波音公司前举报人约翰·巴内特在美国被发现身亡。这位曾任职超30年的质量控制经理，退休后一直就公司生产标准问题提出担忧并进行法律诉讼。其去世恰逢波音及其供应商因安全事故和生产质量控制问题接受严格审查的时期。

事件核心：

• 死者身份：约翰·巴内特，62岁，波音前质量经理，在南卡罗来纳州北查尔斯顿工厂（负责建造787梦想客机）工作多年，于2017年退休。
• 死亡情况：于2024年3月9日在查尔斯顿一家酒店停车场的卡车中被发现，死因被认定为“自伤”。事发时他正在当地为针对波音的举报人诉讼作证，原定于次日接受进一步质询。
• 生前指控：巴内特指控波音因追求生产速度而牺牲安全，具体问题包括：
  1. 零件跟踪程序失效，导致不合格零件丢失甚至被从废料箱中取出重新安装到新飞机上。
  2. 787飞机的应急氧气系统测试显示失效率高达25%，意味着紧急情况下四分之一的氧气面罩可能无法启用。
• 波音回应：公司否认了巴内特的指控，但表示对其去世感到悲痛。
• 监管调查：美国联邦航空管理局（FAA）在2017年的审查中，部分证实了巴内特关于零件丢失的担忧，发现至少53个“不合格”零件位置不明，并要求波音采取补救措施。关于氧气瓶，波音称曾发现供应商交付的氧气瓶存在问题，但否认其被安装到飞机上。
• 法律纠纷：退休后，巴内特因认为公司诋毁其名誉并阻碍其职业生涯，对波音提起诉讼，但该指控遭波音否认。其去世时正处于该诉讼的证据收集阶段。

更大背景：

巴内特去世之时，波音正面临空前的生产质量和安全审查。此前（2024年1月），一架新交付的波音737 Max飞机在起飞后发生应急舱门脱落事故，调查初步指出固定舱门的关键螺栓未被安装。美国国家运输安全委员会的初步报告支持了这一发现。此外，FAA最近的一项为期六周的审计，发现波音存在“多起涉嫌未能遵守制造质量控制要求”的实例。这些事件加剧了公众对波音生产流程的担忧。

Apple 近日针对欧盟开发者宣布了三项新举措，作为其遵守欧盟《数字市场法案》(DMA)计划的一部分，这些变更仅适用于欧盟地区。

1. 第三方应用商店可限定为专属目录：在iOS 17.4已支持第三方应用商店的基础上，开发者现在可以创建仅提供其自家应用目录的商店。例如，一个游戏工作室可以创建一个专门展示其自己游戏的应用商店。

2. 自主设计应用内促销链接：当引导用户在其网站上完成交易时，开发者现在可以自行选择如何设计应用内的促销、折扣和优惠链接。苹果此前提供的模板现在变为可选。

3. 即将支持直接从网站分发应用：开发者很快将能够直接从其网站分发应用，但需满足严格条件：

   • 开发者资格：必须是Apple开发者计划成员连续两年以上，且其应用在欧盟地区的上一年度iOS首次安装量超过一百万次。
   • 持续承诺：需遵守透明的数据收集政策等持续要求。
   • 应用要求：应用必须像所有其他iOS应用一样通过苹果的公证要求，并且只能从在App Store Connect中注册的网页域名进行安装。
   • 技术支持：授权开发者将获得API，以实现网页分发、系统功能集成、备份和恢复等功能。此功能预计在今春晚些时候通过软件更新推出，这将是iOS首次支持直接从网站下载应用。

文章末尾附带的两条热门新闻与苹果在欧盟的监管动态相关，涉及商标争议和苹果对欧盟关于人工智能服务开放提案的回应。

JSON Canvas：无限画布数据的开放文件格式

格式概述

JSON Canvas（.canvas 扩展名）是一种开放文件格式，专为无限画布数据设计。无限画布工具类似数字白板，允许用户以空间化方式自由组织和浏览信息，已成为许多应用中的流行界面模式。

设计目标

该格式旨在为无限画布应用创建的数据提供：

• 持久性：确保数据长期可访问
• 可读性：便于人类和机器理解
• 互操作性：支持跨应用的数据交换
• 可扩展性：适应未来需求

核心特性

• 易于解析：设计简洁，方便开发者处理
• 数据所有权：赋予用户对自身数据的完全控制权
• 开放许可：采用 MIT 许可证，资源完全开源

起源与应用

JSON Canvas 最初为 Obsidian 笔记软件创建，但可自由用作任何应用或工具的导入、导出和存储格式。其目标是成为无限画布领域的通用数据标准。

Meta构建GenAI基础设施概要

Meta宣布建设两个由24,576个NVIDIA H100 GPU组成的大型集群，旨在支持其当前及下一代AI模型（包括Llama 3）的训练与研发，是其向通用人工智能（AGI）迈进和提升产品AI能力的重要基础设施步骤。

硬件与集群设计

• 集群配置：每个集群包含约2.5万个H100 GPU，支持更大、更复杂的模型训练，超越了此前1.6万GPU的AI研究超级集群（RSC）。
• 计算平台：基于自研的Grand Teton开放GPU硬件平台（已贡献给OCP），该平台将电源、控制、计算和网络接口集成于单一机箱，提升了性能与部署灵活性。
• 网络架构：评估了两种高性能网络方案：
  • 一个集群使用基于RoCE（RDMA over Converged Ethernet）的解决方案。
  • 另一个集群使用NVIDIA Quantum2 InfiniBand方案。
  • 两者均实现400 Gbps端点互联，并已成功用于大规模生成式AI训练（如Llama 3）。
• 存储系统：
  • 采用自研的基于Tectonic分布式存储（针对Flash优化）的FUSE API，处理数据加载与检查点保存/加载。
  • 与Hammerspace合作部署并行NFS，提升开发者交互调试体验。
  • 存储服务器基于定制化的YV3平台，使用高容量SSD，并为未来更大规模集群进行了弹性扩展和容错设计。

性能优化与软件

• 挑战与解决：初期大型集群性能不稳定（利用率10%-90%）。通过优化内部作业调度器（考虑网络拓扑）、改进网络路由策略及与NVIDIA NCCL库协作，最终使大型集群性能提升至理想状态（90%+）。
• 关键优化：
  • 充分利用H100的FP8等新数据类型。
  • 引入更先进的并行化技术。
  • 优化数千节点的检查点保存（在百毫秒级完成）。
• 调试工具：开发了如“分布式集体记录器”等工具，以快速定位大规模训练中问题GPU。
• 框架演进：持续优化PyTorch，将进程组初始化时间从数小时缩短至分钟，以适应万至十万级GPU训练。

