摘要：

本文介绍了Cloudflare如何通过优化一个简单的Rust函数来减少其CDN服务的CPU使用量。该服务（pingora-origin）每秒处理高达3500万个请求，其中一个名为clear_internal_headers的函数用于在请求离开Cloudflare前移除内部头部信息，此函数消耗了约1.7%的总CPU时间，相当于680个持续工作的CPU核心。

优化过程：

1. 初步优化 - 反转查找逻辑：原代码遍历一个庞大的内部头列表并逐一检查请求头。优化后改为遍历请求头并检查其是否存在于内部头集合中。由于平均请求头数量远少于内部头数量，此变更将函数平均执行时间从3.65微秒降至1.53微秒，速度提升2.39倍，但预计仅节省约1%的CPU。
2. 数据结构探索：为寻找更优的查找结构，团队评估了多种方案：
   • 哈希表（HashMap）：已采用，但其查找时间复杂度与键长（O(L)）相关。
   • 排序集合（如FST）：比哈希表略慢。
   • 状态机（如正则表达式）：在识别不匹配（miss）时非常快，符合此场景（绝大多数请求头非内部头），但基准测试中仍比哈希表方案慢一倍。
3. 最终方案 - Trie（字典树）：Trie结构在查找不匹配字符串时非常高效（O(log(L))），但现有开源实现未针对超高性能路径优化。因此，团队开发并开源了名为**trie-hard**的Rust库。
4. trie-hard的优化：该库通过将节点关系存储在无符号整数的位中，并将整个树保存在连续内存块中来实现极致速度。基准测试显示，使用trie-hard后，函数平均耗时降至0.93微秒。

成果：

• 经生产环境验证，使用trie-hard后，clear_internal_headers函数的CPU使用率从1.71%降至0.34%，节省了1.28%的总CPU计算资源。
• 所有基准测试预测与生产环境通过堆栈跟踪采样获得的实际性能数据高度吻合。

核心结论： 作者强调，精确的性能监测和定位慢代码比具体的优化技巧更为重要。即使是对微秒级函数的优化，在海量请求下也能产生显著的整体效益。文章凸显了可观测性工具（如火焰图、性能剖析）在驱动系统级优化中的关键作用。trie-hard库已作为开源项目发布。

詹姆斯·厄尔·琼斯逝世

生平概况

美国演员詹姆斯·厄尔·琼斯于纽约州达奇斯县家中去世，享年93岁。他以其深沉、独特的男中音闻名于世，尤其在《星球大战》系列中为反派达斯·维达配音而广为人知。

职业生涯

• 职业生涯跨度超过60年，涵盖电影、电视和舞台剧。
• 早期突破：童年时期曾克服严重口吃，后成为其一代中最具开创性的黑人演员之一。
• 舞台成就：
  • 1958年在百老汇首演，该剧院于2022年更名为詹姆斯·厄尔·琼斯剧院。
  • 获托尼奖两次：凭《伟大的白人希望》（1969年）和《篱》（1987年）获奖。
  • 获肯尼迪中心荣誉奖（2002年）、托尼终身成就奖（2017年）等。
• 电影代表作：
  • 《星球大战》系列（为达斯·维达配音）
  • 《狮子王》系列（为木法沙国王配音）
  • 《梦幻之地》（1989年）、《沙地传奇》（1993年）等80多部电影。
  • 首部电影为斯坦利·库布里克的《奇爱博士》（1964年）。
• 电视作品：参演超70部作品，包括《根》、《洛杉矶法网》、《辛普森一家》等。
• 配音与旁白：为CNN录制经典台标“This is CNN”，并旁白多部纪录片。

奖项与荣誉

• 艾美奖：凭《热浪》和《加百列的火》于1991年同时获得两项艾美奖。
• 格莱美奖：1977年获最佳朗诵专辑奖。
• EGOT：成为少数同时获得艾美奖、格莱美奖、托尼奖和奥斯卡奖（2011年获奥斯卡荣誉奖）的演员之一。

个人生活

• 生于1931年密西西比州阿卡布特拉农场，5岁迁居密歇根州，因迁移冲击导致严重口吃，后在高中时通过诗歌朗诵逐步克服。
• 大学期间从医学转向戏剧，1960年加入纽约莎士比亚戏剧节。
• 曾经历两次婚姻，第二任妻子塞西莉亚·哈特于2016年去世。有一子弗林·厄尔·琼斯。

晚年与遗产

• 即使年至八旬仍活跃于舞台，2005年及2008年重返百老汇。
• 关于职业生涯的持久性，他曾表示：“秘诀是永远不要忘记自己是一名学徒演员，没有什么是最终的、最伟大的或最糟糕的。”

iPhone 16 Pro 和 iPhone 16 Pro Max 摘要

基本信息

• 发布时间：2024年9月9日。
• 核心驱动力：搭载 A18 Pro 芯片，并专为 Apple Intelligence 设计。
• 关键升级：更大的显示屏、创新的 Camera Control、专业的相机功能以及电池续航的大幅提升。

设计与显示

• 材质：采用坚固且轻盈的钛金属设计。
• 颜色：提供黑色、自然色、白色和沙漠色钛金属四种配色。
• 屏幕：拥有苹果产品中最窄的边框。iPhone 16 Pro 配备 6.3 英寸屏幕，iPhone 16 Pro Max 配备 6.9 英寸屏幕（iPhone 史上最大）。均采用 Super Retina XDR 显示屏，支持全天候显示和 ProMotion 技术。
• 耐用性：采用新一代 Ceramic Shield，抗摔性能是其他智能手机玻璃的两倍。内部架构改进使散热效率提升，持续性能最高提升 20%。

Apple Intelligence 功能

• 核心：系统级的个人智能系统，利用苹果自研的生成式模型，在保护隐私的前提下理解个人上下文，提供智能帮助。
• 写作工具：支持全文改写（更友好、简洁或专业）、语法校对、文本总结。
• Siri 升级：设计焕新（屏幕边缘光效），语言理解更自然灵活，支持在对话中保持上下文，可随时在文本和语音输入间切换，并具备丰富的产品知识。
• 通知与邮件：提供通知摘要；邮件应用支持“优先消息”和邮件内容摘要。
• 隐私：通过 Private Cloud Compute 确保用户数据隐私，灵活分配设备端与服务器端计算。
• 未来功能：将陆续推出 Image Playground（生成趣味图像）、Genmoji（自定义表情符号），Siri 将具备屏幕感知和跨应用操作能力，并可接入 ChatGPT。

相机系统

• Camera Control：新的物理按键，集成触觉开关、力度传感器和电容传感器，提供快速启动相机、拍照和录制视频的直观方式。支持滑动调整变焦、曝光等参数。未来将更新两阶段快门功能，并向第三方应用开放。
• 视觉智能：通过 Camera Control 长按，可识别物体、地点（如餐厅信息），并可快速调用谷歌搜索或 ChatGPT 等第三方服务。
• 摄像头升级：
  • 48MP Fusion 主摄：采用更快的四像素传感器，支持4K 120fps 杜比视界视频录制（iPhone 史上最高分辨率与帧率组合），实现零快门延迟的48MP ProRAW/HEIF照片拍摄。
  • 48MP 超广角摄像头：具备自动对焦功能，支持更高分辨率的微距摄影和广角拍摄。
  • 5倍长焦摄像头：两款Pro机型均配备。
• 音频：新增四个录音棚级麦克风，支持空间音频录制和音频混音功能（可后期调整音效聚焦人声或营造环境音）。具备风噪降低功能。
• 摄影风格：新一代摄影风格支持实时局部调整颜色、高光和阴影，提供更丰富的创意选项和更精细的控制。
• Apple Intelligence 集成：未来 Siri 将支持跨应用操作，如从照片库中调取图像并在修图应用中进行编辑。

