为解决长序列处理效率问题提供了新方向。

一年内失去两份工作的经历

背景与初始冲击

2022年是压力巨大的一年。作者的家庭因房地产市场疯狂而买房失败；2022年2月24日，俄罗斯入侵乌克兰，作者的祖国，朋友和亲戚失去家园、工作和未来安全。2022年11月30日，作者在Elastic公司工作时收到裁员邮件，公司宣布裁员13%，她被包括在内。作为有20年经验的软件工程师，她曾认为好工程师不会被裁员，这给她带来巨大震惊。Elastic的裁员处理相对人性化：立即离职但保持工资和福利到12月，提供14周遣散费和6个月医疗保险。作者哭泣后开始找工作。

第二次工作与失业

通过前同事介绍，作者于2023年1月加入Coiled，一家数据工程初创公司，从事Dask相关工作。与Elastic这样的大公司不同，Coiled是小公司，方向多变，作者因Elastic裁员后缺乏自信，决定保持低调、少说话、努力工作。2023年7月，经理在1:1会议上宣布解雇她，这是第二次失业。Coiled提供6周遣散费，但找工作变得困难，因为市场因更多公司裁员（如Twitter、Google、Meta）而饱和。

健康危机与反思

在找工作期间，作者需要非危及生命的手术。术前检查发现肺部有3厘米肿块，疑似癌症，但CT扫描确认是20年前肺炎留下的疤痕组织。这一消息让她重新评估生活优先事项：两次失业变得不再重要，孩子们不会失去母亲。手术在保险覆盖内成功进行，但恢复过程漫长。

接受不完美与后续影响

失业和健康危机严重动摇作者信心，她停止写作、参加会议或公开演讲。她接受了一些公理：任何事情都可能发生、无法保护孩子免受一切、工作只是身份的一部分、不完美、变化不可避免、不孤单。朋友提供了大量帮助和鼓励。最终，作者找到新工作，有好团队和挑战性产品，重新投入工作，感觉恢复中。

总结

作者的经历突出了生活中的不确定性、身份的多重性以及支持的重要性。这不是一个英雄克服所有障碍的故事，而是一个关于挣扎、失误和接受不完美的故事。作者强调了变化不可避免，但通过接受和支持，可以重新找到方向和希望。

文章讨论了网页中大型数据表格的可用性问题，并提供了一个简单的CSS解决方案。

核心问题

• 当网页表格包含数百行数据时，用户向下滚动后，表头会从视图中消失。
• 这导致用户难以记住每一列数据所对应的含义，尤其是在首次查看表格时。

解决方案

• 使用CSS的 sticky 定位特性，使表头在滚动时保持可见。
• 实现方式是为表格的 <thead> 元素添加以下两个CSS属性：

  position: sticky;
  top: 0;
  

• 该方法仅需少量代码，实施简单。

优势与兼容性

• sticky 定位拥有约96%的全球浏览器支持率，属于成熟可靠的技术，而非实验性特性。
• 它能显著提升终端用户在处理大型表格时的体验。

示例与延伸

• 文章提供了在线代码示例（CodePen）进行演示。
• 此外，作者还提到了另一篇相关文章《用最少的CSS实现响应式表格》，可作为进一步了解。

地球正在变得更绿

尽管面临森林砍伐、草地消失和气候变化引发的野火等环境破坏，卫星数据表明，过去四十年间地球的绿色植被覆盖面积却在显著增加。这一“全球绿化”现象不仅发生在陆地，海洋也呈现类似趋势。绿色植被的增加有助于通过光合作用吸收二氧化碳，从而部分缓解气候变化的影响。然而，这种绿化并非单纯的生态系统恢复，而是人类大规模改变环境的结果。

绿化的原因

卫星传感器通过测量不同波长的光来估算地表叶片数量，数据显示自20世纪80年代以来，全球绿色叶片面积增加了约5%，相当于覆盖一个亚马逊雨林面积的叶片量，且绿化速率在多数陆地仍在加快。主要驱动因素包括：

