最新

我构建了一些不寻常的东西并将其开源了。 PUT Monolith 是一个紧凑的、系统中立的、可供人工智能处理的规则集，用于推理公共财政，适用于一个自动化、人工智能和机器人主导价值创造的未来。 这不是一个政策提案，不涉及政治，也不是大型语言模型的越狱。 它是一个架构核心：不变性、保护措施和伦理约束，使得在任何人工智能模型中都能实现一致的推理。 这个 Monolith 足够小，可以发给朋友，但又足够强大，能够约束人工智能的推理，迫使其遵循公平性、系统对齐、基于足迹的贡献和不回归原则。 多个模型（如 GPT、Claude、Grok）在加载后已经展示了稳定的推理能力。 我们的目标是提供一个便携的构建模块，用于： - 人工智能对齐与系统治理 - 激励机制的推理 - 经济建模 / 公共财政 - 研究、批评和开放测试 采用 MIT 许可证。 GitHub 仓库： [https://github.com/publicusagetax/PUT-Monolith-v2](https://github.com/publicusagetax/PUT-Monolith-v2) 欢迎反馈、批评和分叉。

寻找一些在圣诞假期期间阅读的书籍灵感。

随着Resend新推出的入站功能，我想构建一个简单的应用程序，用于处理Webhook事件并为多个应用程序转发电子邮件。目前，Resend要求您在每个新应用程序中实现该逻辑。 <p>代码库 - <a href="https://github.com/lsherman98/resendforward" rel="nofollow">https://github.com/lsherman98/resendforward</a></p> <p>在线演示 - <a href="https://resendforward.com" rel="nofollow">https://resendforward.com</a></p> <p>使用React和Pocketbase构建，极其简单，便于自托管。</p>

我正在报名参加课程，目前在自然语言处理课程和大型语言模型（LLM）工程课程之间犹豫。哪个选项更好呢？我感觉最近关于LLM在不久的将来可能变得无关紧要的讨论很多。 自然语言处理：介绍人类语言的计算建模；持续努力创建能够用自然语言与人类交流的计算机程序；以及自然语言领域的当前应用，例如自动文档分类、智能查询处理和信息提取。课程主题包括语法的计算模型和自动解析、统计语言模型和大规模文本语料库的分析、自然语言语义以及理解语言的程序、话语结构模型和智能代理的语言使用。课程作业包括对语言模型的形式和数学分析，以及实现能够分析和解释自然语言文本的工作程序。具备统计学知识会有所帮助。 LLM集成系统工程：研究集成大型语言模型（LLM）的系统的软件工程基础。考察LLM集成系统如何将自然语言指令转化为行动。提供构建具有自然流畅界面的系统的机会，将其与现有软件集成，严格测试其行为，并理解其失败模式和局限性。 我不确定哪一个对我更有帮助！作为背景，我是数据科学专业，但对未来从事机器学习工作很感兴趣！