性能与续航

• A18 Pro 芯片：采用第二代 3 纳米技术，新架构带来更高效率。
  • 16核神经网络引擎：速度更快、效率更高，驱动设备端的 Apple Intelligence。
  • 6核 GPU：速度比前代提升高达 20%，支持硬件加速光线追踪，游戏性能更强。
  • 6核 CPU：智能手机中最快，速度提升 15%，功耗降低 20%。
  • 内存带宽：提升 17%，为iPhone历史最高。
• 续航：得益于新芯片、iOS 18 电源管理、优化的大电池以及内部设计改进，电池续航实现巨大飞跃，其中 iPhone 16 Pro Max 提供 iPhone 史上最佳续航。

连接与安全

• 卫星通信：支持通过卫星收发 iMessage 和短信（包括表情符号），消息端到端加密。紧急 SOS 卫星视频功能允许在紧急呼叫时分享实时视频或照片。路边救援卫星服务将拓展至英国。
• 其他：支持更快的 USB 3 速度和 ProRes 视频录制。

环保

• 设计中注重环境因素，是苹果“Apple 2030”碳中和目标的一部分。
• 使用更多可再生和回收材料：整体回收材料含量超过 25%，包括 100% 回收铝（内部结构件）、80% 以上回收钢、100% 回收钴，以及超过 95% 的回收锂（iPhone 首次）。
• 包装完全采用纤维基材料。

价格与上市

• 价格：iPhone 16 Pro 起售价 999 美元（128GB），iPhone 16 Pro Max 起售价 1199 美元。
• 预购与发售：2024年9月13日开始预购，9月20日正式发售。
• 存储选项：128GB、256GB、512GB、1TB。
• 系统与智能更新：iOS 18 将于9月16日免费更新。Apple Intelligence 首批功能将以测试版形式于下月（iOS 18.1）推出，初期支持美式英语，后续将扩展到更多地区和语言。
• 配件：推出适配 Camera Control 的保护壳、新款 MagSafe 充电器（支持更快25W无线充电）等。

GitHub成功的原因：时机与品味

GitHub联合创始人Scott Chacon回应了外界对GitHub成功原因的分析，提出了自己的内部视角。他认为GitHub的崛起主要归因于两个相互促进的关键因素：起步的时机 和 卓越的产品品味。

1. 正确的时机：分布式版本控制与开源的兴起

• 2005年左右的开发环境：当时主流是Subversion等集中式版本控制系统，对开源项目的协作贡献流程极为繁琐（需通过邮件列表提交补丁），已成为开源发展的主要障碍。
• Git的诞生与优势：Linus Torvalds因许可证问题无法继续使用BitKeeper，从而开发了Git。Git的分布式特性带来了革命性的改进：分支与合并操作飞快、不依赖中心服务器、可轻松创建个人分支（fork），这使得“拉取请求”的协作模式成为可能，极大地简化了开源贡献流程。
• 市场空白：当Git和Mercurial等分布式版本控制系统开始成熟时，缺乏一个专业、易用的托管平台。现有的托管服务（如SourceForge、Google Code）既不关心这一趋势，也缺乏相应的品味。

2. 卓越的品味：为开发者体验而构建

• 开发者为开发者构建：GitHub的四位联合创始人都是产品导向的开源开发者，他们关注的是开发者体验，而不是如何向广告商或CTO销售产品。他们根据自己的工作理想来打造产品，摒弃了行业固有假设。
• 核心创新：
  • 以用户为中心：与以往以项目为中心的托管服务不同，GitHub的代码仓库名称空间归属于用户，允许用户创建任意名称的项目。
  • 拉取模型：关注“谁有值得拉取的内容”，而非“谁有权限推送”，简化了协作权限模型。
  • 简洁与美观：界面设计美观、直观，“不丑陋”是其核心卖点。
• 与竞争对手的差异：SourceForge、Google Code等后来也添加了Git支持，但它们缺乏真正的品味，依然试图优化收入流而非开发流程，因此无法与之竞争。

3. Git与GitHub的相互推动：社区的关键作用

• Git的推广：Linus Torvalds的明星效应和Linux内核项目为Git提供了巨大信誉。此外，Android项目对Git的依赖，也推动了Git在大型企业中的采用。
• Ruby社区的引爆：GitHub早期获得了Ruby社区的热烈拥抱。这个当时处于技术前沿的社区的广泛采用，为GitHub带来了强大的免费推广和信任背书。GitHub团队深度融入该社区，积极交流和展示产品。
• 网络效应形成：随着越来越多项目迁至GitHub，即使偏好Mercurial的开发者也被迫使用Git，导致BitBucket等竞争对手难以追赶。Git在版本控制之争中胜出，GitHub在托管平台之争中确立了不可动摇的地位。

4. 对关键误解的澄清

• 关于融资：作者指出，文中称“联合创始人无法获得风投”的说法完全错误。他们从一开始就与风险投资机构接触，并曾认真讨论是否接受A16Z等顶级机构的1亿美元融资，最终认为无需外部资金也能成功。
• 核心竞争力的本质：GitHub的成功并非仅仅因为几个功能（如动态、个人主页），根本在于其从根本上为开发者体验优化，是唯一由开发者为开发者构建、且不受财务指标过度束缚的工具。

结论

GitHub的胜利源于在分布式版本控制成为新范式的正确时机入场，并以开发者为中心、注重体验的品味解决了这一范式的核心痛点（易用的Git托管与协作）。它是在开源社区向分布式版本控制收敛的过程中，唯一真正关心开发者如何工作的托管平台。这一案例对当下的创业公司仍有启示：抓住技术变革的浪潮，并以卓越的品味为之构建最佳工具。

文章《Just for Fun》的核心论点是：编程的本质乐趣在于创造过程本身，而非其商业价值或实用性。作者批判了两种流行观念：硅谷文化中将编码纯粹视为创业和牟利手段的倾向，以及消费者文化中仅从“对我有什么用”的角度评判项目的功利心态。他们强调，存在这样一类程序员，他们热衷于编码的艺术和挑战，享受“建造空中楼阁”的过程，并认为这个过程的价值不亚于最终成果。

文章引用Fred Brooks的名言，将程序员比作诗人，在纯粹的思想材料中构建既富有想象力又真实可运行的结构。作者鼓励那些可能已将编程视为枯燥工作的读者重拾乐趣，无需顾虑，大胆尝试构建自己感兴趣的东西。

文末列出了一个项目清单，作为“纯粹为了乐趣”理念的实践示例。这些项目涵盖编译器、操作系统、编程语言、工具等各类软件，如“用Zig实现的Self语言”、“用Ruby写的编译器”、“用于删除GitHub仓库的CLI工具”等，均明确标注“for fun”。最后，文章邀请读者通过添加徽章和提交项目的方式加入这个社群。

Project Hammer：减少加拿大杂货行业串通行为

项目概述

Project Hammer 旨在促进加拿大杂货行业的竞争并减少企业间的串通行为。项目核心任务包括：从头部杂货商网站收集历史价格数据库、提供适用于学术分析与法律诉讼的数据格式，并向变革者推广该数据集。

数据集内容与结构

数据集涵盖 Voila、T&T、Loblaws、No Frills、Metro、Galleria、Walmart 和 Save-On-Foods 8家供应商，时间跨度自2024年2月28日起。数据提供 CSV 和 SQLite 格式，包含两张核心表：

• product 表：存储产品元数据（供应商、名称、单位、品牌、SKU、UPC等）。因 id 每日变化，跨供应商比对时建议使用 SKU 或 UPC（UPC 可靠性因供应商而异）。
• raw 表：存储时间序列价格数据（抓取时间、当前价格、原价、单价等）。通过 old_price 字段可区分公开促销与静默降价。两表通过 product_id 和 id 关联。

数据采集与已知问题

数据通过屏幕抓取网站 UI 获得（基于多伦多某社区的“店内自提”选项）。早期仅抓取少量产品，7月后扩充；部分日期可能因抓取失败存在缺失。 目前存在三个已知数据异常：