开放创新与未来路线

• 开放承诺：
  • 硬件：作为OCP创始成员，贡献Grand Teton、Open Rack等设计。
  • 软件：作为PyTorch的最大和主要贡献者。
  • 研究：发起“开放创新AI研究社区”和“AI联盟”，推动负责任、开放的AI发展。
• 未来规划：到2024年底，计划将基础设施扩展至包含35万个NVIDIA H100 GPU，整体计算能力将相当于约60万个H100。Meta将持续评估和改进基础设施的各层面（物理、虚拟、软件），以支持快速演进的AI模型和研究。

目的

该 Pull Request（gh-116167）旨在允许在 Python 的 free-threaded（自由线程）构建中禁用全局解释器锁（GIL）。

关键功能与实现机制

• 禁用方式：用户可以通过设置环境变量 PYTHON_GIL=0 或使用命令行参数 -X gil=0 来禁用 GIL。
• 底层实现：为了支持在运行时动态重新启用 GIL，所有与 GIL 相关的数据结构仍按常规进行初始化。禁用 GIL 的机制是设置一个标志（flag），使得 take_gil() 和 drop_gil() 函数在执行时直接提前返回（return early）。

后续开发计划

• 实现并跟踪在加载不兼容的扩展模块时自动重新启用 GIL 的功能。
• 推进将禁用 GIL 设为默认行为的相关工作。

测试情况与局限性

• 基本运行：在设置 PYTHON_GIL=0 后，作者抽查了不使用线程的测试和小程序，均运行正常；非常基础的多线程程序有时也能正常工作。
• 已知问题：尝试运行完整的 Python 测试套件时，程序会在 test_asyncio 测试阶段快速崩溃。

PR 动态与时间线

• 2024年3月5日：提交者 swtaarrs 将该 PR 标记为准备接受审查（ready for review）。
• 2024年3月7日：PR 标题更新为包含 -X gil=0 参数的支持，并再次标记为准备接受审查。
• 2024年3月11日：该 PR 被系统（python）锁定为垃圾信息（spam），并限制仅协作者可参与讨论。

Trangram：免费矢量动画编辑器

Trangram 是一款免费的矢量动画编辑器，集设计、动画制作与迭代优化于一体，旨在提供类似 Adobe Illustrator 的矢量创作体验，但专注于动画领域。

核心功能

设计工具

• 形状变形：平滑地将一种形状过渡为另一种形状（如方变圆、星变心）。
• 圆角处理：为形状添加圆角，支持多种样式（标准圆角、内凹圆角、切角）。
• 形状合并：通过布尔运算（合并、减去、相交、排除）创建新形状。

动画功能

• 修剪路径：创建路径自绘动画，实现线条的逐渐显现或消失。
• 运动路径：引导对象沿特定路径平滑移动。
• 父子链接：链接对象，使子对象能跟随父对象的移动和变换进行协调运动。
• 循环控制：控制动画重复模式，包括“循环”（从头重播）、“乒乓”（正向后反向交替）和“继续”（完成当前循环后从断点继续）。
• 缓动函数：控制动画的运动节奏，如缓入、缓出、缓入缓出及阶跃函数。
• 剪贴蒙版：仅显示图像或对象的特定部分，隐藏其余内容。
• 数字动画：可像创建文本一样轻松地动画化数字，支持设置起始/结束值及格式。
• 组动画：组织对象并统一进行动画，嵌套组可为不同变换独立设置循环和缓动。

文件支持

• 导入：支持导入基础 SVG 和 TG（项目）文件。
• 导出：可将项目保存为多种格式，包括 TG 文件、视频（MP4、WebM）、GIF 以及图像（PNG、 JPG、 WebP、 SVG）。

该网站上展示的所有动画均使用 Trangram 制作。

宇宙膨胀速率（即哈勃常数）是理解宇宙演化与终极命运的核心参数。然而，通过不同独立距离指标测得的哈勃常数与基于宇宙大爆炸余辉预测的数值之间长期存在分歧，称为“哈勃张力”。NASA/ESA/CSA詹姆斯·韦伯太空望远镜的观测数据证实了哈勃太空望远镜的测量结果准确无误，消除了此前对其数据可靠性的疑虑。

文章以距离地球约1.3亿光年的螺旋星系NGC 5468为例，展示了哈勃与韦伯望远镜的联合观测数据。该星系是哈勃望远镜成功识别出造父变星的最遥远星系，而造父变星是测量宇宙膨胀速率的关键“宇宙尺标”。研究人员进一步将造父变星测得的距离与该星系内一颗Ia型超新星的数据进行交叉比对——Ia型超新星亮度极高，可用于测量远超造父变星范围的宇宙距离，从而将宇宙膨胀率的测量范围推向更深远的空间。

通过 NVMe TCP 克隆笔记本电脑技术总结

目的

本文记录了作者如何通过网络（NVMe over TCP）将旧笔记本电脑的整个加密磁盘（512GB）完整克隆到新笔记本电脑（1TB NVMe）中。此举旨在避免繁琐的系统重新配置过程，并解决物理拆机不便、磁盘容量不一致以及全磁盘加密（LUKS）调整等技术挑战。

核心步骤与关键技术

1. 通过 NVMe TCP 导出与连接磁盘

• 环境准备：为避免配置 systemd-storagetm.service 时调整 initrd 和配置 WiFi 的复杂性，两台电脑均使用 GRML 救援光盘（Rescue CD）启动。
• 旧电脑（导出端）：
  • 加载 nvmet-tcp 内核模块。
  • 通过配置 /sys/kernel/config/nvmet 目录树，设置 IPv4 地址族、TCP 端口（4420）、子系统（subsystems）和命名空间（namespaces），将目标物理磁盘（如 /dev/nvme0n1）作为 NVMe 目标暴露到网络中。
• 新电脑（接收端）：
  • 使用 nvme discover 命令发现网络中的 NVMe 目标。
  • 使用 nvme connect-all 建立 TCP 连接，使远程磁盘在本地映射为可用的 NVMe 块设备。