• 二氧化碳浓度上升：大气中二氧化碳含量较两个世纪前增加了约50%，作为植物生长的肥料，促进了叶片生长。
• 农业集约化与植树造林：人类在相同土地上种植更多作物，以及大规模植树（尤其在中国和印度）贡献了约三分之一的绿化。中国通过种植数百亿棵树防治土地退化，印度的农业集约化也显著提升了植被覆盖。

绿化的积极影响

更绿的地球有助于气候调节：陆地和海洋吸收了人类排放二氧化碳的一半以上，这些“碳汇”遏制了全球变暖加剧。全球绿化是陆地碳汇增长的原因之一。海洋绿化则可能与浮游植物有关，但具体机制仍待研究，美国宇航局（PACE卫星）将通过观测海洋颜色来进一步理解浮游植物群落对气候的影响。

绿化背后的问题

绿色植被的增加掩盖了深层次问题：

• 生态多样性丧失：卫星无法区分原始雨林和单一作物种植园，两者均显示为绿色，但后者缺乏生物多样性和生态功能。
• 工业化农业的代价：农田绿化往往以替代自然生态系统为代价，且需要大量水资源和化学药剂（如肥料、农药），长期可能碳排放大于吸收。例如，加州帝王谷通过消耗科罗拉多河水资源将沙漠变为农田，引发了水资源争端。
• 树木种植的局限性：人工林通常树种单一，生物多样性低，且部分树木可能最终死亡。
• 营养价值下降：二氧化碳浓度升高可能降低作物中蛋白质和矿物质的含量，加剧全球营养不良问题。

结论

全球绿化现象是人类活动改变大气、地表和海洋的直观体现，其背后隐含着生态系统退化和资源压力等复杂问题。颜色的变化不仅反映了地球的物理变化，更凸显了人类对行星规模的深远影响。

Qubes OS 4.2.0：一次以提升可用性为重点的更新

Qubes OS 简介 Qubes OS 是一个基于 Fedora Linux 和 Xen 超级监控程序（Hypervisor）、以安全为核心的桌面 Linux 发行版。其核心安全理念是通过虚拟化技术实现隔离，使用称为“qube”的虚拟机来运行应用程序、系统服务和设备访问。这些 qube 具有不同的信任级别和持久性，旨在提供一个“合理安全”且具备“高度隐私”的开源操作系统。Qubes 通过隔离来保证安全，而非依赖应用或服务本身的绝对安全。

核心架构

• dom0 (管理 qube)：基于 Fedora，拥有直接硬件访问权限，负责管理和协调其他非特权客户域。
• domU (客户域)：基于模板（存储为 LVM 卷），分为用于运行应用程序的“应用 qube”和提供网络、USB 访问等服务的“服务 qube”（例如 sys-net, sys-firewall, sys-usb）。
• 模板 (Templates)：应用 qube 的根文件系统来源。用户需要的持久化软件应安装在模板中，否则在应用 qube 重启后会丢失。
• 信任级别：每个 qube 都有不同的信任等级，从“不安全且不受信任”到“安全且完全受信任”。所有 qube 通过颜色边框向用户直观显示其状态和安全级别。

4.2.0 版本更新重点 此版本（发布于2023年12月）主要关注于完善用户体验和提升易用性，而非底层架构的重大变革。

1. GUI 应用程序改进

   • 重新设计的应用菜单：现在默认启用了在 4.1 版本中作为预览的新菜单。它将应用 qube、模板 qube 和服务 qube 分开组织，并将 Qubes 工具（如全局配置和策略编辑器）独立出来，改善了过去随着 qube 数量增加而变得混乱的菜单结构。
   • 全局配置应用程序：新设计的单一设置界面，整合了文件访问、剪贴板、更新、USB 设备、URL 处理等系统级设置，提升了功能的可发现性，旨在更好地服务非技术用户。
   • “创建新 Qube” 应用程序更新：新界面更直观，提供了更多初始配置选项和设置指导。
   • Qubes 更新应用程序改进：能够后台检查更新，并定期通知运行中 qube 的更新。可以自动尝试更新七天未使用的模板，并在更新后智能地提示重启 qube（不会中断正在运行的应用）。