1. 同日同产品出现不同价格：因名称和单位相同但实为不同产品（2024年9月30日后通过 URL 和 SKU 解决）。
2. 同日同产品出现多条相同价格：因产品在网站多个分类或广告位重复展示。
3. 字段不匹配：Save-On-Foods 的部分产品名称/品牌与 URL 不符（2024年12月25日后修复，未追溯）。

研究与应用方向

项目呼吁经济学家、数据专家、律师及记者等参与协作。建议的研究方向包括：

• 比较标准商品组合（如三明治）在各商家的成本。
• 验证特定日期的“价格冻结”行业惯例。
• 分析促销真实性（如是否先涨价后降价）及促销频率。
• 探究商家间的价格联动机制（谁引领/跟随、是否同步或随机变动）。
• 评估特定产品捆绑销售的价格同步性及整体最便宜商家。

相关资源

文章补充了其他杂货定价资源，包括 grocerytracker.ca、加拿大统计局的零售价格数据与播客、竞争局的市场研究报告，以及竞争法庭访问权限的更新，为理解加拿大杂货市场提供了多维度的政策与数据背景。

美国司法部指控谷歌在广告技术领域存在“三重垄断”
美国司法部（DOJ）在弗吉尼亚州联邦法院提起针对谷歌广告技术业务的反垄断诉讼。这是继谷歌在搜索市场和Android应用商店垄断案败诉后，面临的第三个反垄断审判。DOJ律师在开庭陈述中指出，谷歌通过“系统性行动”控制了出版商、广告商和经纪商使用的数字广告工具，形成了广告技术市场的垄断。

指控核心：操纵广告拍卖并收取过高费用
DOJ声称，谷歌从广告商流向网站出版商的广告费用中抽取至少30%的分成，有时甚至更高。这种垄断行为导致出版商收入减少，广告商支付更高费用，同时抑制了广告技术创新。DOJ指控谷歌故意操纵广告拍卖规则以谋取私利，并计划传唤《今日美国》、新闻集团（《华尔街日报》母公司）和《每日邮报》等出版商高管作证，以证明垄断带来的危害。

救济措施：要求剥离广告业务
与搜索垄断案不同，DOJ在本案中明确要求法官下令剥离谷歌的“广告管理套件”（Ad Manager），该业务负责托管大量网页横幅广告。专家认为，若谷歌被迫拆分广告业务，其损失可能超过搜索垄断案，甚至可能导致谷歌被拆分为独立的搜索和广告公司。

谷歌辩护：市场存在充分竞争
谷歌律师凯伦·邓恩反驳称，谷歌在广告技术市场面临来自微软、亚马逊、Meta、Criteo等公司的激烈竞争，且市场运作正常——广告成本下降、广告数量增加。谷歌在开庭前发布的博客中警告，拆分其广告业务可能损害小企业利益，并提高广告商成本、降低出版商收益。

出版商困境与市场影响
DOJ传唤的第一位证人、甘尼特公司（拥有《今日美国》）高管蒂姆·沃尔夫指出，即便谷歌抽取20%的广告收入分成，出版商仍无法放弃使用谷歌广告技术，因为需要接触谷歌庞大的广告商网络。甘尼特曾起诉谷歌，称其分成过高导致2019年以来超过170家媒体倒闭。DOJ主张，谷歌通过捆绑广告需求与发布商服务器，阻碍了竞争对手进入市场，迫使出版商增加广告投放、设立付费墙或停业。

审判预期与潜在后果
本案预计持续四至六周，判决可能对谷歌产生深远影响。若败诉，谷歌除可能剥离广告业务外，还可能面临广告商提起的高达1000亿美元的索赔诉讼。分析人士认为，这是谷歌近年来最严重的反垄断挑战，但谷歌可能会上诉，最终裁决或需数年才能执行。

苹果听力研究分享耳鸣初步见解

该研究由密歇根大学与苹果合作开展，通过iPhone上的“Research”应用程序对超过160,000名参与者进行了问卷调查和基于应用程序的评估，是迄今为止规模最大的耳鸣研究之一。其目标是增进对耳鸣特征的理解，并为未来潜在治疗的研究提供信息。

研究主要发现：

1. 普遍性：77.6%的参与者一生中经历过耳鸣。约15%的参与者每天经历耳鸣，且每日耳鸣的患病率随年龄增长而增加。55岁及以上年龄组经历每日耳鸣的可能性是18-34岁年龄组的3倍。男性参与者报告每日耳鸣的比例比女性高2.7%。
2. 影响：耳鸣会影响整体生活质量，可能干扰睡眠、听力清晰度和注意力。10%的参与者报告耳鸣中度或完全干扰了其清晰听觉的能力。
3. 特征：大多数参与者经历短暂的耳鸣发作，但14.7%报告为持续性耳鸣。在55岁及以上的参与者中，35.8%经历持续性耳鸣，男性经历持续性耳鸣的比例比女性高近6.8%。
4. 声音类型：大多数参与者将其耳鸣描述为纯音（78.5%）或白噪音（17.4%）。在纯音耳鸣中，90.8%的音高在4千赫兹或以上。对于白噪音耳鸣，57.7%是静态音，21.7%是蟋蟀声，11.2%是电流声，9.4%是脉冲声。
5. 主要原因：参与者认为耳鸣的主要原因是“噪音创伤”或暴露于过高噪音水平（20.3%），其次是压力（7.7%）。
6. 管理方法：参与者主要使用三种方法来缓解耳鸣：使用噪音机（28%）、听自然声音（23.7%）和练习冥想（12.2%）。只有不到2.1%的参与者选择认知行为疗法。

研究的意义与苹果技术的支持：

该研究旨在帮助识别高风险人群并指导减少耳鸣影响的工作。研究数据也将与世界卫生组织共享，以支持其“安全聆听”计划。

苹果技术提供多项听力健康支持功能：

• 噪音应用：Apple Watch可通知用户环境噪音水平是否可能影响听力健康，iPhone的“健康”应用可跟踪用户暴露于声音水平的历史。
• 环境降噪：佩戴AirPods Pro和AirPods Max时，Apple Watch可显示环境声音水平的降低情况。
• 主动降噪与响度降低模式：AirPods Pro的主动降噪功能可抵消外部声音。AirPods Pro（第2代）的响度降低功能可在保持音质的同时降低巨大噪音。
• 降低响度音频：用户可在设置中为耳机音量设置限制。

Carpentopod：行走咖啡桌项目摘要

项目概述

Carpentopod 是一个结合了软件工程、CNC 木工和电子技术的无线行走木制咖啡桌项目。该项目通过进化算法设计腿部连杆，并利用数控机床和微控制器将其转化为兼具实用性与美学价值的实体机器人家具。

连杆机构设计

作者使用 C++ 编写了运动学求解器和遗传算法软件，通过数千代的虚拟进化优化腿部连杆。适应度评分综合考量了行走速度、间隙、材料消耗以及脚部轨迹的平滑度，以最小化行走时的颠簸和打滑。最终生成的连杆机构相比 Theo Jansen 的 Strandbeest 更加紧凑，且有效减少了脚部滑动。

结构与制造

• 设计与材料：使用 Autodesk Fusion 360 进行 3D 建模。桌子共需 12 条腿（两端各 6 条）以维持稳定。主体部件采用高强度且稳定的层压竹材，通过 3 轴 CNC 路由器分层加工后粘合组装；曲轴由铝材 CNC 加工并压装而成；桌面采用芒果木。
• 外观设计：中部设计有曲面“腹部”舱，用于隐藏电池、电机和电子设备，并通过蒸汽弯曲工艺制作带有磁吸铰链的舱门。

电子与控制系统

• 动力系统：两侧各由一台 24V 无刷齿轮电机驱动独立的曲轴，实现类似坦克的差速转向。
• 闭环控制：为解决电机在低速 PWM 控制下的热保护关机问题，作者利用 Arduino Nano 结合改装的升降压转换模块，通过读取霍尔传感器信号进行闭环 PID 控制，直接调节电机电压，实现精准的速度与位置控制。
• 无线交互：集成蓝牙模块，支持通过改装的无线 Nunchuck 手柄进行远程遥控，电源由 14.8V LiPo 电池提供。