2. 磁盘数据复制

• 使用 dd 命令进行底层块级别的全盘复制（例如：dd if=/dev/nvme2n1 of=/dev/nvme0n1 status=progress bs=40M）。
• 由于新电脑缺乏有线网口，仅依赖 WiFi 传输，速度约为 18-20MB/s，复制 512GB 数据耗时约 7.5 小时。文章也指出，创建初始文件系统后使用 rsync 或 BTRFS 原生传输功能可作为替代方案。

3. 扩容分区、LUKS 加密容器与文件系统

由于新磁盘容量更大，数据复制完成后需逐级扩展存储空间：

• 分区表与分区扩容：使用 parted 修复分区表以识别完整的 1TB 磁盘容量，随后安装 cloud-guest-utils 并使用 growpart 命令将包含加密数据的第二分区扩展至磁盘末尾。
• LUKS 容器扩容：使用 cryptsetup luksOpen 解锁加密分区，并通过 cryptsetup resize 命令扩展 LUKS 加密容器的边界。
• BTRFS 文件系统扩容：重启进入新系统后，由于 BTRFS 必须在挂载状态下调整大小，使用 btrfs filesystem resize max / 命令将根文件系统扩展至最大可用空间。

收益与结论

• 环境无缝迁移：完整保留了原有的工作环境、软件配置和全磁盘加密状态，节省了通常所需的一到两周的新机配置与适应时间。
• 技术积累：成功实践了利用 Linux 内核的 nvmet-tcp 模块通过网络共享和克隆 NVMe 磁盘的技术方案，为无物理直连条件下的磁盘迁移提供了有效思路。

Transformer Debugger (TDB) 工具概述

目的与开发者：
Transformer Debugger (TDB) 由 OpenAI 的超对齐团队开发，旨在支持对小型语言模型特定行为的调查。

核心功能：

• 结合自动可解释性技术与稀疏自编码器。
• 无需编写代码即可快速探索模型行为，支持干预前向传播过程并观察其对特定行为的影响。
• 可解答问题，例如“模型为何在此提示下输出 token A 而非 token B？”或“注意力头 H 为何关注此提示中的 token T？”。
• 通过识别贡献行为的特定组件（如神经元、注意力头、自编码器潜在变量），展示自动生成的激活原因解释，并追踪组件间连接以帮助发现电路。

发布内容：

1. 神经元查看器（Neuron Viewer）：托管 TDB 的 React 应用，并提供模型组件（MLP 神经元、注意力头及对应自编码器潜在变量）的信息页面。
2. 激活服务器（Activation Server）：后端服务器，对目标模型执行推理以提供 TDB 数据，并读取和提供来自公共 Azure 存储桶的数据。
3. 模型库（Models）：用于 GPT-2 模型及其自编码器的简单推理库，支持获取激活值的钩子。
4. 整理的激活数据集：MLP 神经元、注意力头和自编码器潜在变量的 top 激活数据集示例。

安装与使用：

• 环境需预装 Python/pip 和 Node.js/npm，推荐使用虚拟环境。
• 克隆仓库后，安装 neuron_explainer 和 neuron_viewer 的依赖，并配置预提交钩子。
• 运行 TDB 应用需遵循激活服务器和神经元查看器的设置说明。
• 变更验证可通过运行 pytest、mypy 测试及检查基本功能完成。

其他：

• 提供术语表链接。
• 引用格式已给出（Mossing et al., 2024）。

天气预报准确性显著提高，但需惠及全球

天气预报已取得巨大进步。如今，四天期的天气预报准确度已相当于30年前的一天期预报。这对社会至关重要，因为它能为风暴、热浪等灾害提供早期预警以挽救生命，帮助农民管理农业，协助电网运营商规划能源供需，并保障航空与航海安全。

准确性如何提升

1. 历史与现状：从古巴比伦的观察到亚里士多德的论述，再到1859年英国发布首个航运预报，天气预报源远流长。但真正的飞跃始于20世纪60年代计算机数值模型的引入。
2. 具体证据：
   • 飓风路径预报：以美国为例，其飓风路径预报误差在过去几十年大幅下降。72小时预报的误差从1960-70年代的超过400海里降至今天的不足80海里。
   • 全球中期预报：欧洲中期天气预报中心的数据显示，自1980年代以来，3天期预报已相当准确（约97%），而5天期和7天期预报的准确性也持续快速提升。
3. 提升原因：主要归因于四方面：
   • 观测数据更优：卫星数据增加、地面站点覆盖更广、仪器精度更高。
   • 计算能力增强：计算机速度更快，使高分辨率网格（如从90公里细化至1.5公里）的运算成为可能。
   • 模型方法改进：能更精细地刻画复杂的天气系统。
   • 传播渠道革新：从报纸、广播电视发展到如今通过互联网和智能手机进行分钟级更新。

全球不平等问题

尽管全球预报质量均在提升，但富裕国家与贫困国家之间的差距依然巨大，且这种差距与1980年代时几乎一样大。

• 差距表现：富裕国家的7天期预报准确性可能优于贫困国家的1天期预报。
• 原因：贫困国家的地面观测仪器和探空站更少，数据报告频率更低。
• 投入悬殊：高收入国家在天气和气候信息上的人均支出是低收入国家的15-20倍。尽管低收入国家的支出占GDP比重更高，但其经济体量小，总投入严重不足。
• 后果严峻：低收入国家60%的劳动力从事高度依赖天气的农业。准确的预报能帮助小农优化播种、灌溉和施肥，高效利用资源，并应对病虫害。此外，准确的预报结合有效的早期预警系统对于防御气旋、洪水等灾害至关重要，但全球约三分之一（主要为最贫困国家）缺乏此类系统。许多致命灾难的预报虽准，但因沟通与响应不畅而未能有效避灾。

未来方向

提升全球天气预报水平，特别是帮助低收入国家，对于应对气候变化、增强社会韧性至关重要。

• 需要投资与支持：弥合差距需要适当的财政投资和国际支持。
• 新技术带来希望：
  • 人工智能：如华为的“盘古气象”模型，能以比传统机构快万倍的速度做出同等或更准确的预测，有望大幅降低运行成本。
  • 新工具：无人机传感器可在数据稀缺地区进行调查，而移动通信技术能快速将预报信息（如最佳播种时间）送达农民手中。

结论：天气预报的长足进步是科技发展的见证，但其福祉远未普及。将这些进步惠及全球，尤其是最脆弱的贫困地区，不仅是公平问题，更是应对气候风险、保护生命与生计的紧迫需要。