2. 模板与安全更新

   • 默认模板切换：将 Fedora 和 Debian 模板的默认桌面环境从 GNOME 更换为 Xfce，以减少内存使用并解决某些 GNOME 软件包与 Qubes GUI 代理的兼容性问题。
   • SELinux 支持：在 Fedora 模板中正式添加了 SELinux 支持。虽然 Qubes 本身已通过隔离提供强大安全，但 SELinux 能为在 qube 内部运行的应用程序（如 Podman、bubblewrap）提供额外的沙箱和加固功能，并在使用 qvm-copy 跨 qube 传输文件时增强安全性。

总结 Qubes OS 4.2.0 是一次相对温和的更新，其核心价值在于通过改进图形界面、简化管理工具和增强模板功能，显著提升了系统的可用性和用户体验。对于以安全为首要目标但操作可能复杂的系统而言，提高易用性对于吸引和留住用户至关重要。此次更新体现了 Qubes 项目在完善其安全架构理想的同时，也在努力使其更易于被更广泛的用户所接受和使用。

软件质量思考指南

软件质量的本质

软件质量关乎产品在诞生、变更与消亡整个生命周期中的“体验”。优秀质量意味着在整个过程中优雅地应对变化，并让所处环境变得更好。软件产品与其他机器不同：它由概念构成，具有无限的可塑性和变异性，并且大多数软件必须随着其所服务的世界而不断改变。这种改变与软件自身改变世界的反馈循环，共同形成了不断加速的压力。

谁该为质量负责？

质量保障不应仅是“QA”团队或开发者的责任。产品生命周期中的所有职能——包括分析、产品、设计、开发、运维、销售、市场乃至CEO——都影响着产品质量。将质量责任单一化，会导致风险延迟暴露、问题叠加，最终可能导致“千刀万剐”式的缓慢衰亡。

线性工作流程的风险

传统的分析→需求→设计→开发→测试→上线的线性工作流程存在固有风险：

1. 风险前置：分析阶段的错误会贯穿全程。
2. 债务/风险复合增长：问题和捷径会随时间累积、放大。
3. 反馈延迟：质量缺陷的信号在交付压力下容易被忽略，修复成本急剧上升。

不同产品类型的挑战

• 企业级产品：关键指标是营收增长，面临高客户风险与严苛SLA。
• 消费者产品：关键指标是用户增长，面临微小的单元经济与EULA风险。 两者都面临共同的挑战：每一次热修复、投诉、崩溃、停机都是一次“切割”，损害质量与价值。

如何破坏软件质量

以下是常见的破坏质量的做法：

• 将软件测试误认为质量保障。
• 让最缺乏经验的人负责日常测试。
• 催生不良文化，例如：“这是个小功能，别耽误进度”、“测试很无聊”、“用户投诉了再修”、“谁写的这代码？”。
• 让设计、开发和测试人员工作于他人设定的任务与优先级。
• 建立相互指责的文化和部门竞争的激励机制。
• 常态化各种偏差行为。

如何创造软件质量

创造质量没有单一公式，但核心在于：

• 避免上述破坏质量的行为。
• 构建高质量的组织系统与文化。这需要：
  • 由所有利益相关者协同共建。
  • 适应组织独特的背景。
  • 与客户、合作伙伴及生态共同演化。
• 这是一个艰难的过程，需要正确的心态、领导力和持续的整体性评估与调整。其基础是多元且挑战现状的视角。

核心技能：建设性地承受痛苦

提升质量如同恢复健康体魄，过程必然伴随不适（如肌肉酸痛、抗拒即时满足）。但建设性的痛苦能带来高质量的结果。幸运的是，行业已积累了大量由眼泪、汗水乃至生命换来的研究和经验报告，可以帮助我们增强直觉。