开源与版权声明

• 连杆开源：Carpentopod 的连杆机构尺寸图纸已放入公共领域（Public Domain），鼓励个人和教育用途的 DIY 创作与二次开发。
• 外观保护：桌子的整体外观和独特美学设计受知识产权保护，未经授权禁止公开分享、销售图纸或基于该设计进行商业化量产。
• 社区互动：作者建立了 Discord 社区供爱好者交流复刻经验（如 CAD 软件选择、材料替换及电机调试）。目前作者不提供成品售卖，但未来可能考虑推出小比例的高端 3D 打印版本。

苹果宣布将为 AirPods Pro 2 推出听力健康相关新功能，主要通过后续软件更新实现。

• 听力保护：在嘈杂环境中默认启用被动降噪模式，提供听力保护。
• 临床级听力测试：用户可使用 AirPods 与 iPhone 进行经临床验证的听力测试，耗时不超过五分钟，结果可安全存储在“健康”应用中。
• 助听器模式：若检测到听力损失，用户可启用此模式。AirPods 会增强环境声音，并在播放音频时自动应用个性化听力配置。
• 审批与发布：该功能正接受 FDA 等监管机构审批，计划通过免费软件更新在 100 多个国家推出，适用于 AirPods Pro 2。

YourNextStore：基于Stripe的开源AI原生电商模板

项目概述

YourNextStore 是一个开源、AI原生的Next.js电商模板，以 Stripe 作为后端支付与管理系统。它专为AI编码工具设计，旨在简化电商应用的开发流程。

核心特点

AI友好代码库

• 内置 AGENTS.md 文件，提供项目上下文、SDK示例和验证清单，使AI代理能快速理解代码库。
• 提供 Commerce Kit SDK，包含类型化方法（如 productBrowse() 和 cartUpsert()），其明确的输入输出规范有助于LLM生成正确代码。
• 采用惯用的Next.js App Router模式（如Server Components、Server Actions），这些模式已被LLM广泛学习，提升生成代码的准确性。

Stripe原生集成

• 直接与 Stripe API 集成，支持结账、账单和订阅功能。
• 无需额外支付后端，所有交易与数据管理通过Stripe完成。

现代技术栈

• Next.js 16：使用App Router、React Server Components 和 React Compiler。
• Bun：作为快速的JavaScript运行时和包管理器。
• Commerce Kit SDK：实现无头电商API集成。
• Tailwind CSS v4：用于实用优先的样式设计。
• Shadcn UI：提供50多个基于Radix UI的可访问组件。
• TypeScript：确保严格的类型安全开发。
• Biome：作为高速的代码检查与格式化工具。

丰富的主题系统

• 提供 30多个预制主题，覆盖美妆、时尚、家具、食品、电子产品、健康、家居、活动、汽车和儿童等类别。
• 每个主题包含重新设计的主页、英雄区域、配色方案和板块布局，均基于同一核心代码库。
• 通过切换Git分支（如 git checkout theme-beauty-serene）即可更换主题，且仅更改视觉组件，不影响产品、购物车和结账功能。

开源与部署

• 完全开源，支持自托管或一键部署至Vercel。
• 项目遵循开源规范，包含贡献指南（CONTRIBUTING.md）和PR检查清单。

快速开始

1. 克隆仓库：git clone https://github.com/yournextstore/yournextstore.git
2. 安装依赖：cd yournextstore && bun install
3. 配置环境变量：复制 .env.example 为 .env.local，并设置 YNS_API_KEY（从 yns.store/manage/settings/api 获取）。
4. 启动开发服务器：bun dev
5. 访问 localhost:3000 即可查看运行中的商店。

环境要求

• Node.js 24+
• Bun 1.0+
• YNS API密钥

后续参考

• 详细API文档请参阅项目中的相关说明。
• 主题切换与自定义请参考 CONTRIBUTING.md 和主题分支列表。

《多宇宙调试》文章摘要

Antithesis 公司推出了一项名为“时间机器”的调试功能，旨在通过确定性模拟来帮助用户更高效地查找和解决软件缺陷。其核心是在一个完全确定性的模拟宇宙中运行系统，从而确保发现的任何缺陷都能完美重现。

主要功能

1. 时间回溯与状态访问

   • 用户可以回溯模拟时间（例如回到5秒前），直接获得一个在模拟宇宙中运行的 bash 终端，从而检查或操作过去的系统状态。
   • 利用虚拟机管理程序（hypervisor）的高效快照功能，无需从头重放模拟即可快速回溯。

2. 获取历史信息

   • 调试崩溃：在服务器进程崩溃后，回溯时间并附加调试器，设置断点或捕获线程转储。
   • 分析网络流量：回溯时间并“决定”之前一直在捕获网络流量，从而获得一个完整的流量转储用于分析协议问题。
   • 诊断性能问题：针对瞬时的性能异常，回溯到感兴趣的时间段，并启用性能分析，无需重现问题。

3. 时间压缩与快进

   • 由于模拟的确定性，在系统大部分时间处于空闲状态时，可以加速模拟，实现时间压缩。例如，在几秒钟内快进模拟的10分钟，这对于调试需要等待时间流逝的网络系统非常有用。

4. 多宇宙调试

   • 这是最核心的进阶功能。用户可以回到过去，改变某个变量或条件（例如关闭某项故障注入），然后返回“现在”观察变化，以判断该条件是否是问题的根源。
   • 通过反复回溯并进行微小变化，可以量化故障发生的概率，甚至帮助用户自主发现和构建缺陷报告。

技术实现与界面

• 该功能通过一个浏览器端的响应式笔记本（Reactive Notebook） 与确定性虚拟机管理程序连接来实现。
• 由于虚拟机内部是一个定义明确的、无副作用的世界，笔记本的界面可以真正实现响应式（UI = f(代码)）。修改笔记本中的代码或命令会立即在模拟的分布式系统中引发反应并更新界面。

发布情况

该功能已向Antithesis的所有现有客户推出，相关文档已就绪。公司表示这只是其强大调试能力的一小部分。

文章标题：探索苹果M4处理器的可扩展矩阵扩展

主要内容摘要：

1. 背景与意义：

   • 搭载苹果M4芯片的2024款iPad Pro是首个公开支持ARM可扩展矩阵扩展的设备。
   • 此前，苹果设备（自2019年起）虽内置矩阵加速器，但使用的是专有指令集AMX1，开发者只能通过苹果提供的数值框架来利用硬件。
   • M4芯片支持SME后，允许程序员直接编写底层代码访问矩阵硬件，有望为科学计算和机器学习算法带来性能提升。

2. 研究目标：

   • 探索M4的SME硬件并研究其指令集。
   • 重点关注如何利用这些特性加速向量运算。
   • 初始实验旨在测量常见矩阵和向量操作的峰值计算吞吐量，以及不同方法下的内存传输速率。

3. 研究方法：

   • 生成大量微基准测试代码变体，覆盖广泛的参数范围，并分析结果。
   • 通过tools/目录下的Python代码生成基准测试。

4. 实验环境与要求：

   • 设备：一台已开启开发者模式并与Mac配对的M4 iPad Pro（目前仅限于此）。
   • 软件：Apple Xcode及命令行工具、XcodeGen、Python3（含PyYAML包）、Quarto及R/tidyverse（用于生成报告）。
   • 注：项目目前仅能在外部M4 iPad Pro上运行，未来可能支持M4 Mac。

5. 项目构建与运行流程：

   • 克隆项目后，依次执行：./setup（配置设备与代码签名）、make build（编译并安装到iPad）、make run（运行测试）、make copy_results（复制结果）。
   • 测试结果（JSON格式）将复制到results/文件夹。
   • 默认执行单核与多核测试（耗时较长）。如仅关注单核峰值性能，可修改src/tests.swift中的multiCoreTests变量并重新构建。

