duangsuse::Echo

Links Rewritten duangsuse: 【有力的文字是简洁的】这其实是欧化汉语（翻译腔）。 #english #china https://fixupx.com/xuanwo/status/2104811628063854831 如果100%保持原意，你会认为它无法再精炼，但其实，【XX是XX的】不够中文化。 “有力的文字必然简洁” “行文要有力，贵在简练。” “文贵简练。” 或 “文章有力，重在精粹。如画无废笔，器无繁构。” It rains. 翻译后不一定写【天在下雨】，可能是“小雨” “天晴雨轻”。 如果你译去译回一次能90%对回原文，说明不够中文 中文的词法，特点在于压缩+扩写，而不单单删掉语素。《文言和白话(人教版)》 《论中文的常态与变态》里就曾以理驳斥诟病“不如文言简洁”或“文字游戏”的说法，列举 “进行……”、“是……的”、“具有……性质” 这些黑名单语法。

LOTU$: 我怀疑你是LLM但是我没有证据 duangsuse: 额 没错，我写的很详细，而且内嵌了50%左右Gemini的输出 但是这个点子确实是我提的，AI只是帮我搜集资料 我说的也是一个问题啊， str2str 的数据流，找到一个MacOS+热键专属的【框】 如果放在网页世界的话， deepl 可能都支持.md 或者按句选择翻译版本了。 LLM的语言能力比它更强不是吗 如果上线还想更新的话，这种润色模块也可以加啊 LLM 自己可不会凭空跑去给 Xuanwo 提这种产品哲学上的 issue。这样分享思路，总比点个赞扔掉对两边更有趣吧 我不想显得自己很judge所以用了类似AI的口吻，str2str 说的好像Xuanwo没有打磨一样，其实我是觉得，既然叫辞达，可以保留简洁和Tuneable LLM本身信噪比挺优秀的，如果不是往那一甩，它可以作为技术参考 #perf #rust #net Xuanwo是谁 https://xuanwo.io/2023/01-beyond-storage-why-we-failed/ 《BeyondStorage: why we failed》在开源界广为流传 三个月？Metadata 框架？这不就是json转静态补齐，顶多挂个funame…… 没错…… 这也太可怕了。数十个下游服务仓库，几十个 PR CI 流水线绿成一片，这还是Codex们没有深度集成时， 这种品味，未来不得干成一个go文件0.5MB啊 说回来，unix的mount不够，也不用户态线程，而且fs树的重要性放低了。xxfs的未来恐怕是一片RO给层叠一片给(No)SQLs，s3fs这些东西终究是bash的小秘而已 没错…… s3fs这些FUSE其实本该做成fakeroot的纯用户态。至于网络本地 r/w/a 的块和流统一接口，在特定体积和吞吐量下和 u[k]=v 读写赋值不一样，和 u.map('k',v=>v) 融恰一些，只可惜IO不能这样优雅。 尽管有读写背压和事务retry，S3在应用里还是大同小异的。所以这不是有DAL了吗？ 尽管没有做成纯声明式封装，但op.cmd()也是很聪明的设计 Go=new Java 这个问题还真是，犯过的错都要犯一遍 接口和注解地狱，nil和iferr，pnpm，只是个大数据吞吐量的升级，依旧软件失忆 真的不能理解为什么有人热衷于100行一个repo和left_pad。Codex们出现以后真的都不鸟他们。Unix 提倡“做一件事并做好（Do one thing and do it well）”，但很多开发者把“一件事”极端曲解成了“一个函数” “缺乏用户共情的MVP功能”。 要不是LLM智商在线，我都以为我才是有病的那个，并且还要陪他们一起【震惊跌坐】了 Monorepo和microrepo这些东西真是把我搞笑了，虽然我几乎只写过脚本，但我非常清楚每一百行代码暴露了什么能力和flow。 真搞不懂git那么多有什么意义，“Star 虚荣与 PMC 官僚病” 也是常见问题。至于codegen，我看了也没什么创新，就是javapoet级别，可能字面量vs变量的escape都没做

😅😊

😨😭

英国火车站进行50万次人脸扫描：零逮捕，仅出现1次误报 原文：https://www.theguardian.com/technology/2026/sep/29/trial-live-facial-recognition-cameras-london-stations-false-positive 阅读时间：3 分钟 分数：462 🔥