任务分解：软件项目估算的关键步骤

背景与目的

本文填补了软件项目估算系列中关于“任务分解”的空白。之前的部分假设任务列表已明确定义，但许多开发者需要更早阶段的指导：如何将项目分解为清晰的任务集。作者通过一个示例和逐步解释来阐述这一过程。

分解过程的示例：个人连胜追踪器项目

作者以构建一个个人连胜追踪器为例，展示任务分解的迭代方法。该项目类似Streaks应用，支持户外活动（如跑步、骑行）并集成Duolingo的“连胜冻结”功能。

迭代1：初始草图

• 起始于视觉草图，用于表达所需功能。
• 对于个人项目，这已足够；但对于估算或委托工作，需要更高粒度。

迭代2：初步分解

• 将项目扩展为多个任务：
  • 数据建模
  • 日历视图（当前周视图）
  • 交互式日历（记录活动并标记完成）
  • 计算和显示当前连胜长度
  • 实现连胜冻结
• 此级别仍存在不确定性，例如冻结机制的具体细节。

迭代3：详细分解

• 进一步细化任务，添加明确细节：
  • 数据建模：定义活动类型、记录活动、冻结和连胜的数据结构。
  • 静态日历视图：包括周视图、首页视图、月视图，以及浏览功能。
  • 动态周日历视图：允许通过点击记录活动。
  • 连胜计算与显示：计算连胜、显示当前连胜，并在记录活动时重新计算。
  • 连胜冻结：包括冻结积累、防止重复积累、UI中的冻结使用。
• 此级别被认为对大多数团队足够，有清晰的任务和完成定义。

任务分解算法

作者总结了分解过程的算法：

1. 从当前状态开始：任务列表、草图或仅一个想法。
2. 思考步骤：列出实现任务所需步骤，无需追求完整或准确，只需逐步扩展。
3. 检查任务是否充分定义：对每个任务，回答以下问题：
   • 是否理解所需变化？
   • 是否理解“完成”的样子？
   • 能否定义所有步骤以达到“完成”？
   • 假设没有阻碍或依赖，是否有足够信息立即开始？
4. 递归分解：如果任何答案为“否”，则将该任务进一步分解，重复算法。
5. 重复直到所有任务充分定义。

关键定义

• 任务：一个充分定义的、完整的工作片段，带来变化。
• 充分定义：执行任务的人能明确理解变化、完成状态、所有步骤，并具备开始所需信息。定义取决于上下文（如个人项目与团队项目）。

技能发展与实践

• 任务分解是一项需要实践的技能。新手可能觉得困难，但通过尝试、反馈和学习可以改进。
• 作者强调，在安全环境中练习是关键：提供机会让团队尝试分解，给予反馈而不惩罚错误，错误将成为未来模式匹配的基础。

估算示例

作者基于分解的任务列表提供了一个估算表，用于个人连胜追踪器项目：

• 任务复杂性从“极小”到“中等”，不确定性从“低”到“极高”。
• 预估总时间为15.5天，最坏情况为23.5天。
• 实际完成时间略少，但作者指出设计简化且可能存在bug。

总结：任务分解通过迭代细化将项目转化为可管理的任务，是软件估算的基础。算法简单但依赖实践，确保任务清晰定义有助于准确规划和执行。

Google后量子密码学威胁模型概述

该文章主要探讨Google当前如何评估与后量子密码学（PQC）相关的威胁形势，并分析从经典密码算法向后量子密码学迁移的潜在影响。

核心内容

文章重点围绕以下几个关键方面展开：

1. 威胁评估框架：详细说明Google用于评估后量子计算威胁的方法论和模型。这包括分析量子计算技术发展对现有密码系统构成的具体风险。

2. 当前威胁格局：分析量子计算可能对现有公钥密码体系（如RSA、ECC等）造成的实际威胁程度和时间线。

3. 迁移策略与影响：探讨从传统密码算法向后量子安全算法过渡的挑战、实施路径和长期影响。

文章背景

该博客文章发布在Google安全相关平台上，旨在为安全研究人员、开发者和决策者提供关于后量子密码学威胁的专业见解。文章可能包含技术细节和战略建议，帮助相关方理解并准备应对量子计算带来的密码学挑战。

目标与意义

通过公开其威胁模型，Google展示了在密码安全领域的前瞻性思考，同时为整个行业提供了参考框架，共同应对量子计算时代的安全挑战。

本文从新的优化理论角度重新阐述扩散模型，旨在提供从理论到实现的完整理解。

核心理论框架

扩散模型的目标是从训练数据集 (\mathcal{K})（如图像、音频等）中学习采样。其核心创新是将学习到的去噪器 (\epsilon_\theta(x, \sigma)) 解释为对数据流形 (\mathcal{K}) 的近似投影。训练过程通过最小化均方误差损失 (\mathcal{L}(\theta) = \mathbb{E} |\epsilon_\theta(x_0 + \sigma\epsilon, \sigma) - \epsilon|^2) 来实现，其中 (x_0) 是干净数据，(\sigma) 是噪声水平，(\epsilon) 是高斯噪声。

理论分析的关键是引入了光滑化的平方距离函数 (\text{dist}\mathcal{K}^2(x, \sigma)) 和相对误差模型。该模型假设当噪声水平 (\sigma) 与点到数据流形的距离 (\text{dist}\mathcal{K}(x)) 满足一定比例关系时，去噪器的预测误差可控。这为分析采样算法的收敛性奠定了基础。

训练与实现

1. 训练过程：通过迭代采样干净数据 (x_0)，添加噪声得到 (x_\sigma)，并训练神经网络预测噪声 (\epsilon)。代码实现简洁，核心是 training_loop。
2. 噪声调度：噪声水平 (\sigma) 从一个预定义的序列中采样。文章对比了对数线性调度、DDPM和LDM（用于Stable Diffusion）等不同调度策略。

采样算法的推导与改进

基于“去噪器近似投影”的理论观点，采样过程被解释为在平方距离函数 (f(x) = \frac{1}{2}\text{dist}_\mathcal{K}(x)^2) 上的梯度下降。