6. 相关内容：

   • 文章引用了corsix/amx项目对苹果专有AMX扩展的描述。
   • 提到了耶拿大学团队正在进行的另一项深入研究，他们正在基于SME构建高性能的GEMM实现。

7. 项目参与：

   • 研究者表示随着硬件新特性的测试，将扩展此项目，并欢迎拉取请求和评论。

关于AI照片效果功能的描述

该内容描述了一个用于创建AI驱动视频的照片效果功能。用户可以通过上传照片，将其转换为引人注目的AI生成视频。

主要操作步骤

1. 上传照片：用户需上传一张照片以应用此效果。
2. 使用积分：生成过程需要消耗1个积分。
3. 创建专属内容：系统会根据用户上传的照片进行处理。

最佳效果指南

为获得最佳效果，上传的照片应满足以下条件：

• 清晰度高：照片需清晰可辨。
• 展示全身：照片中需显示人物全身。
• 光线充足：良好的照明条件至关重要。
• 主体突出：照片中应有一个明确的主体。

核心功能总结

此功能的核心目的是将用户提供的静态照片，通过AI技术转化为动态的视频内容。

背景

在开发游戏《Dragon Prince: Xadia》时，为确保客户端（iOS/Android）与游戏服务器同步，平台YAML配置中设有 gameServerVersion 字段。该字段由TeamCity部署任务动态写入当前部署的Git Hash，用于判断客户端是否需要更新。

Bug现象

Sandbox2环境部署完成后，QA团队发现Android和iOS客户端在下载更新后，仍持续提示“需要更新”，导致无法进入游戏。

调查过程

1. 核对配置：检查YAML配置发现 gameServerVersion: 556474e378，与TeamCity部署记录中的Git Hash完全一致。
2. 排除缓存：清除Android缓存并测试iOS端，问题依旧，排除了客户端缓存导致的问题。
3. 分析日志：查看客户端日志发现，服务端返回的GameData payload中 gameServerVersion 的值为 "Infinity"（无穷大），导致版本比对失败。

根本原因

YAML配置中的Git Hash 556474e378 未添加引号。该字符串恰好符合科学计数法格式（即 $556474 \times 10^{378}$），导致YAML解析器将其解析为一个极大的数字而非字符串。该数字在后续处理中溢出并变成了 "Infinity"。此前生成的Git Hash碰巧无法被解析为数字，一直被正确当作字符串处理，因此掩盖了此缺陷。

解决方案

1. 修复配置：在YAML配置中为Git Hash添加引号（gameServerVersion: "556474e378"），强制其作为字符串解析，错误提示随之消失。
2. 预防机制：更新TeamCity部署代码，确保未来动态写入的Git Hash均自动包裹在引号中，彻底防止此类问题再次发生。

Apple Watch睡眠呼吸暂停检测功能概述

Apple Watch（Series 9、Series 10及Ultra 2）现已具备检测睡眠呼吸暂停的功能，该功能于2024年9月获得FDA批准。此功能旨在筛查可能存在的睡眠呼吸暂停，但不能用于诊断。

检测准确率

• 对于重度睡眠呼吸暂停，检测敏感性为89%，特异性为98.5%。
• 对于中度睡眠呼吸暂停，敏感性为43%。
• 若收到警报，应认真对待；若未收到警报，仍可能存在中度睡眠呼吸暂停。

技术原理 Apple Watch目前仅使用3D加速度计数据进行检测，未使用血氧饱和度数据。其科学基础主要涉及：

1. 外周动脉张力：当呼吸暂停发生时，血氧下降会触发自主神经系统反应，导致外周动脉体积变化，这种变化可被腕部传感器检测。
2. 心血管信号：心率等心血管指标是预测睡眠呼吸暂停风险的重要因素。

临床意义与使用建议

• 目标群体：美国约有超过2350万未确诊的睡眠呼吸暂停患者，该功能有助于早期筛查。
• 确诊流程：若Apple Watch提示可能睡眠呼吸暂停，需通过医生安排的家用睡眠测试（如WatchPAT ONE）进行确诊。
• 输出指标：Apple Watch的“呼吸干扰”指标与衡量睡眠呼吸暂停严重程度的呼吸暂停低通气指数大致相关，但由于其设计注重高特异性（减少误报），不能直接替代AHI用于已确诊患者的监测。

总结 该功能提供了一种便捷的筛查手段，但其结果仅为提示性，确诊和后续治疗需遵循专业医疗流程。

Apple Watch Series 10 摘要

核心升级：Apple Watch Series 10 代表了该系列一次全面的设计与功能革新，主要亮点包括 史上最薄的设计、最大的显示屏、新的健康监测功能（如睡眠呼吸暂停通知）、更快的充电速度 以及 水下深度和温度感应。

主要特点

1. 设计与显示

• 更薄更轻：比 Series 7/8/9 薄近 10%，铝金属表壳比 Series 9 轻 10%，钛金属表壳比之前的不锈钢版本轻近 20%。采用创新的金属背壳，将天线集成其中，实现更纤薄的外观。
• 最大显示屏：提供有史以来最大的 Apple Watch 显示屏，比 Series 4/5/6 多 30% 可用面积，比 Series 7/8/9 多 9%。屏幕边角更圆润，宽高比更大。
• 先进显示技术：首款采用宽视角 OLED 显示屏的 Apple 产品，倾斜观看时亮度最高提升 40%。在常亮显示模式下，刷新率从每分钟一次提升至每秒一次，支持秒针持续跳动。
• 新材料与颜色：
  • 铝金属：新增带有光泽镜面效果的 喷砂黑色，以及更新的玫瑰金色和银色。
  • 钛金属：取代不锈钢，采用航空级钛金属，提供原色、金色和石板色三种具有珠宝般光泽的抛光表面。

2. 性能与充电

• S10 芯片：搭载新的 S10 芯片和 4 核神经网络引擎，支持各种智能功能。
• 更快充电：充电速度创下新高，15 分钟充电可支持长达 8 小时的日常使用，8 分钟充电可支持 8 小时的睡眠跟踪。约 30 分钟即可充至 80% 电量。

3. 健康功能

• 睡眠呼吸暂停通知：利用加速度计监测与呼吸中断相关的小幅度手腕动作，通过新的“呼吸紊乱”指标进行跟踪。当数据显示持续迹象时，手表会发出通知，提醒用户可能存在中度至重度睡眠呼吸暂停。此功能预计将在本月晚些时候获得监管部门的授权。
• 水下功能：新增深度计和水温传感器。
  • 深度计可测量水下 6 米深度。
  • 水温传感器在浸入水中后自动测量水温。
  • 内置“深度”应用清晰显示时间、当前深度、水温等信息。
  • 配合 watchOS 11 新增的潮汐应用程序，可提供全球海岸线和冲浪点未来七天的潮汐预报。

4. 智能与音频

• 音频播放：首次支持通过内置扬声器直接播放来自 Apple Music、播客等应用的音频。
• 通话降噪：采用新的语音隔离神经网络，在通话时抑制背景噪音，使声音更清晰。

5. 操作系统：watchOS 11

• 新应用：包括生命体征应用（查看关键夜间健康指标）、潮汐应用。
• 训练负荷：测量锻炼强度和时长对身体的影响，帮助用户做出训练决策。
• 更智能的智能叠放：更智能地显示重要信息。
• 可定制的健身记录圆环：可按星期几设置目标，并能暂停圆环。
• 重新设计的照片表盘：使用机器学习帮助用户挑选最佳照片。

6. 产品规格与环保

• 尺寸：提供 42 毫米和 46 毫米两种尺寸。
• 续航：保持全天 18 小时电池续航。
• 环保：任何 Apple Watch Series 10（搭配特定表带）均可选碳中和版本。表壳采用 100% 再生铝或 95% 再生钛。