#signal CUDA 的 PTX 汇编设计者、Khronos 那群人（ ShaderToy.com 的上游） 、Mesa 维护者，没有任何声量，而 kernel 作者恰好坐在 ML 圈子看得见的那条边界上，就成了顶尖英雄。 都在说手搓汇编牛逼，谁问把指令流翻译成布线，同时掌握二者的人怎么样了 声量分配跟贡献无关，只跟"离热点多近" “是不是北大高材生”有关。 如果追求人机界面，应该喜欢编译器和DSL元编程；如果追求底层，可以与嵌入式和可观测圈打交道 Hopper 上调好的东西到 Blackwell 得重来，这不是工艺积累，是对漏水抽象的【人肉编译器】适配。是反向积累和“分支预测失败”。 就像一个能力足够的人坐在那录一整天20min会议稿。 有天赋，但是不scale。 可能过一年你的判断力还是老样子 这就像一个人曾以为，【apk增量更新】就是像make -j8 那样按日期降序同步文件，写完后知道CAS分块寻址，震惊跌坐了。然而，read()本来就有块、流、列表三个模式，而且fork()的脏页正是4K块的“内容寻址” 以为【deb打包】就是手写文件地址的，后来知道PKGBUILD和自动 ld.so/exec 转依赖名，AppImage叠层，继续头脑爆雷，然而，包管理本来能反查，PATH也本就是只增叠层 两个世界互相不在乎。包管理让你自己填表格，既不安全更不方便。这就是计算机界许多牛人的真相——他们太顺了，以至于忘记了直觉。 🎁 洞察力对代码质量（甚至功能）的提升有限，但它会帮你减少摩擦。如果对【增量更新】的理解从 find . -depth 变为.bytes[hash]，基于数据流的实现，不会出根本性的变化（还是消息传递，换个类型），而zipdiff的思路，就是代码库没用了。这还只是个生活化的案例。 当然，KDA² 长期以来没爆，不是因为没有源码级自反馈的思路，而是AI编程（自己调超参数）能力太差，以至于旧的框架特性重获挑战需要二开 我说的灵感不是指调试时的经验，是【不需要问这个问题】的元能力。比如，torch就是靠Tape和动态图/静态优化/断点支持“瞬间”超过tf的 这不是一个【淘汰工匠】的问题，实际上，没人是不受消费主义“价值威胁”的。 这是动机纯洁并持续投入者的胜利。

#learn #ml #math “让计算机在没有被明确编程的情况下具备学习能力的研究领域。” 这是句递归废话 说的好像不应该为通用模态优化一样：这就和Web是一个道理。 内容才是关键，什么mp4 mp3的先验都是过度强调实现（“先验”）而没有直觉。变形金刚是"集合+位置"音画词元都塞的下 那ML时，对目标音画任务的手工经验，又有什么物理意义呢？ 还是在解决DNN自己的信噪比和loop中的效率问题 “ML 的初衷不就是隐藏参数、只面向任务和迁移吗？” 我这句好歹还指向了函数模块化，以及概率模型与硬编码流控/GPU核间的最大语法级差异（几个自ret反馈的参数） AI给的教科书定义，别说和ONNX这些可比于jvm的货对齐了（调教技术是算子运行的AOP侧面），向量、词元、流形和嵌入，CNN,RNN和RL这些反馈策略也没提。一个语境都搭不起来 传统任务，比如cv模板匹配（找茬/截图OCR）、同义词搜索和视频推荐、轨迹平滑跟踪、人脸处理、游戏抗锯齿、鸡头稳定器（云台和大疆），无DNN的方法刚好够用 AI有降采样和升采样的界别。在早期应用里ASR较难而TTS容易，OCR较难而字存字渲容易。 最后搞成浓缩的可能是精华，补齐的也未必是废料，不能说len(信息量)都不是先验了吧？ 但算力（熵值）对不上去 之前的【小模型】基本是Jev/SAM那种分类器，或预测续写，3gram和HMM就是纯概率论的预测。GenAI，就不一样了，一边补齐音画里没有的信息量，又有一定分类器的中间产物 信息熵≠信息量，也没有绝对客观的“低惊奇”。蝙蝠眼里的低熵和人一样吗？ 传统 ML 是无状态的DAG，只能整体loop调教，加了循环展开(torch)就变成DNN，可以随便挂RNN(seq2seq)分析器，加了“点赞系统”的梯度就是RL。这个思路和Taichi的可微物理学（投篮偏差可以一步矫正）互补 王垠说RNN是编程里那个嵌套纯粹扯淡，AB帧缓冲防撕裂和[100]->[1]*100的关系都比字面意义更近 sd用向量场来肢解token“噪声”扭曲画布的意图(CLIP+INCE)，LLM则依赖QKV缓存的P(all_tokens)链条，单向链条对应的mask和Attn配合，U-Net 的形状就是字面的编码器-解码器（飞线skip解决信息瓶颈）。 或许你训练了很多年，擅长在运行之前思考和剪掉各种坏处，但对DNN来说依旧是【很差的父母】 #life 许多人说，【炼丹】时希望用到博士时期学的，以及玩具应用的论证经验，但最后就是像英伟达KDA这样，发现自己成了预处理的脚手架，或git方案盖章员，技术栈彻底大宗商品化 【人工的智能】就像硬件外设一样，是MFU跑分的优化器，至于你“会写高知思维链”，没人在乎，那只是个“握手协议”。 物理之于数学，就像sex之于鹿管。 毕竟你不听孩子怎么叫唤，只想着自己学到过什么“真理”。真理就像Fma和Emc，说服父母需要几百行理论，但直觉和兴趣足以理解它们。就像父母造人时一样