1. 确定性采样器（DDIM）：标准更新规则 (x_{t-1} = x_t - (\sigma_t - \sigma_{t-1}) \epsilon_\theta(x_t, \sigma_t)) 可视为步长为 (1 - \sigma_{t-1}/\sigma_t) 的梯度下降。一个可容许的调度（如几何衰减序列）是保证收敛的关键。
2. 改进的采样器：通过引入梯度估计和动量项来提升效率。具体做法是混合当前和下一步的噪声预测：(\bar{\epsilon}t = \gamma \epsilon\theta(x_t, \sigma_t) + (1-\gamma) \epsilon_\theta(x_{t+1}, \sigma_{t+1}))。这能修正前一步的估计误差，加速收敛。
3. 统一框架：文章提出了一个广义采样器公式，通过参数 (\gamma)（动量）和 (\mu)（控制添加噪声的量）统一了DDIM（(\gamma=1, \mu=0)）、DDPM（(\gamma=1, \mu=0.5)）以及本文提出的带梯度估计的采样器。

实验与应用

• 玩具示例：在瑞士卷数据集上验证了理论，并直观展示了去噪器在不同噪声水平下的行为（高噪声时预测数据均值，低噪声时预测附近数据点）。
• 大规模应用：相同的训练代码框架可扩展至真实数据集（如FashionMNIST）。采样算法无需修改即可应用于预训练的潜空间扩散模型（如Stable Diffusion），展示了其通用性。文中展示了通过调整动量项 (\gamma) 对文生图结果的影响。

总结

本文提供了一个统一的视角：扩散模型训练的是一个数据流形的光滑化投影算子，而采样是基于该算子的迭代距离最小化过程。这个理论框架不仅解释了现有算法（DDIM， DDPM），还启发了更高效采样器的设计，并通过玩具和大规模实验进行了验证。

WarpStream如何通过Antithesis实现全栈确定性模拟测试

确定性模拟测试的价值 确定性模拟测试正成为关键任务软件测试的黄金标准，FoundationDB和TigerBeetle等数据库通过此方法获得了极高的可靠性。WarpStream团队在构建其SaaS时，为了在短时间内完成通常需要多年生产环境才能积累的韧性，决定采用此方法进行测试。

WarpStream的架构与测试目标 WarpStream采用数据平面与控制平面分离的架构，依赖项极少（对象存储、KV存储、SQL数据库）。其目标不仅是测试WarpStream本身，而是测试整个客户体验，即从账户注册到运行Kafka工作负载的完整SaaS流程。

Antithesis：核心测试工具 Antithesis提供了一个定制化的虚拟机监控程序，能够确定性模拟一组Docker容器并智能注入故障。WarpStream利用Antithesis创建了一个包含所有组件（Agents、控制平面、客户端、依赖服务）的docker-compose环境。测试工作流模拟了完整用户旅程，并设计了一系列断言来验证数据一致性、顺序性和持久性，这些断言直接针对历史上在Jepsen测试中发现过的Apache Kafka漏洞类别。

Antithesis vs. 传统测试（如Jepsen） 与WarpStream已有的、能注入故障的强大“正确性测试”相比，Antithesis具有显著优势：

1. 智能模糊与探索：Antithesis自动插桩代码以测量覆盖率，能检测到“有趣”或罕见的行为，然后快照系统状态并探索不同的执行分支，极大地提高了触发罕见bug的效率。
2. 确定性加速：由于在确定性模拟器中运行，它可以快于实际时间运行，并能并发探索代码分支，从而将数年的压力测试压缩在数小时内。
3. 无缝集成与持续测试：使用标准的Docker和CI流程，工程师无需学习新语言。测试可作为持续过程，随着产品发展而扩展，而非一次性快照测试。
4. 覆盖全栈：能方便地测试包括多租户SaaS路由层在内的整个系统，这是传统Jepsen测试通常无法覆盖的。

实际测试成果

• Antithesis在6个实际小时内模拟了280小时的应用运行，在前160个模拟小时后发现了新的系统行为。
• 捕获关键漏洞：例如，一个存在了数月的数据竞争在首次运行的233秒内被捕获，而此前数千小时的常规CI测试（包括Go的竞争检测器）均未发现。
• 发现了因网络故障与竞态条件叠加导致的极罕见数据丢失bug。该bug在实际环境中几乎不可能发生，但在Antithesis的测试中约每小时复现一次，从而得以修复。

结论与未来 WarpStream认为Antithesis代表了比Jepsen更强大、更可持续的分布式系统测试未来。它不仅发现了现有测试遗漏的漏洞，而且其工作流程完全融入开发周期。未来，WarpStream计划扩展Antithesis测试以覆盖多区域部署、多角色集群以及存储层的数据损坏检测等。

太空主动辐射屏蔽技术：进展与前景

太空辐射主要分为两类：太阳粒子事件（如耀斑，质子能量较低，相对容易屏蔽）和银河宇宙射线（能量极高，穿透力强，被动屏蔽效果差）。长期深空任务（如火星之旅）中，银河宇宙射线累积剂量成为主要威胁，仅靠被动质量屏蔽（如聚乙烯或水）需要数百吨材料，不切实际。

地球的防护与航天器的局限

地球依赖磁场、大气层和岩石体提供多级防护。相比之下，现有航天器屏蔽能力远不及地球：国际空间站模块屏蔽量约10 g/cm²，猎户座飞船风暴避难所达35-45 g/cm²（重36吨），而地球大气层相当于810 g/cm²的铝墙。被动屏蔽对长期任务无效。

主动屏蔽技术的早期探索

20世纪60年代，NASA研究了三种主动屏蔽方案：

1. 等离子体屏蔽与静电屏蔽：需6000万伏特电压，工程上不可行。
2. 磁屏蔽：利用超导磁铁产生磁场偏转带电粒子，被认为最有前景，但需等待太空适用超导技术。

磁屏蔽的艰难发展

• AMS-02项目：为国际空间站设计的阿尔法磁谱仪最初采用超导磁铁，但因哥伦比亚号事故导致无法补充冷却剂（液氦），最终改用永磁体。
• ESA的ARSSEM与SR2S项目：评估认为60吨的磁屏蔽系统优于数百吨水屏蔽。设计采用螺线管结构，但存在重量大（达100吨）和二次辐射问题。后续提出“南瓜构型”（多个小型线圈），重量减半但仍有约40吨。
• CREW HaT项目：基于Halbach阵列，将磁场约束在外部，内部无场。估计重约24吨，功耗60千瓦，可额外降低50%辐射剂量。