配件与上市信息

• 爱马仕联名表带：推出新款 Torsade、Twill Jump Attelage 表带，以及首款爱马仕金属表带 Grand H。
• Nike 运动表带：提供新的大胆配色。
• 价格与上市：起售价为 399 美元。于 2024 年 9 月 20 日（星期五）正式发售，即日起可预订。
• 附赠服务：购买 Apple Watch Series 10 可获赠三个月的 Apple Fitness+ 和 Apple Music 服务。
• 兼容性：新旧尺寸表带（42/46 毫米与 41/45 毫米）可互相兼容。
• watchOS 11：将于 9 月 16 日面向 Apple Watch Series 6 及后续机型推送。

注：睡眠呼吸暂停通知功能尚待监管机构批准；潮汐、Oceanic+ 等功能和应用的可用性因地区而异。

研究揭示人类对AI在生死决策中存在“令人担忧”的信任度

研究背景与目的

加州大学默塞德分校的研究团队在《Scientific Reports》上发表了一项研究，旨在探讨在不确定且AI不可靠的高风险环境下，人类对人工智能的过度信任问题。

实验设计与结果

• 实验过程：受试者在短暂观看标记为“敌”或“友”的目标照片后，需快速决定是否执行模拟的无人机暗杀任务。实验中，AI会提供关于目标有效性的第二意见，但该建议实际上是完全随机的。
• 实验结果：尽管受试者事先已被告知AI系统存在易错性，仍有三分之二的受试者让自己的决策受到了AI随机建议的影响。

应用场景与延伸意义

首席研究员Colin Holbrook教授指出，该研究不仅针对军事决策，其结论同样适用于其他高风险或生死攸关的场景，包括：

• 警察受AI影响决定是否使用致命武力。
• 医护人员在医疗紧急情况下受AI影响决定救治优先级。
• 购房等重大人生决策。

核心结论

• 警惕过度信任：随着AI技术的快速发展，社会需要对其潜在的“过度信任”风险保持警惕，在生死攸关的决策中应对AI保持健康的怀疑态度。
• 打破认知误区：人们常因AI在某一领域的卓越表现，而误以为其在其他领域也同样出色。研究强调，AI仍是能力有限的设备，不应被盲目假设或依赖。

Deepsilico (YC S24)：面向三元Transformer模型的软硬件方案

公司概况与问题背景

Deepsilico由Abhi和Alex创立，二人均来自达特茅斯学院研究背景，受微软BitNet论文启发。公司专注于解决大语言模型推理面临的硬件挑战：模型规模持续增长导致推理硬件成本高昂，在设备端运行尤其困难，需消耗大量算力、能源与空间。

核心技术方案

解决方案是训练和部署三元Transformer模型。其核心优势在于：

1. 存储压缩：权重值可从16位压缩至2位（甚至更低），实现近8倍的权重矩阵压缩率。
2. 计算简化：三元值（-1， 0， 1）与INT8值进行点积运算时，可简化为加法、减法或忽略操作，大幅降低算术复杂度。可采用查找表、位掩码归约等方法进一步优化。
3. 为何选择三元：在压缩率与对称性权重表示能力上，三元值（-1.58 bit）是实验中的最佳平衡点。

当前实现与挑战

• 硬件限制：现有CPU/GPU（尤其是NVIDIA GPU）架构未针对超低位宽矩阵运算深度优化，其自定义内核的性能远未达到理论峰值。
• 软件栈与已有进展：公司已开发自定义内核，在现有硬件上已能显著改善显存占用和吞吐量，为定制硅芯片设置了明确的性能基准。他们正在开源训练框架（Sila）、数据标注和合成数据生成工具。
• 模型训练：需使用其自定义线性层（基于BitNet 1.58）重新训练或预训练模型。训练过程使用FP16权重，但在计算图中解离量化函数，允许梯度流经量化后的权重。

目标与未来规划

最终目标是设计专用定制硅芯片（ASIC），以在三元Transformer推理中实现更高的压缩比、吞吐量、更低的延迟和能耗。除了持续优化GPU内核，他们正致力于支持Inferentia、TPU等其他部署平台，并计划提供一键式抽象，统一处理内核编译、ONNX/TensorRT集成、内核调优等复杂技术细节。

市场与挑战

团队清醒认识到ML硬件市场的主要瓶颈在于软件生态。说服企业更换硬件需要克服其现有基础设施和软件栈的惯性。因此，公司同时推进软件层的易用性和兼容性，以降低用户迁移门槛。

项目联系邮箱：abhi@deepsilico.com

本文探讨了利用合成孔径雷达（SAR）卫星图像检测飞机的可能性，并记录了一次使用开源框架进行实验的全过程。

核心技术与公司背景

Umbra Space 是一家SAR卫星制造商和运营商，其卫星能穿透云层、烟雾等干扰，实现全天候成像，分辨率可达16厘米。公司通过开放数据计划免费提供价值约400万美元的全球SAR图像数据，其中包括超过140张曼谷素万那普国际机场的图像。

SAR图像中的飞机探测

• 挑战：在SAR图像中识别飞机有时很困难，尤其是当飞机与背景相似时（如在飞机坟场）。与广播自身位置的ADS-B信号不同，探测关闭应答器或停放的飞机具有独特价值。
• 训练数据：文中引用了一个名为SARDet-100K的大规模SAR物体检测数据集。该数据集整合了多个子集，其中包含飞机标注的图像主要使用C波段和X波段，极化方式各异。

实验：使用MSFA框架检测飞机

1. 环境与工具准备：

   • 作者描述了其高性能工作站（CPU、内存、存储）。
   • 详细列出了安装Python虚拟环境、PyTorch、OpenMMLab相关包以及MSFA框架的步骤。
   • 安装了DuckDB及其扩展用于数据管理，并使用QGIS进行地图渲染。

2. 数据获取与处理：

   • 从Umbra开放数据目录下载了曼谷机场的SAR图像（约35GB），并提取元数据存入DuckDB表进行分析。图像均由X波段、VV极化采集，最高分辨率达17.48厘米。
   • 下载了SARDet_100K预训练的模型权重文件（约20GB）。

3. 推理流程与结果：

   • 选用DeonDet配置文件。对原始SAR图像进行了坐标校正（使用RPC元数据和gdalwarp）并切割为4096x4096像素的小块瓦片。
   • 运行模型对每个瓦片进行物体检测，随后将检测结果合并为一个矢量文件。
   • 结果分析：模型在跑道、滑行道等区域检测到了一些置信度高于0.4的目标，但在卫星航站楼等已知停放飞机的区域，检出率很低，遗漏了大量飞机。

结论与展望

本次实验尝试将前沿的SAR物体检测模型（SARDet-100K/MSFA）应用于Umbra的高分辨率商业卫星图像，以探测飞机。尽管技术流程完整，但模型在特定场景下的检测效果未达预期。作者表示将继续深入研究并更新发现。整个工作展示了从数据获取、环境搭建、模型推理到结果评估的完整技术路径。

Transparenttextures.com 是一个提供免费透明纹理图案的网站。 该网站汇集了多种纹理设计，旨在为网页设计、图形开发和其他创意项目提供视觉素材。内容结构以列表形式呈现，每个纹理条目包括名称和制作者信息，方便用户浏览和选择。

纹理图案覆盖广泛材质，例如：

• 织物类：如“45 Degree Fabric (Dark)”和“45 Degree Fabric (Light)”，均由Atle Mo制作；“Low Contrast Linen”和“Stressed Linen”由Jordan Pittman制作。
• 建筑材质：如“Brick Wall”和“Brick Wall (Dark)”，由Benjamin Ward制作；“Squared Metal”由doot0制作。
• 纸张与纹理：如“Crisp Paper Ruffles”由Tish制作；“Natural Paper”由Mihaela Hinayon制作。
• 几何图案：如“Argyle”由Will Monson制作；“Diagmonds (Dark)”和“Diagmonds (Light)”由INS制作。
• 其他设计：包括“Real Carbon Fibre”由Alfred Lee制作；“Wood Pattern”由Alexey Usoltsev制作；以及抽象图案如“Flower Trail”由Paridhi制作。