人类设计的【特征工程】机器学习，与其说是画师在研究日漫眼睛咋画（文心雕龙），不如说是【从鼠标变成数位板】那样而已， 而纯粹学习到的浅层特征，就像以点线面体为单位的【超数位板】， 它是多线程输入的，因为融合了各家之长，从消费市场出发。 鼠标vs数位板，只是从xy变xyz，而端到端，是从xy变Terraria和体素 作为与【资深牛人】的对比，Alan Kay和Bret的先知直觉很好。 #history #OOP “细胞计算机”、活进程、消息交互、循环中探索和编程，这都是现代因特网和ML的基础，对应权重ckpt和VM云容器、Agent、编排、HITL与闭环升级 而非常重要的指标，就是软件负责人与造物【即时连接】的欲望 Kay对函数的理解，不像今天的科班那样。 (1+1=2)，就像一个【扫码器和打印机】，人手两次塞进“1”的二维码，嗡一声，弹出一片 “2” 的码。 🦄 他认为，这不是图灵机，这是细胞（小计算机）在传递消息！ 嗡嗡声中铭刻了async和chan的思想，甚至还有Rails与Go的核心——method_missing和“消息附带内存，而非反之” 仔细想想，就会觉得很奇怪。 为什么在当年BASIC还是GPT3级别的产品时，Kay就已经预言了未来呢？ 你细品一下2026火的技术，iPad/Dynabook、Docker/Images、H5/活进程Bundle&Events、Torch/ONNX Images+tokens元媒介、Go/Channel消息传递、Colab HF.co /自反馈探索和编程 它们的内核不是UNIX的发条钟表，正好是Kay的细胞OOP！ 极少数人会尝试理解为何（几乎没有几个活跃作品的）Kay被称为先知，Bret的技术力甚至不如40%的资深前端，但这不妨碍他们对未来有如此神奇的、断档式的品味和断言。就像几乎没人哀悼Flash并为Scratch3而期待 但别忘了，就像Lisp的GC、Pike的Plan9和utf8，Kay在PARC交出的是可以和Linux,React,NeXTSTEP(NS_APIs)相提并论的软件，甚至思想上更为独特。 人们觉得苹果之父带来了触屏，却不在乎他采访中坦白【后悔【那一次】没重视】的因特网。 当年在PARC向他展示的，不止是GUI，那是眼睛uiux+细胞oop+神经sock 【消息传递】的 “大眼萌” 三位一体。 Steve Jobs 承认自己只拿了最抓眼的去打磨，以至于剩下两位也只是比微软BASIC好一点 东西是要拿全的。 或许实现时有路标，但设计，不一样

#js #css https://cuelume.dev/ 质量堪比Switch，但是6KB WebAudio

#selected 写的真不错 https://blog.0xnullpath.cc/posts/note-snippet-21-deepseek-%E7%9A%84-attention-%E6%BC%94%E8%BF%9B-dsacsacsa2/