静电屏蔽的复兴

传统静电屏蔽因高电压要求被搁置。NASA科学家利用先进模拟软件和GPU计算，发现多孔网状结构配置可在仅100万伏特下实现：

• 屏蔽50%太阳粒子辐射
• 屏蔽15%银河宇宙射线
• 功耗降至约100瓦，重量大幅减轻

当前状态与未来挑战

• 磁屏蔽：ESA正推进超导线圈（如钇钡铜氧材料）测试；CREW HaT团队优化冷却系统和线圈设计。室温超导技术可能带来突破。
• 静电屏蔽：已进行小规模粒子束测试，下一步拟在月球表面演示。
• 根本动力：NASA于2022年将宇航员职业生涯辐射剂量限值从1000 mSv降至600 mSv，使主动屏蔽从“可选”变为“必要”。

结论

主动辐射屏蔽技术经过数十年停滞，正因超导技术进步、计算能力提升和更严格辐射标准而重现活力。尽管仍面临重量、能耗和工程复杂性挑战，但磁与静电方案均取得实质性进展，有望在未来十年内为深空载人任务提供关键防护。

Speedometer 3.0: 面向Web应用响应速度的共享浏览器基准测试

Speedometer 3.0 是一个重大的版本更新，标志着浏览器性能测试进入一个新时代。它由主要的三大浏览器引擎——Blink、Gecko 和 WebKit——跨行业协作开发，这是历史上的首次。

主要创新点：

• 新的协作治理模式：这是首个由所有主流浏览器引擎共同驱动、基于共识决策、并拥有开放共享代码库的大型基准测试。该项目自2022年12月宣布以来，通过大量的讨论、研究和数百个代码合并请求完成。
• 更广泛、更现代的测试场景：新增了一系列测试，以更全面地反映当代Web的使用情况，包括：
  • 数据可视化：模拟React Stockcharts、Chart.js等库渲染Canvas和SVG图表。
  • 开发与编辑：涵盖代码编辑器（CodeMirror）和富文本编辑器（TipTap）。
  • 内容消费：模拟使用Next.js和Nuxt.js框架阅读新闻网站。
  • 改进的经典测试：更新了TodoMVC测试，纳入了当前最流行的框架（如Angular、React、Vue、Svelte等），并添加了更复杂的版本，以模拟当今流行Web应用的页面重量和结构。
• 测试运行器的重大改进：
  • 更精确的测量：改进了测量方法，现在能捕获浏览器响应用户操作时所需的全部工作，包括之前被忽略的页面渲染任务。通过使用requestAnimationFrame回调，确保测量包括脚本执行和后续的渲染工作，大大提高了基准测试的准确性。
  • 更好的工具与架构：改善了开发工具，重新设计了测试运行器架构以便于维护，并迁移至现代JavaScript特性（如原生Promise、async/await等）。

目标与影响：

Speedometer 3.0 的核心目标是尽可能贴近真实世界的Web使用场景。通过促使浏览器引擎优化其在此基准测试中的表现，最终直接转化为用户在浏览各类现代网站和Web应用时获得的更快、更流畅的响应体验。该基准在发布前，其推动的核心优化已经在各主流浏览器引擎中带来了切实的性能提升。

OpenPlotter：开源船舶导航工具包

OpenPlotter 是一个专为中小型船只设计的导航辅助工具包。它可以作为树莓派操作系统磁盘镜像安装，也可以在其首选的、基于 Debian 的 Linux 发行版上分部件安装。项目提供了一些预装并配置好最常用应用程序的树莓派 OS 镜像，同时用户也可使用 OpenPlotter À la Carte 工具来自定义镜像。

核心功能

• 海图绘图与导航：使用 OpenCPN 软件规划航线并跟踪船只位置，该软件专为航行中的舵机站设计。还可通过 AvNav 作为服务器，让任何设备通过网页浏览器远程连接并使用海图绘图功能。
• 天气信息：使用 XyGrib 下载并显示 GRIB 天气文件。
• 数据连接与交换：
  • 支持连接 NMEA 0183 和 NMEA 2000 设备/网络，以接收和发送数据。
  • 可连接旧的 Seatalk1 网络接收数据。
  • 集成 Signal K——一个免费开源的通用海洋数据交换格式。
• 数据共享与访问：
  • 创建 接入点，与笔记本电脑、平板电脑、手机等设备共享数据。
  • 支持 无头模式，可将 OpenPlotter 连接到任何 HDMI 显示器，或通过移动设备从驾驶舱远程访问其桌面。
  • 提供可自定义的 仪表板，用于可视化数据或创建图表以观察其变化。
• 扩展模块与传感器：
  • AIS：可构建开源 AIS 接收器/发射器。
  • 罗盘：使用低成本的惯性测量单元 (IMU) 获取磁航向、横摇和纵摇数据。
  • 自动舵：完全集成 pypilot 自动驾驶系统。
  • 传感器：可轻松连接各类传感器（温度、压力、湿度、电压、电流、光照度、液位、转速、门禁等）。
• 自动化与远程控制：
  • 通知：可为任何参数设置阈值，触发视觉和声音通知，或触发多个自定义操作。
  • 物联网：可在离船时监控船上情况，或远程激活设备。

GrowthSystems 概述
GrowthSystems 是一套由人工智能驱动的业务自动化工具，旨在优化企业吸引、互动和转化客户的流程。该平台整合了多种智能技术，以消除重复性任务并提供高度个性化的客户体验。

核心功能与组件

• 智能聊天机器人：用于自动与客户互动，提升响应效率。
• 自动化潜在客户资格认证：通过算法筛选和评估潜在客户，提高销售线索质量。
• 对话式预订代理：简化预约和预订流程，增强用户体验。
• 预测性客户旅程：利用数据分析预测客户行为，优化营销策略。
• 机器学习驱动的跟进序列：自动发送个性化跟进消息，提高转化率。
• 语音和短信 AI 助手：通过多渠道自动化沟通，扩展客户触达。
• 智能工作流自动化：整合营销和销售流程，实现统一管理。

目标与益处
该平台帮助机构、顾问和成长型企业构建可扩展、自适应的系统，主要优势包括：提升转化率、节省时间和资源，并实现营销与销售流程的协同优化。通过移除手动操作，GrowthSystems 使企业能够专注于战略增长，同时提供个性化客户体验。