网站关键功能是提供可复用的纹理资源，制作者信息透明，确保每个设计的来源可追溯。整体而言，Transparenttextures.com 作为一个资源库，帮助用户快速获取多样化的透明纹理，提升项目视觉效果。

Jupyter Notebook 加载速度优化总结

本文讲述了团队如何将 Jupyter Notebook 的加载时间从长达一分钟以上优化至约4秒（P90）的过程。

核心问题与背景

• Jupyter Notebook 作为核心功能快速增长，但加载缓慢（尤其在美国以外地区）严重损害用户体验。
• 原始加载过程分为四个阶段，每个阶段都可能耗时数秒至十余秒，导致总加载时间过长。

原始加载流程

1. 创建/分配服务器容器：首次打开时需分配运行 Jupyter Server 的容器，耗时可达5秒以上。
2. 加载 iframe：加载包含 JupyterLab 前端及自定义扩展的 HTML/CSS/JS 文件。
3. 获取并渲染笔记内容：从 S3 获取笔记 JSON 文件并渲染，需经后端认证。
4. 可运行时间：建立工作区连接并运行初始化代码。

关键优化措施

1. 添加进度条：最初为基于平均加载时间模拟的假进度条，用以改善用户等待感知，后改为反映真实进度。
2. 分离扩展 UI 与服务器：
   • 尝试多种方案后，最终自建 webpack 入口，打包 JupyterLab 库，将生成的静态文件部署至 CDN，同时保留 iframe 加载机制。此举使 UI 资源能就近快速分发。
3. 解耦服务器与 UI 的加载：
   • 覆盖内核选择对话框，使其在后台静默连接。
   • 模拟服务器静态请求（如会话、设置等），使 JupyterLab 无需等待真实服务器响应即可启动，实现 UI 与服务器并行加载。
4. 模拟静态请求以减少往返：
   • 在扩展内部模拟多个本需请求后端的静态配置响应。
   • 关键优化：发现并模拟了 JupyterLab 检查笔记是否存在的首次请求（原本导致一次冗余的 S3 来回请求），将渲染笔记所需的请求次数减半。
5. 预渲染 iframe：
   • 在用户登录时即提前加载并隐藏 JupyterLab iframe，开始构建 UI 和加载扩展。
   • 用户打开笔记时，通过 MutationObserver 监听并动态调整 iframe 的位置与尺寸，而非移动 DOM 节点（会导致重新加载），并立即请求特定笔记内容。
   • 此方案使加载时间主要受限于从 S3 获取笔记内容的速度。

优化成果

• P90 加载时间（可交互时间）从优化前的约 30秒 降至约 4秒，提升了87%。
• 中位数加载时间降至 2秒以内。
• 负面反馈基本消失，用户体验大幅提升。

未来优化方向

1. 进一步精简 JupyterLab 的 JavaScript 文件大小（当前约12MB）。
2. 构建全球多区域代理，以减少对北美后端的请求延迟。

Sigrok 项目摘要

项目概述
Sigrok 是一个便携、跨平台、自由/开源信号分析软件套件，旨在支持多种设备类型，如逻辑分析仪、示波器、万用表和数据记录器。项目基于 GNU GPL 第3版或更高版本许可。

核心功能和设计目标

• 广泛的硬件支持：支持来自不同供应商的多种设备，包括逻辑分析仪、示波器、万用表和数据记录器等。
• 跨平台兼容性：可在 Linux、Mac OS X、Windows、FreeBSD、OpenBSD、NetBSD 和 Android 上运行，并支持 x86、ARM、Sparc、PowerPC 等架构。
• 可脚本化的协议解码：通过 Python 3 编写的可堆叠协议解码器实现扩展性。
• 文件格式支持：支持多种输入/输出格式，如二进制、ASCII、十六进制、CSV、gnuplot、VCD 和 WAV。
• 可重用库：包含 libsigrok 和 libsigrokdecode 共享库，可供不同前端和图形界面使用。
• 多种前端选择：提供 PulseView（用于逻辑分析仪/数字存储示波器/混合信号示波器）、SmuView（用于万用表/电源/负载）、sigrok-meter（用于万用表）、sigrok-cli（命令行）及其他前端。

常见应用场景

• 记录万用表数据。
• 以低成本逻辑分析仪检查逻辑电路。
• 作为示波器的远程图形界面。
• 进行信号测量和分析。
• 使用协议解码器解读数字信号。
• 编写自定义 Python 协议解码器。
• 远程控制电源和实验室设备。
• 开发自动化工具以满足特定需求。
• 为自制设备提供框架和前端支持。

项目状态与资源

• 项目提供下载、文档、子项目、联系方式和开发信息。
• RSS 提取失败，提示内部服务器错误。
• 除非另有指定，所有维基内容（包括文本和图像）均基于 CC-BY-SA 3.0 许可发布。

苹果欧盟税务案败诉

欧洲最高法院于周二就苹果公司与爱尔兰长达十年的税务纠纷作出判决，裁定苹果公司败诉。该案件源于2016年欧盟委员会的一项裁决，要求爱尔兰向苹果追缴高达130亿欧元（约合144亿美元）的欠缴税款。

欧洲法院的此项裁决，是在苹果公司发布新品（旨在提振其iPhone、Apple Watch和AirPod产品线）数小时后公布的。受此消息影响，苹果股价下跌约1%。

爱尔兰政府在一份声明中表示，苹果案“涉及的只是一个如今已具历史意义的问题”，并重申其立场始终是“不对任何公司或纳税人给予优惠税收待遇”。

苹果公司在周二的一份文件中称，预计将在截至2024年9月28日的第四财季计入约100亿美元的一次性所得税支出。爱尔兰政府同时指出，将启动程序，将托管账户中的相关资产转移至爱尔兰。

苹果发言人回应称：“本案从来无关我们缴纳了多少税款，而是关乎我们应向哪个政府缴税。我们在运营的任何地方都始终缴纳所有应缴税款，从未有过任何特殊交易。” 该发言人补充道：“欧盟委员会试图追溯性地改变规则，并无视根据国际税法，我们的收入已在美国纳税的事实。”

案件经过回顾

• 2014年，欧盟委员会（欧盟执行机构）启动对苹果在爱尔兰（其欧盟总部所在地）纳税情况的调查。
• 2016年，欧盟委员会裁定爱尔兰政府向苹果提供了非法国家援助（即税收优惠），并下令爱尔兰追缴税款。
• 苹果与爱尔兰政府随后上诉至欧盟普通法院。
• 2020年，普通法院支持了苹果的上诉，撤销了欧盟委员会的裁决。
• 欧盟委员会随即上诉至欧洲法院。
• 2024年9月10日，欧洲法院推翻了普通法院的判决，确认了欧盟委员会2016年的原始裁决。

更广泛背景

此案由即将离任的欧盟竞争事务专员玛格丽特·维斯塔格主导，凸显了美国科技巨头与欧盟之间持续的冲突，欧盟一直致力于解决从数据保护到税收和反垄断等一系列问题。

这并非苹果首次成为欧盟的目标。最近在2024年3月，欧盟委员会因苹果滥用其在音乐流媒体应用分发市场的主导地位，对其处以18亿欧元的反垄断罚款。

此外，欧盟全面的《数字市场法案》已迫使多家公司在欧洲改变其部分商业实践。欧盟委员会已依据该法案对包括苹果、Alphabet和Meta在内的科技巨头展开了多项调查。