#signal 领英上的极致角色扮演 原文：https://hereticpleb.vercel.app/blog/linkedin-larpmaxxing/ 阅读时间：6 分钟 从零开始构建一个专门识别这类炫耀帖的 YOLO 检测器。整个学习和制作过程仅花费了一个半小时，具体步骤如下： 1. 收集数据：作者编写了一个简单的自动化脚本，利用 scrot 截屏和 xdotool 模拟向下翻页键，自动在 LinkedIn 动态流中抓取了 200 张屏幕截图作为原始数据集。 2. 数据标注：在 Roboflow 平台上创建项目并上传截图，手动给需要检测的目标画框标注。这项机械化的工作仅耗时 20 分钟。随后将标注好的数据集导出为 YOLOv8 格式的压缩包。 3. 训练模型：使用 Python 中的 ultralytics 库调用预训练的 yolov8n.pt 权重文件，对数据集进行 50 轮训练。作者使用的是配置较低的个人电脑，训练仅用了 30 分钟。 4. 运行检测：编写一段简短的 Python 脚本，加载训练好的最优权重文件，并设置置信度阈值对输入图片进行检测和保存。 作者借此讽刺道，自己现在也可以在简历上写上计算机视觉专家、Python 天才以及 AI 和机器学习思想领袖等头衔了。 AI 竞赛变得尴尬起来 原文：https://insufferable.dev/posts/the-ai-race-just-got-awkward/ 对于编程等长上下文场景，这项优化相比 DeepSeek-V1 将 KV 缓存占用降低了约 437 倍： • DeepSeek 率先推出了 MLA 架构，将缓存压缩了约 15 倍。 • 随后又推出了 Compressed Sparse Attention 以及 Heavily Compressed Attention。 • 最新的 DeepSeek-V4.1-Flash 则进一步结合了 CSA2、跨层缓存复用、因果编码器-解码器架构以及 FP4 缓存技术，将全局 KV 缓存降低到了每令牌 890 字节。 中国实验室因受到先进 GPU 获取受限的影响，被迫将性能优化作为首要目标，并取得了显著成果。令人不解的是，中国团队完全免费公开了这些突破，而 Anthropic 和 OpenAI 则迅速在顶级模型中应用了这些技术。 因为借鉴了外部成果，西方公司在发布时显得有些尴尬，因此采取了低调静默发布的方式： 涉及的新模型包括 Claude Opus 5.5 和 GPT-6.1 Sol。

#js #design [{"role": "user", "content": "你好"}] 这个设计对多态的理解还挺欠缺的，可以说，害人不浅 [{"user":"你好"} ] { user: [{ text: "这是什么" }, { image: "..." }] } { assistant: [{ text: "..." }, { tool_call: {...} }] } { tool: { id: "...", result: "..." } } 所以我就说是误解啊，{"user":"你好"}又不只是str值可用，tool和图文并排，都可以做 这种类似于 wtf_checkbox=1 的数据建模…… 但凡value长的像一个下拉菜单，都要考虑key是否有必要存在吧 msgs.filter(m => m.role === 'user') 不如 msgs.filter(m => m.user?.let(u=>true) ) 可定制 { type: "click", x, y } 这种可以有 name、timestamp、id 的确实该判定 ."type" ，其他时候，还是直觉更重要 这也是“平铺统一记录”和“公共信封 + 变体载荷”的权衡： { id, timestamp, event: { click: { x, y } } } serde 里那场老争论：外部标签 vs 内部标签，还有如何利用json的动态类型？ Anthropic 的格式其实也没逃掉，只是把多态下放到了 content[].type 里，上层还是 role 的谁在说话，以及内容块是什么。 🙉 或许有人认为，LLM event api 的核心又不是【数据类型】，而更像编排和Skill这些特性UIUX 但其实，连最基础的语言（好比 .py, .md 的层面）都没有审美，上层应用更是会让人费解，心累。 { append: { text: "你好" } } { replace: { range: [0, 2], text: "您好" } } { cancel: { id: "task-1" } } { cancelled: { id: "g1" } } vs 正统的垃圾 { method: "update", params: { mode: "append", target_type: "message", content_type: "text", value: "你好" } } 把我当成【方法参数】都不知道的傻逼。 真新手，也看不懂method何意味吧？ 机器可以算而不必理解，人应该理解而不必实现。 接口究竟只是让机器接上，还是也要让人看懂、预测，并掌握它？ 人上手不了的功能，放在那干嘛。 直到今天，在json动态类型的理解上，人们还不如bash的 flag vs option 清醒。 数据，键名，在我看来就是行为的名词化，但主流JSer只是为了RPC而序列化。 pyjs已经非常优秀了，可是dev还是设计不好状态和指令的接口。换成 java Go 只会更跌一个档次。 #PLT 材料优秀，并不会自动产生好的协议语言。不要为了让生成器少写几行代码，让每个使用者多做一遍语义编译。 😅 LLM们有再大的【隐藏层智能】，面对连发送队列、草稿防丢都不支持的【智能前端】，也会让人头疼。 优雅的心智模型（数据流）是一切的基础， 目前各家ChatUI和API都较难互通，一个文件访问也能锁死web版和Agent的护城河，也真是让人无语…… 现在都在讲，“少抽卡” ，而基石是【选区】的确立，ChatUI要知道哪错了，具体改几项 但是，e2e的退化，比如从单页到可选择的对话环境，重新引入元素、位置、事件、样式表.. ，就不再是token一把梭了，对前端是很大的考验。 至于怎么分解【选区】，怎么为项目适配，更需要经验和洞察力。 所以别总想着AIGC质量对标天花板，学习成本只要有手就行