AICI（人工智能控制器接口）摘要

AICI 是一个由微软研究院设计和构建的原型系统，旨在提供一个灵活、安全且高效的中间层，用于约束和引导大型语言模型的实时输出。

核心概念：

• 控制器：是运行在 AICI 上的轻量级 WebAssembly (Wasm) 程序，能够实施受限解码、动态编辑提示和生成文本，并协调跨多个并行生成的执行。控制器在 LLM 逐个 token 解码期间整合自定义逻辑并维持状态。
• 设计目标：AICI 的目的是简化构建和实验各种控制器策略的过程，以改善 LLM 生成效果。它通过抽象底层 LLM 推理和服务引擎的实现细节，旨在简化控制器开发、提高性能并增强跨引擎的可移植性。
• 部署：设计为可在本地和云端执行。

主要特性：

1. 灵活性：控制器可用任何能编译为 Wasm 的语言（如 Rust、C、C++）或在 Wasm 内解释执行的语言（如 Python、JavaScript）编写。
2. 安全性：控制器在 Wasmtime 提供的沙箱中运行，无法访问文件系统、网络或任何其他资源。它们被编译为本地代码，运行在与 LLM 推理引擎相同的机器上，利用 GPU 忙于生成 token 时的 CPU 资源。
3. 高性能：控制器在 CPU 上执行，与 GPU 上的 token 生成并行运行，仅引入极小的开销。经过精心设计，控制器可以在 LLM 推理步骤的时间预算（约20-50毫秒）内高效完成约束计算（如正则表达式、语法匹配）。
4. 可扩展性：AICI 作为推理栈中的一层，旨在允许 Guidance、LMQL 等控制库运行在其之上，从而获得效率、性能和可移植性的提升。

架构与集成：

• AICI 运行时（aicirt）与 LLM 推理引擎（如 rLLM、llama.cpp）通过 POSIX 共享内存进行通信。
• 控制器（如 PyCtrl、JsCtrl）或上层库通过 AICI 接口与运行时交互。
• 当前已集成 llama.cpp、HuggingFace Transformers 和 rLLM（基于 tch 的自定义推理引擎），vLLM 集成正在进行中。

快速入门与用例：

• 通过设置 Rust 开发环境、构建并启动 rLLM 服务器和 AICI 运行时开始。
• 一个典型示例是使用 pyctrl（Python 控制器）精确控制 LLM 输出格式。例如，通过一个 Python 脚本，强制模型生成一个恰好包含五项、特定编号格式的列表，而无需复杂的提示工程。

底层能力： AICI 运行时提供的底层接口允许在生成每个 token 前后与推理引擎交互，约束解码 token 集，回溯 KV 缓存，快速转发已知 token，分叉生成为多个分支，并通过共享变量在分支间通信。

其他信息：

• 安全细节：每个 Wasm 模块在单独进程中运行，有助于缓解 Spectre/Meltdown 攻击，并允许限制 CPU 使用量。
• 致谢与许可：项目整合了来自多个开源项目的组件（如 Flash Attention、vLLM、RustPython 等），并遵循相应的开源许可。
• 贡献：项目欢迎贡献，需遵守微软开源行为准则和贡献者许可协议。

本文介绍了首个能够从黑盒生产语言模型（如OpenAI的ChatGPT、Google的PaLM-2）中提取精确、关键信息的模型窃取攻击。该攻击主要利用典型的API访问权限，恢复Transformer模型中的嵌入投影层（在对称性范围内）。

核心成果与发现：

• 攻击成本与效果： 攻击者花费不到20美元，即可提取OpenAI的Ada和Babbage语言模型的整个投影矩阵。这首次实证确认了这些黑盒模型的隐藏维度分别为1024和2048。
• 对其他模型的适用性： 攻击成功恢复了gpt-3.5-turbo模型的精确隐藏维度大小，并估计提取其整个投影矩阵的查询成本低于2000美元。
• 防御与展望： 论文最后讨论了潜在的防御与缓解措施，并指出未来工作可能扩展此攻击，从而带来更广泛的影响。

该研究揭示了即使仅通过标准API接口，生产级语言模型的内部结构信息也可能被低成本、高精度地提取，对模型安全与知识产权保护提出了重要挑战。

关于文章《Gemma doesn't suck anymore – 8 bug fixes》

• 文章主题：该文章主要讨论了谷歌的开源AI模型Gemma的改进。
• 核心内容：文章标题表明，Gemma模型通过修复8个关键的缺陷或错误（bug fixes），解决了其先前版本存在的问题，从而实现了显著的性能提升或用户体验改善。
• 关键点：文章的核心信息是Gemma模型已通过多项修复得到优化，其质量和可靠性得到增强。

注意：所提供的文章内容仅为一个谷歌账户的登录链接，并未包含文章正文。因此，本摘要仅能基于文章标题信息进行概括。如需详细了解这8项具体修复的内容及其影响，需要访问完整的文章。

研究问题

余弦相似度常用于衡量高维嵌入向量之间的语义相似性，但实际效果有时甚至不如未归一化的点积。本文旨在深入分析这一现象，探讨余弦相似度在何种条件下可能产生无意义或任意的结果。

核心分析与发现

本文通过研究正则化线性模型（因有解析解，便于理论推导）得出以下关键结论：

1. 产生任意相似度：分析表明，对于某些线性模型，余弦相似度可能计算出完全任意、因此无意义的“相似性”分数。
2. 结果不唯一性：在特定模型设定下，余弦相似度的结果甚至不是唯一的。
3. 隐含的正则化控制：对于其他模型，余弦相似度的结果实际上被正则化项隐式且显著地控制，而非纯粹反映数据或语义的相似性。

对深层模型的启示

将上述线性模型的洞察推广到更广泛的深度学习模型时，作者指出：

• 深度模型通常采用多种不同正则化的组合。
• 当对这类模型生成的嵌入向量计算余弦相似度时，这些正则化会产生隐含且非预期的影响。
• 这使得余弦相似度的结果变得不透明且可能具有任意性，其解释性和可靠性存疑。

结论与建议

基于以上理论分析，作者提出警示：

• 反对盲目使用：不应不加批判地默认使用余弦相似度来衡量嵌入向量的相似性。
• 探索替代方案：建议研究者和实践者考虑并探索其他可能的替代方法。

如何为Game Boy游戏着色：背景部分

总体流程

为Game Boy游戏背景着色通常比为精灵着色更复杂。虽然核心是为BG Map添加属性，但要达到良好效果通常需要额外工作，如编辑图形、添加新图形和调整关卡布局。最佳策略取决于游戏类型、原始代码和期望结果。通用流程是：定位背景数据、理解其渲染方式，然后修改或新增代码以将所需属性整合到BG Map中。