推荐资源（用于自我探索）

• 系统思维：《Thinking in Systems》
• 软件复杂度：《Out of The Tar Pit》、《No Silver Bullet》、《Simple made Easy》
• 失败研究：《How Complex Systems Fail》、《Safety Differently》
• 协作实践：《The Mythical Man Month》、《The Checklist Manifesto》、《The Principles of Product Development Flow》
• 个人修为：《On Being a Senior Engineer》、《Hammock Driven Development》
• 实践哲学：《High Output Management》、《Destruction and Creation》
• 其他：Gene Kim的播客《The Idealcast》

本文基于作者约20年专业生涯中的个人失败、错误与成功经验写成，是对当前直觉的阐述。请批判性地吸收，取其有用之处。

Refractify：用于近视预防的光学软件

背景

近视（近视为眼）不仅由遗传因素导致，也与室内时间增加或近距离屏幕工作相关。研究揭示了眼睛轴向异常增长的机制，并提出了非侵入性治疗方法，如智能眼镜和近视控制隐形眼镜。

Refractify 简介

Refractify 是全球首个在屏幕上应用近视性离焦（myopic defocus）效果的软件。临床前研究表明，它可能减缓近视进展或预防近视。该软件通过模拟纵向色差（Longitudinal Chromatic Aberration, LCA）和其他效应，使屏幕内容在视网膜上呈现为来自更远距离，从而模拟自然视觉效果。LCA 技术在计算机图形学中已用于增强深度感知，但近年来因近视预防潜力而受到研究关注。

核心功能

• 近视性离焦模拟：在屏幕上复制当物体距离超过眼睛远点时产生的自然离焦效果。
• 平台支持：提供浏览器扩展和桌面应用，适用于多种设备。

产品形式与可用性

1. Refractify MDL 浏览器扩展

• 免费开源：适用于 Google Chrome、Microsoft Edge、Brave 等 Chromium 内核浏览器。
• 移动端：可通过 Kiwi 浏览器体验（Firefox 暂不支持）。
• 设置要求：需配置效果强度和屏幕参数。

2. Refractify MDL 桌面体验

• 系统集成：支持 Windows 10/11，自动检测显示器尺寸和分辨率，最多支持 8 个显示器。
• 付费模式：一次性付费，支持未来发展、测试和研究。
• 优化功能：自动启动，提供实时近视性离焦效果。

重要注意事项

• Refractify LLC 目标是开发医疗软件，但需进一步研究、改进和临床测试。
• 警告：在未咨询医生或眼科专家前，勿尝试治疗或预防任何医疗条件；勿停止已批准的治疗方案。

常见问题解答要点

• 有效性证据：树鼩实验中，近视性离焦成功预防了近视；人类使用双光隐形眼镜已显示减缓近视进展的效果。
• 与蓝光过滤器区别：蓝光过滤器改变光谱模拟自然光；近视性离焦根据 LCA 函数模糊蓝绿光，营造远处光源外观，两者可同时使用。
• 监管状态：尚未获得 FDA 或欧盟 MDSW 批准，但未来版本可能注册用于近视预防。
• 专家意见：眼科医生看法不一，部分支持继续研究，部分认为近视完全由遗传决定。

未来计划

• 订阅更新可获取新版本（包括 Linux 支持）和临床研究信息。
• 项目欢迎捐赠以支持持续发展。

总结

Refractify 是一款创新软件，通过屏幕模拟近视性离焦效果，旨在预防或减缓近视进展。基于 LCA 技术和早期研究，它提供了非侵入性的视觉方案，但用户需注意其非医疗设备性质，并咨询专业医生。

这篇文章介绍了如何精简Windows 3.1/3.11系统，使其能在内存和存储空间极其有限的旧电脑上运行。核心目标是减少不必要的系统文件，仅保留运行所需的最小文件集。