核心决定

Jerry Neumann 宣布停止投资新公司。这并非对当前投资环境的否定，而是其个人投资策略已圆满完成使命。

投资历程与策略

• 全力以赴的起步：因自认不适合亲自创业且无法募集基金，Neumann 将天使投资视为自己的“新创业项目”。他打破常规，将80%以上的个人资金投入风投，与创业者一样承担极高风险。在经历五年的财务高压后，于第六年迎来重大退出并实现盈利。
• 基于不确定性的投资理论：他不依赖直觉，而是通过深度复盘建立了一套基于“奈特氏不确定性（Knightian Uncertainty）”和“黑天鹅”理论的投资策略。他认为，创业中不可预测的“不确定性”正是产生幂律回报和超额收益的根源。该策略成效卓著，其内部收益率（IRR）连续15年超50%，并投出两家全球顶尖软件公司。

退出投资的三大原因

1. 缺乏对技术进步的兴奋感：当前的初创公司多倾向于在现有市场中获取微薄利润以维持现状，而非创造颠覆性技术或真正改善人类生活，这让他感到乏味。
2. 缺乏机构传承：作为天使投资人，他未能建立起能在其身后续存的机构。由于自认不善推销及性格原因，建立个人基金或加入成熟风投机构的尝试均未果。
3. 生命有限与心态转变：随着年龄增长，他对“未来十年赚取更多财富”失去兴趣。目前的财富已足够支持他自由地做想做的事，达到了其心目中的理想状态。

未来展望

Neumann 拒绝为了维持行业相关性而假装仍在投资。受荣格思想启发，他计划将精力投入到比个人更宏大的事业中，寻求真正的贡献，并期望未来能留下有趣的人生经历，避免虚度光阴。

多光谱成像与伏尼契手稿

技术背景

多光谱成像利用紫外线和红外线等非可见光波段捕捉图像，能使中世纪手稿中褪色或被刮除的文字变得可读。中世纪墨水含铁成分，能渗入羊皮纸，即使被刮除，分子键仍存在，在紫外线照射下可能发出荧光。该技术已成功应用于解读古籍和损坏手稿。

成像项目概况

2014年，耶鲁大学拜内克古籍善本图书馆允许拉撒路项目团队对伏尼契手稿（Beinecke MS 408）的10页进行多光谱成像，包括1r、8r、17r、26r、47r、70v1、71r、93r、102v1和116v页。因人员变动、新图像平台开发、积压工作和新冠疫情，图像从未公开。直至2024年，经罗切斯特理工学院罗杰·伊斯顿许可，全部图像获准公开下载。

图像分类与使用

共享文件夹包含四类图像：

• 原始TIFF文件：未处理的16位多光谱图像，多数软件无法读取。
• 处理后图像：经专家应用颜色变换以提高可读性的图像。
• 真实色彩TIFF/JPEG：高分辨率页面图像。 使用时需注明来源为“拉撒路项目与罗切斯特理工学院切斯特·卡尔森成像科学中心”，并引用手稿编号及页码。

重要发现

第1r页

• 褪色签名：确认下边栏褪色题名为“Jacobi à Tepenecz”，即雅各布·西纳皮乌斯，16世纪末至17世纪初可能的拥有者。
• 三栏字母表：右侧页边首次清晰显现三栏竖排文字：
  1. 罗马字母表（a-z）。
  2. 伏尼契字符序列。
  3. 偏移一位的另一罗马字母表。 经笔迹比对，罗马字母表与约翰内斯·马库斯·马奇（1595-1667）的笔迹高度吻合，他于1662年继承手稿。这可能是早期的解码尝试，但简单替换密码无法解读手稿。

其他页面亮点

• 第70v1页：演示了如何区分移印、透印和揭示的褪色文字。浅蓝色文字为透印，而非新发现内容。
• 第71r页：多光谱图像显示不同颜料对曝光反应差异显著，建议用X射线荧光分析颜料成分。
• 第26r页：揭示移印（来自对页25v）、透印（来自26v）及未解释的半圆形痕迹。
• 第93r页：污渍与花朵颜料反应相同，表明污渍源于作画时滴落；文字覆盖污渍，说明先绘图后书写。
• 第101v2页：帮助看清锈渍下的图案、蓝色部分文字及严重损坏折叠处的褪色文字。
• 第116v页：顶部文字非伏尼契文，具德语特征。成像有助于厘清模糊字母，如澄清第三、四词首字母可能非p而为u或v。

结论与意义

• 无底层文字：未发现羊皮纸复用痕迹，支持手稿年代约为1425年。
• 支持真实性：1r页褪色题字的存在符合历史逻辑，不像现代伪造者会刻意添加再褪去。
• 未来价值：图像提供额外文本和历史证据，证明多光谱成像可行，有望揭示更多隐藏信息，如重构页面顺序、转录褪色文字等。但全面成像需权衡对羊皮纸的热光暴露风险和物理损坏可能。

技术细节

图像文件名包含拍摄条件。经校准后，采用最小噪声分数等算法处理多波段数据，通过主成分分析、独立成分分析等组合波段，增强褪色文字可见度。后处理中可能调整色相以提高清晰度。

内容驱动开发：推进个人项目的有效策略

本文探讨了如何通过“内容驱动开发”（Content-Driven Development）来解决个人项目（Side Projects）容易半途而废的问题，帮助开发者保持动力并明确项目的合理终点。

个人项目卡壳的原因

个人项目停滞通常由以下原因导致：

• 遇到难以克服的技术障碍。
• 生活琐事干扰导致项目被搁置。
• 不断添加非必要的“需求”导致范围蔓延。
• 失去兴趣：这是最常见的原因。项目周期过长或充斥着枯燥的收尾工作，容易让开发者的兴趣减退。面对庞大且令人望而生畏的任务列表，开发者很容易在项目完工前放弃。

内容驱动开发的核心理念

作者发现，定期为项目输出内容能有效推进项目进度。这种方法的核心在于任务拆解与排序：

• 化繁为简：放弃构建庞大的任务列表，转而思考哪些独立的小模块值得作为内容分享（类似于敏捷开发中的冲刺或演示驱动开发）。
• 正反馈循环：每完成一个可分享的模块（如优先开发解析器），就能获得成就感（多巴胺），从而维持开发动力，并激励自己完成不那么有趣的工作。
• 专注核心：为了产出有价值的内容，开发者会自然剔除边缘功能（如非核心的权限系统），专注于项目的核心价值。

多样化的分享渠道

内容驱动开发不局限于写博客，开发者可根据偏好选择分享进度的渠道：

• 博客文章：最常规和深度的分享方式。
• 视频演示：通过 YouTube 等平台发布 Demo 或更新视频。
• 微博客：在 Mastodon 等平台进行轻量级的进度更新。
• 社区论坛：在特定社区（如 Recurse Center）定期打卡分享。
• 私下交流：仅与一两位朋友分享进展。

重新定义项目的终点

以“内容输出和学习”为视角，能帮助开发者更从容地决定何时结束项目：

• 有意识地停止：未实现的功能不再被视为“失败”或“缺陷”，而是被看作与核心目标正交的舍弃项。
• 目标达成即结束：一旦达成了最初的学习目的、完成了核心演示或做出了实用的工具，即使任务列表尚未清空，项目也可以随时宣告完成。这种心态让开发者从无尽的需求中解放出来，自由地结束项目。

本文介绍了Transfusion，一种用于训练处理离散和连续数据的多模态模型的训练方案。该方法将语言建模损失函数（下一token预测）与扩散模型相结合，在单一Transformer模型上处理混合模态的序列。

研究人员从头开始预训练了多个参数规模高达70亿的Transfusion模型，使用文本和图像数据的混合数据集，并在多种单模态和跨模态基准测试上建立了缩放定律。实验表明，相比对图像进行量化并训练语言模型的方法，Transfusion的缩放效果显著更好。

通过引入模态特定的编码和解码层，可以进一步提升Transfusion模型的性能，甚至能够将每张图像压缩至仅16个图像块。进一步实验表明，当将Transfusion方案扩展到70亿参数和2万亿多模态token时，所产生的模型在生成图像和文本方面可与同等规模的扩散模型和语言模型相媲美，从而同时获得了两种模型的优势。