实施步骤

1. 定位背景绘制例程

   • 设置写入断点（如在绘制新列/行的地址，例如$9816），跟踪代码找到负责绘制背景的例程。
   • 以《星之卡比》为例，找到的例程位于$1EEB-$1F06，它从$CB00顺序读取数据：前两字节是BG Map目标地址，后续字节是2x2图块块的数据。

2. 添加自定义属性

   • 创建一个新的背景绘制例程，其逻辑与原例程类似，但在读取每个图块值后，会调用一个GetAttr子程序。
   • GetAttr以图块值为低字节、一个固定高位地址（如ATTR_MAP）为索引，从RAM中预建的属性表中查找并返回对应的属性值。
   • 将原例程的入口点重定向到新例程。
   • 需要在RAM中（例如$D800）定义并初始化属性表（ATTR_MAP）才能看到效果。

3. 编辑图形与关卡

   • 图形编辑：强烈建议调整原始图形以适应新调色板，而非反向调整。这可能涉及重新压缩图形数据并更新相关指针。
   • 关卡编辑：原始游戏中可能复用相同图块表示不同事物（如天空、云、山）。需要通过编辑关卡布局或打印的图块/属性，为它们分配唯一的图块，以实现正确的颜色区分。
   • 可以通过将精灵图块的属性重定向到VRAM1，来加载自定义图形而不占用VRAM空间。
   • 关卡数据常以连续的2x2图块块存储（可能是压缩的）。处理流程可能包括：解压数据、编辑、重新压缩、插入ROM并更新指针。

关键点

• 此方法实现了图块与属性的一对一关系，便于管理。
• 背景颜色化过程具有较强的游戏特定性，需要根据具体游戏进行调查和调整。
• 完成上述步骤后，游戏画面将更接近最终效果。HUD（平视显示器）的颜色化将在后续文章中讨论。

Figma工程评审（Eng Crits）总结

Figma工程团队推行“工程评审”流程，旨在在项目早期获取反馈、激发创意并促进协作，而非传统的后期审批。该流程借鉴了设计评审的“安全探索”理念，通过结构化的集体讨论，帮助团队在技术设计阶段更高效地解决问题。

一、背景与目标

• 问题：传统技术评审通常在项目后期进行，容易导致阻塞发布的反馈，且往往变成二元（通过/否决）审批。
• 目标：创建一个介于设计评审与技术评审之间的流程，聚焦于早期头脑风暴、验证假设、识别挑战和知识共享，而非决策审批。
• 工具：使用FigJam作为主要协作平台，允许多人同步贡献想法，通过便签、图表等可视化方式并行讨论。

二、运作方式

1. 流程设计：

   • 前期准备：提案者需在FigJam中准备简明的设计文件，提供背景、讨论焦点（如架构或具体组件）及已考虑的方案。
   • 会议进行：评审者以建议而非指令的方式提供反馈；大部分时间进行同步但无声的便签协作，支持并行讨论。
   • 后期跟进：团队可根据反馈调整方案或发起进一步评审。工程评审不替代技术评审，而是作为高风险项目的前置步骤。

2. 参与范围：面向整个工程组织开放，鼓励跨职能团队根据兴趣或专长自由参与，强调自愿性与协作性。

三、实际案例：FigJam AI功能的开发

以FigJam AI功能为例，展示了工程评审如何贯穿项目周期：

• 范围界定阶段：团队提出多个AI集成方案，通过评审收集跨领域反馈（如机器学习专家），快速评估可行性。
• 迭代阶段：针对质量评估问题，团队建议从量化转向定性测试（如功能“吐槽大会”），因小样本不适合统计分析。
• 细化阶段：就版本控制问题深入评审，借鉴Figma现有多人协作技术，优化AI提示词管理方案。
• 决策与发布阶段：团队基于前期反馈自主决策，未需正式技术评审，最终成功推出功能。

四、核心价值

• 文化转变：营造心理安全环境，鼓励分享未成熟想法，将反馈视为推动进步的工具而非评判。
• 效率提升：通过结构化协作（如FigJam并行讨论）加速问题解决，减少后期返工风险。
• 灵活性：流程可伸缩，适用于从宏观架构到具体实现的各类问题，支持团队按需调整。

💡 关键提示：工程评审的本质是“集体智慧赋能”，通过早期、开放的对话，帮助团队在技术设计中共同“播种与培育”创意，而非仅限于“清除障碍”。

柯川的音乐才华与困境 约翰·柯川在1955年之前虽具备卓越的音乐技艺（尤其擅长情感充沛的抒情曲目），但因海洛因成瘾导致工作不稳定，只能零散接活，无法带领固定乐队。他曾与雪莉·斯科特等乐手组建临时三重奏，演奏波普爵士乐，但因风格过于前卫，难以获得稳定演出机会。

费城乔·琼斯的关键推荐 鼓手费城乔·琼斯是柯川的老友，也是迈尔斯·戴维斯最信任的乐手之一。迈尔斯称琼斯能预判他的音乐意图，其标志性的边击节奏成为爵士圈经典。当迈尔斯的五重奏急需萨克斯手时，他委托琼斯联络柯川。

试镜中的冲突与转折 柯川接到邀请后赴纽约试演，但过程并不顺利。柯川习惯不断询问音乐细节，而迈尔斯以冷漠沉默回应，认为乐手应自行寻找在音乐中的位置。两人性格与工作方式的冲突导致柯川短暂离场。

迈尔斯的最终抉择 尽管首次合作不愉快，但巡演日期临近且缺乏合适人选。迈尔斯看中柯川的演奏能力及对曲目的熟悉，最终主动挽回。柯川的离开反而促成了雇佣——迈尔斯回忆称“我们几乎求他加入乐队”。柯川由此加入迈尔斯·戴维斯五重奏，开启了爵士乐史上的重要篇章。

核心背景补充

• 迈尔斯在1954年前也曾因毒品问题导致事业停滞，对柯川的处境有相似认知。
• 费城乔·琼斯本人同样深陷毒瘾，但与迈尔斯、柯川在音乐上高度默契。
• 柯川当时尚未形成后期标志性的探索风格，更多展现技术功底与曲目掌握能力。