主要方法与方案：

1. 从软盘运行

   • 使用两张1.44MB软盘即可在无硬盘、仅4MB内存的电脑上运行Windows。
   • 利用DOS的DBLSPACE（磁盘压缩）功能，可将启动文件和最小Windows文件分别放在两张压缩软盘上。
   • 过程涉及创建专用启动盘、配置系统文件（CONFIG.SYS, AUTOEXEC.BAT），并确保运行过程中正确换盘。

2. 在内存盘上运行

   • 针对不支持FAT32的旧电脑（如只有16MB内存的386），可在内存中创建虚拟磁盘来运行Windows。
   • 将Windows精简至约5MB，置于9MB内存盘中，并留出2MB交换文件。系统运行流畅，但剩余内存可能有限。

3. 最小系统文件清单

   • 文章列出了Windows启动和运行所必需的最小文件集，分别位于Windows目录和Windows\system目录下。
   • Windows目录最小文件总计约180KB。
   • Windows\system目录最小文件总计约1.45MB。
   • 所有必需系统文件合计约1.6MB。这不包括任何应用程序或额外驱动。

4. 按需添加组件

   • 以上仅为裸系统。根据需求可添加：
     • 菜单组文件：如附件、游戏、网络、启动组。
     • 控制面板：用于更改设置，包含多个.cpl文件及相关程序文件。
     • 网络支持：区分DOS下启动网络和Windows下启动网络两种方式，所需文件不同。
     • 其他应用程序与驱动。

5. 存储与管理策略

   • 建议将不常用文件（如帮助文件、控制面板）压缩存储，仅在需要时解压使用，以减小运行时占用的空间。
   • 使用PKZIP等工具压缩文件，可存储在硬盘、软盘或网络驱动器上，便于复制到内存盘或软盘中运行。

总结： 这篇文章详细阐述了通过精简系统文件、利用软盘或内存盘等技术，将Windows 3.1/3.11的运行环境压缩到极致的实践方法，旨在让老旧低配电脑也能运行该系统。

Equifax 在提供法定免费年度信用报告时采用暗模式设计，主要体现在两个方面：

1. 网页申请新增强制信息要求：申请 Equifax 信用报告时，被强制要求提供电子邮箱和手机号码，而其他信用机构及 Equifax 过去均通过知识验证问题来确认身份，这些信息并非必需。
2. 电话申请流程存在故障：根据指引尝试电话申请时，在输入邮政编码后，语音系统虽能正确复述，但用户按下确认键时系统持续报错，并强制要求使用语音输入方式完成后续步骤，而录音确认也非提供报告的必要步骤。

用户已就此问题向 annualcreditreport.com 提出投诉，但未获回应。

Scuttlebutt 去中心化社交网络概述

Scuttlebutt 是一个去中心化的社交网络平台，旨在为用户提供一种替代大型企业社交网络的自由选择。

核心特点与理念

该平台强调去中心化与本地化，致力于促进本地社区的自由发展，摆脱大型公司的控制。其主要目标是赋予用户自主权，并创造一个免受大数据收集侵扰的自由空间。平台被描述为一个快速增长的去中心化社交网络，对社会具有变革潜力。

相关资源与背景

平台网站提供了获取入门信息（Get Started）的链接，并展示了其相关的客户端应用图标（如 Patchwork 和 Patchbay）。网站还收录了一系列关于 Scuttlebutt 的演讲和文章资源，以帮助用户深入了解其愿景：

• 《The Localized but Distributed Social Network - 2019》
• 《Scuttlebutt and a Decentralized Future - 2018》
• 《Reinvent the Social Web - André Staltz @ FullStackFest - 2018》 网站同时提供了更多视频资料的入口。