简单来说，类似 {role: "user"} vs {user:""} 不是省几个字，而是从面向(=="str")的碎片，变成【面向nullish的消息分派】 #js 这是【如何面向事件】【如何模块化】【分派请求】的三位一体的进化，所以不止是json要变 - 彻底消灭非法状态，{ role: "user", tool_calls: [...] } 的异常现在是【类型层面】的错误 - 避免无意义字段值，wtf_checkbox=1 是最典型的讽刺，堪比数据世界的GOTO - 可是，OpenAPI 和DB 工程师对多态没有最基本的理解 Message = Role × Text × Images × ToolCalls × ToolCallId × FinishReason vs Message = User(Content) + Assistant(Content) + Tool(Result) #statement 再谈谈【全栈文档化】 OpenAPI / Swagger 诞生于 RESTful 资源映射时代，它的内核是对 C-like SQL Struct 与 Java POJO 的映射 它们无法理解真正的REST没有 /api/v1/* 这回事，而是UI和API基于Content-Type，共用一套框架，API自发现，并用OPTIONS鉴权，就像User有card和全屏info两个UI元素一样。 REST已经成为和OOP一样在误解中烂大街的神明了，别人以为 POST /user/:id 就叫RESTful 这里边有Smalltalk和HATEOAS自己的，巨大弊病，但工业界把json-http套皮的行为也是非常抽象。 没有赢家。 因为REST从设计开始，就从不为App思考。它的【url模板自包含】没有Ruby那样的元编程client，还不如OpenAPI，它的【HATEOAS鉴权】会在 res._links 里加一堆垃圾，工程师绝不会容忍这种混淆UI与API的返回值；而【多版本兼容】对上线的应用，很可能“鼓励用户不升级” 比如，列表接口返回 100 条消息，每一条都要塞一个 _links: { self, edit, delete } ，与tgbot的Menu相比，都是极其的脑残，真不明白他们到底在干嘛。Android虽然抽象，至少是把右键绑在list而非item上！ 总之，用curl理解非html接口，是扯淡，但“专家”也没好到哪去。MTProto还是断档领先的，即便在Web版也响应最快。 Telegram 在最烂的 2G 弱网、电梯弱信号下，恢复连接也能在一秒内瞬间追平状态，而基于 REST/JSON 的传统应用还在对着pager的菊花转圈。 MTProto 就是bashrc的思维：“我的本地状态机处在第 pts 步，请告诉我从那之后发生了什么”。.getDifference(pts=12040, date=17100000) 直接吐出一个事件包，里面是一组紧凑的原子变体操作。 REST犯了一个很可怕的忌讳—— 把【产品经理容易读】当成了优化目标，而忽略了DX与地心引力。然而真正重要的——分页器保留滚动、用户内搜索、列表内id预取、历史记录，这些C/S协同的规范，它却视若无物 他们把RPC中的【值json vs 引用id】和CRUD变成了“基本操作”，至于列表菜单、SSO鉴权、1+N 请求的对象池地狱， 这些问题依旧是各有各的写法。避重就轻，所谓的框架只是帮你兼容curl+ORM，要么就是Next那种重量级蠢蛋 如果这些【简单】的设计，人都做不好。那么，Codex们的时代，人又能做什么呢？ Markdown 的胜利，不是因为聪明，而是恰到好处。希望未来不是屎山到处翻滚的时代