返回首页
最新
没有教训，只有发货，即使它是坏的。
我一直在努力策划一款游戏，这款游戏能够体现程序生成计算机游戏的特点，但只需要使用纸和笔来进行游戏。在这里，我呈现出我所能想到的最佳版本，它既简单又具有新兴特性。我非常享受能够参与这种类型的游戏，同时又不会感到思维在退化。我觉得在玩这个游戏的过程中，我的数学能力得到了提升。
HN非常棒，尤其是与Reddit相比（除非我错过了最好的子版块？），但即便在这里，也有一些不懂骑自行车的人在高谈阔论自行车是多么无用/危险等，并告诉我不要忘记跑步的重要性。那有没有专门为自行车爱好者设立的论坛呢？
毫无疑问，自托管的Git仓库中藏着很多优秀的工具和配件，而我正想和这群人聊聊天。
我在社交网络上想要寻找的视角类型的例子：
https://www.thoughtfultechnologist.com
https://simonwillison.net
您好，我创建了 nanogram，这是一个以隐私为中心的社交媒体平台，旨在让用户完全控制自己的数据。
nanogram 使用纯粹的开源替代方案，提供了一种强大且简洁的方式，重现了 Instagram 的早期时代，在那里朋友们可以分享彼此的瞬间，而没有多余的内容。
平台还包括与朋友一起玩拼字游戏、四连棋和国际象棋的功能。
该平台为邀请制，意味着服务器管理员必须生成邀请令牌以允许新用户加入。
由于 Tor 的全球性，托管完全免费，并且作为洋葱服务运行，提供端到端加密。
您可以在这里找到它：https://gitlab.com/here_gorawhile/nanogram-pi
我想戒掉无休止刷屏的习惯，于是我开发了一款微学习应用，它采用了类似TikTok的算法，具备相同的上瘾信息流机制，但你实际上能学到东西。<p>我最初推出了一个通用版本，名为Scroll: Daily Microlearning（microlearning.usescroll.app），但很快意识到聚焦于单一主题效果更佳。因此，我将其拆分为：<p>Scroll: Personal Finance（<a href="https://finance.usescroll.app" rel="nofollow">https://finance.usescroll.app</a>）<p>Scroll: Learn AI（<a href="https://ai.usescroll.app" rel="nofollow">https://ai.usescroll.app</a>）<p>Scroll: Daily Microlearning（<a href="https://microlearning.usescroll.app" rel="nofollow">https://microlearning.usescroll.app</a>）
在讨论架构之前，先明确一个具体的输出。<p>来自Bybit / Lazarus攻击的主要钱包得分为10/100，属于高等级，姿态升级，OFAC对Lazarus集团的归属直接出现在简报中。完整判决请见这里：<a href="https://credscore.us/v/o6wr--NrABo" rel="nofollow">https://credscore.us/v/o6wr--NrABo</a><p>该引擎是确定性的，评分路径中没有机器学习。每个信号都有明确的数值权重。结构模式检测包括：扇出分布、源返回流、循环资金、重复金额区间的再循环。对于确认的OFAC特别指定国家（SDN）匹配，严格制裁的最高得分为12，在管道中的三个独立点执行。相同的钱包始终产生相同的得分。每个输出都可以追溯到特定的链上活动，并附有书面理由。<p>支持五条EVM链：以太坊、Base、Arbitrum、Optimism、Polygon。得分范围为0到100（得分越高，风险越低），决策姿态（继续/审查/升级），结构化分析师简报。从地址到判决的分析时间少于15秒。<p>它不支持的内容包括：非EVM链（比特币、Solana、Tron）、大规模实时流监控、通过桥接进行深度跨链追踪。这些工作是Chainalysis Reactor和TRM Forensics更擅长的。CredScore是快速的初步评估，而不是深入调查。<p>如果您想独立验证引擎输出，有两个关于真实攻击者钱包的公开案例研究：<p>Bybit / Lazarus钱包树：<a href="https://credscore.us/case-studies/bybit-hack-lazarus-wallet-analysis" rel="nofollow">https://credscore.us/case-studies/bybit-hack-lazarus-wallet-...</a><p>Drift / DPRK钱包，仅因行为被标记：<a href="https://credscore.us/case-studies/drift-hack-dprk-wallet-analysis" rel="nofollow">https://credscore.us/case-studies/drift-hack-dprk-wallet-ana...</a><p>首次分析免费，访问 <a href="https://credscore.us/desk" rel="nofollow">https://credscore.us/desk</a>，无需信用卡。<p>我目前正在研究的最棘手的评分问题是如何在信号层面区分合法的高对手方熵与以“抽水者”形态的受害者扇入。该引擎目前将高对手方熵视为轻微的正面信号（更广泛的可观察行为通常是好的）。但对于抽水者钱包，数百个小额的不同入境对手方实际上是受害者，而不是合法的对手方多样性。我正在探索对手方价值分布和入境与出境比例作为区分因素，但信号形状与合法的批量支付重叠确实存在。我对其他人在无法依赖机器学习聚类的确定性风险评分系统中如何处理这种区分感到好奇。