平台定位

Scuttlebutt 定位为大型企业社交网络的替代方案，其核心价值在于通过去中心化技术实现用户自治和社区赋能。

微软作为银级赞助商加入MapLibre赞助计划。其80,000美元的银级捐赠将用于：20%用于开发新功能，80%用于MapLibre代码库的常规维护和项目协调。微软从最初就对MapLibre组织的建设发挥了重要作用，此次加入赞助计划为双方可持续的共同未来奠定了基础。微软在消费级和企业级地图产品中均使用MapLibre GL JS。Bing Maps已在生产环境部署MapLibre GL JS，这得益于Bing Maps工程师为MapLibre贡献的性能改进。Azure Maps基于MapLibre GL JS为全球企业客户提供高质量的地图服务。我们期待微软的更多贡献，并很荣幸拥有微软作为赞助商！

本文介绍了如何在Python中实现整洁的并行任务输出，模仿Bazel等工具的多行状态显示效果。主要内容如下：

问题背景

使用multiprocessing进行并行任务处理时，多个进程的日志输出会交错混乱，难以阅读。例如，每个仓库(repo)的构建状态（如“Starting”、“Installing”等）在终端中混杂显示。

解决方案

通过终端控制序列和共享状态字典，实现在同一组行中动态更新各任务状态：

1. 核心机制：

   • 使用multiprocessing.Manager创建共享的字典last_output_per_process存储各任务最新状态。
   • 使用锁(terminal_lock)同步对共享字典和终端输出的访问，避免输出错乱。

2. 关键函数：

   • log(): 获取锁，更新当前任务的状态，然后清屏并重绘所有任务的状态行（按顺序显示）。通过ANSI转义序列（\x1b[1A\x1b[2K）实现光标上移和行清除。
   • func(): 任务完成时，从共享字典中删除自身记录。
   • fill_output() / clean_up(): 辅助函数，用于初始化空白行和最终清理显示区域。

3. 输出效果：

   • 终端固定显示min(仓库数, CPU核数)行状态。
   • 每个任务始终占据一行，其状态行会原地更新，直到任务完成该行被移除。
   • 输出顺序由添加到字典的顺序决定，也可进行排序。

局限性

• 仅适用于单行日志状态。多行输出可能产生干扰。
• 如果其他地方有直接的print语句，可能会破坏显示格式。

参考资料

• 方案灵感来源于StackOverflow用户Leedehai的终端重写技巧。
• 完整代码示例可在提供的Gist链接中找到。

Meta 基于大语言模型的新测试生成器：开发的未来前瞻

Meta 最近发布了一篇题为“在 Meta 使用大语言模型自动改进单元测试”的论文。其核心成果在于将 LLM 集成到开发者工作流中，并推荐经验证既正确又能提升当前代码覆盖率的、完整可用的软件改进方案。这并非万能药，但为增强 LLM 实用性迈出了重要一步。与 ChatGPT 等工具的建议仍需人工验证相比，该系统直接提供经过验证的改进，降低了调试成本。

核心要点与运作机制

• TestGen-LLM 的定位：该工具专注于改进现有人工编写的测试，而非从零生成代码。可将其视为一个负责为现有代码创建更全面测试的“初级开发者”。
• 技术方法：采用“有保障的基于 LLM 的软件工程”方法，使用 Meta 内部私有、可能经微调的 LLM。它通过集成方法（结合 LLM、提示词和超参数）生成一组候选改进，然后筛选出最佳方案。
• 集成与流程：TestGen-LLM 已集成至 Meta 的软件工程流程中。其生成的拉取请求需经人工审查后才能合并。
• 过滤器确保质量：输出经过一系列严格过滤：
  1. 可构建性检查：代码能否成功构建。
  2. 执行检查：测试是否通过。
  3. 稳定性检查：测试结果是否一致（需连续 5 次通过）。
  4. 覆盖率提升检查：新测试是否真正增加了代码覆盖路径。 通过所有过滤器的测试被保证能增强现有测试套件。

关键数据与成效

• 在 Instagram 的 Reels 和 Stories 产品评估中，75% 的生成测试用例成功构建，57% 能可靠通过，25% 有效增加了代码覆盖率。
• TestGen-LLM 能改进其应用到的 10% 的类，且 73% 的测试改进被开发者接受并合入生产环境。
• 在一次“测试马拉松”中，TestGen-LLM 生成测试增加的中位数代码行数为 2.5 行，但有一个测试用例覆盖了 1,326 行代码，显著揭示了被人类遗漏的代码路径。
• 所有改进后的测试用例均覆盖了至少一个额外的边界情况（如提前返回、处理 null 值或空列表等）。

意义与启示

• 提升效率与可靠性：该论文展示了 LLM 如何以高效方式提升开发生产力和软件可靠性。它提供了一种低风险、能节省开发者累计时间的方式，特别是在测试生成和代码审查自动建议等增量、专门化的场景中。
• LLM 的局限与适用场景：由于上下文窗口小和依赖分散，LLM 在大型代码库中解决非样板问题的能力有限。它们需要大量后处理和过滤，其最佳使用方式是集成到工作流中（如 Copilot），而非独立的聊天机器人。
• 超越人类视角：LLM 的价值在于能将其“思考箱”扩大，提出人类可能忽略的边界情况和代码路径，尤其在处理“未知的未知”问题上可能比传统测试更有潜力。
• 不是“即插即用”：基础 LLM 不能直接用于要求正确性的代码生成任务。需要像 Meta 这样，基于现有代码进行接地和过滤，大部分输出可能会被丢弃。
• 未来展望：该论文形式化了开发者可能已在使用 LLM 进行的用途。随着发展，LLM 在捕捉复杂软件系统中的 bug 方面能力将持续提升，但这最终是使软件开发更容易，还是会引发软件复杂性激增，仍有待观察。

Consol3: 终端3D引擎概览

核心特性

• 纯CPU软件渲染：所有图形计算（顶点变换、矩阵运算等）完全在CPU上执行，不使用显卡
• 终端显示输出：直接在系统控制台/终端窗口显示渲染画面
• 零外部依赖：仅使用操作系统提供的基础功能，不依赖任何外部库（数学库、窗口管理器等）

渲染技术

1. 光栅化管线

支持完整的光栅化流程：

• 顶点着色器：处理顶点变换、投影和背面剔除
• 图元裁剪：对离屏顶点进行裁剪
• 屏幕空间变换
• 光栅化：使用重心坐标法确定三角形内像素
• 片段着色器：决定最终像素颜色（支持纯色、纹理、光照）

功能特性：

• 支持OBJ/MD2模型加载
• 多种光源（方向光、点光、聚光灯）
• 纹理映射与法线贴图
• 阴影贴图（支持多光源阴影）
• MD2动画播放
• 球体生成
• 镜面高光与彩色光照

2. 光线行进（Ray Marching）

• 使用3D体素网格表示场景
• 从摄像机发射光线，遇到非空气体素时停止
• 集成简单物理模拟
• 支持元素：沙、冰、水、蒸汽、石头、熔岩、钢铁
• 体素着色与阴影

混合渲染

支持在同一场景中同时使用光栅化和光线行进技术。

帧绘制器

提供多种终端颜色表示方案：

1. 灰度绘制器：16级灰度
2. 抖动灰度绘制器：通过字符抖动扩展至80级灰度
3. 抖动绘制器：使用默认调色板，每种颜色10级深度
4. VT转义序列绘制器：支持32位真彩色或256色索引调色板
5. 纯文本绘制器：仅用字符亮度表示明暗（如 ·;%░≡¥▒▓█）

着色器系统

• 实现类似GPU的可编程着色器概念
• 支持自定义顶点和片段着色器
• 通过类型擦除上下文在管线阶段间传递数据
• 示例展示了纹理映射的着色器实现

构建与使用

• 构建系统：CMake（支持Windows和Linux）
• 生成可执行文件：
  • Consol3_raster：光栅化场景演示
  • Consol3_voxel：体素与物理模拟场景
• 基本控制：
  • WASD移动/方向键控制视角
  • 鼠标/数字键控制灯光、场景选择
  • Page Up/Down切换帧绘制器

计划特性

• SIMD加速顶点变换
• 多像素填充优化
• 分块（Binning）光栅化优化

发展历程

作者多年的业余项目，经历多次重构和重写，当前为最新版本。Linux端暂不支持鼠标输入（使用方向键控制视角），且仅支持部分帧绘制器。

大型科技公司中的质量难题

作者观察到大型科技公司的产品质量呈下降趋势，具体表现为：

• 用户界面不稳定或不直观。
• 代码库中存在大量未清理的冗余代码。
• 有“可接受”解决方法的 bug 从未修复。
• 依赖包严重过时。
• 开发体验糟糕，如构建时间长、流程易破坏。

原因分析

产品质量下降的主要原因是投资不足：

• 缺乏质量指标。
• 测试基础设施投入极少，且实际测试编写不足。
• 未投资改善内部开发循环。

质量难以推销

在大型科技公司中，质量改进难以获得支持，因为：

• 公司更关注短期股价提升的举措，如 AI 相关功能。
• 质量改进不会立即带来股价上涨，因此难以说服管理层优先投资。
• 即使团队内部共识认为质量改进必要，高层往往更看重发布新功能以获取关注。

“劣化”策略

文章引用了 Cory Doctorow 的“enshittification”理论：

• 第一阶段：分配盈余给用户以锁定他们。
• 第二阶段：转移盈余给商业客户以锁定他们。
• 第三阶段：为股东榨取所有价值，仅保留足够价值维持用户和客户粘性。 这可能是大型科技公司的宏观策略：先吸引用户，使其依赖产品，然后推出表面功能提升股价，而非提供真实价值，同时利用用户无法轻易切换的困境。

长期影响与反思

作者质疑这种质量削减的长期可行性：

• 大型科技产品不能持续恶化。
• 希望小型竞争对手能挑战其主导地位，但不确定是否会发生。
• 期待自大策略最终反噬，促进行业改变。

Gemma 是 Google 最新发布的开源权重大型语言模型（LLM）。通过 Lightning AI 提供的 Studio 教程，用户可以学习如何使用 Gemma，并通过 Lit-GPT 框架进行操作。教程重点介绍了 Gemma 相较于其他 LLM 的一些独特设计选择。Lightning AI 是一个基于 PyTorch 和 PyTorch Lightning 的 AI 训练、部署和构建平台，由 William Falcon 创立，提供多种资源链接如 GitHub 和 Discord。该 Studio 旨在帮助开发者理解和应用 Gemma 模型。

AMD ROCm 软件博客摘要

该系列博客文章主要介绍了基于AMD Instinct GPU和ROCm平台在不同领域的应用与进展。

主要文章内容

1. 使用 Qiskit Aer 在 AMD Instinct 上运行变分量子特征值求解器 (VQE)

   • 发布日期：2026年5月29日
   • 内容：提供了一步步指南，展示如何在搭载ROCm的AMD Instinct GPU上，利用Qiskit Aer模拟器进行GPU加速的量子化学VQE计算。

2. ROCm 7.13：扩展硬件、工具与覆盖范围

   • 发布日期：2026年5月20日
   • 内容：介绍了ROCm 7.13版本的新特性，主要包括：扩展的硬件支持、GPU虚拟化功能、增强的开发者工具，以及TheRock模块化打包系统。

3. 复现 AMD MLPerf Inference v6.0 提交结果

   • 发布日期：2026年4月1日
   • 内容：为潜在客户和合作伙伴提供了详细的指南，用于验证和复现AMD在MLPerf Inference v6.0基准测试中提交的结果。

4. 利用 AMD Instinct GPU 加速器进行天气与降水预报

   • 发布日期：2026年3月19日
   • 内容：展示了如何在AMD Instinct硬件上运行混合GCM模型NeuralGCM，内容涵盖模型介绍、安装步骤、推理过程和结果绘图，应用于天气和降水预测领域。