返回首页
最新
我的“朋友”借用了我的手机一天，第二天就还给我了。（我给了他们访问权限）<p>之后我像往常一样使用我的手机。几个月后，我开始意识到我的朋友似乎知道我只在手机上分享的一些事情。起初我以为这只是巧合，但他们每次都说得很准确，所以我猜这和他们借用我的手机有关。<p>我开始检查我的手机，结果一切正常。他们还告诉我，这个问题无法解决。<p>我还遇到了一些其他“朋友”试图通过一个恶意应用程序监视我，并闪存了一个有问题的操作系统，但我最终找到了问题并通过卸载应用、恢复出厂设置和闪存一个干净的操作系统（在引导加载程序锁定的情况下）解决了这个问题。<p>他们还提到，由于某种原因，这在iPhone上是无法做到的，并且之前问过我手机的型号。我的初步想法是他们可能访问了我的谷歌账户，所以在闪存干净的操作系统后，我在手机上创建了一个新的谷歌账户，但最终我被锁定在自己的账户之外，因为我的密码被更改了，尽管我使用了不同的密码并将其记录下来。<p>我拥有一部摩托罗拉手机，运行安卓13，仍然接收安全更新，我没有在上面使用任何银行应用。它看起来完全正常，没有被替换。<p>我在寻找建议，想知道现在该怎么做才能让手机恢复正常，并理解它可能发生了什么。（除了换新手机的解决方案）
大家好，
我正在开发一款桌面应用，旨在帮助具备领域知识的人分析数据——即使他们不懂Python。这是一个非常适合希望拥有比Excel或SPSS更强大工具的用户的选择。
我和我的联合创始人在PyCon US’25上展示了我们的应用，我们在创业者展区设有展位。我们的一个扩展功能是一个位于Python笔记本旁边的聊天面板，用户可以直接请求AI加载数据或为他们运行分析。
在会议期间，一位参观者（他是一名讲师）提出了一个非常酷的想法：他希望AI展示缺失部分的代码，而不是完整的代码。他的学生需要猜测空白处应该填什么。我们非常喜欢这个想法，因此在活动结束后立即开始构建“教师模式”！
以下是它的工作原理：
我们更新了AI提示，使其返回缺失部分的代码（用**标记）。AI还会提供三个可能的答案（A、B、C），其中只有一个是正确的。我们的应用会显示问题和三个按钮。如果学生选择了正确的答案，完整的代码将被插入到笔记本中并自动运行。
您可以在这里阅读更多关于教师模式的信息：<a href="https://mljar.com/docs/ai-teacher/" rel="nofollow">https://mljar.com/docs/ai-teacher/</a>
如果您想尝试，可以在这里下载应用：<a href="https://platform.mljar.com/" rel="nofollow">https://platform.mljar.com/</a>
该应用包含Python、Jupyter Lab以及我们的扩展，使数据分析变得更加轻松 :)
期待听到您的反馈或想法！
在瑞诗凯诗寻找完美的咖啡馆，享受美味的食物、绝妙的咖啡和宁静的氛围吗？EazyDiner可以满足你的需求！探索瑞诗凯诗最好的咖啡馆，这里不仅能欣赏到壮观的恒河美景，还有有机餐饮和舒适的休息场所，适合在长时间的探索或瑜伽后放松身心。无论你想要一个安静的避风港还是热闹的聚会场所，都能找到合适的地方，并享受独家优惠。现在就通过EazyDiner预订，轻松享受最佳咖啡馆体验！
探索更多内容请访问：https://www.eazydiner.com/rishikesh/restaurants/cafe
我构建了一个系统，使大型语言模型（LLMs）能够自动学习和改进问题解决策略，灵感来自于Andrej Karpathy提出的LLM学习的“第三范式”理念。
基本思路是：与其使用静态的系统提示，不如让LLM建立一个针对不同问题类型的有效策略数据库。当你给它一个新问题时，它会选择最相关的策略，应用这些策略，然后评估其效果并进行优化。
例如，在看到足够多的文字题后，它学会了以下策略：
1) 仔细阅读并识别未知数，
2) 用单位定义变量，
3) 写出方程，
4) 逐步求解，
5) 验证答案。
所有策略都以人类可读的JSON格式存储，您可以查看和编辑。
我在数学基准测试中对其进行了测试，看到了一定的改进——在Arena Hard上提高了8.6%，在AIME24上提高了6.67%。经过500次查询，该系统创建了129个策略，并优化了其中97个。
该实现是一个开源插件，名为optillm（我们的推理优化代理）。它可以与任何兼容OpenAI的API一起使用——只需在模型名称前添加“spl-”。它有两种模式：仅推理模式（使用现有策略）和学习模式（创建和优化策略）。
有趣的是，它弥补了生产AI使用的复杂系统提示与我们大多数人使用的基本提示之间的差距。您的模型在处理您提供的问题类型时确实会变得更好。
我之所以构建这个系统，是因为我注意到ChatGPT、Claude等具有极其详细的系统提示和问题解决框架，但大多数开发者使用的是基本提示，错过了这些性能提升。这个方法的灵感来源于Andrej Karpathy关于超越仅仅预训练和微调的LLM学习“第三范式”的推文：<a href="https://x.com/karpathy/status/1921368644069765486" rel="nofollow">https://x.com/karpathy/status/1921368644069765486</a>
这些策略是完全透明的——您可以清楚地看到系统学到了什么，以及它为何做出某些决策。没有黑箱学习。
<a href="https://github.com/codelion/optillm/tree/main/optillm/plugins/spl">https://github.com/codelion/optillm/tree/main/optillm/plugins/spl</a>
非常希望能得到对这个方法的反馈。是否还有其他人尝试过让LLMs从自身经验中学习？
由于我们对当前网络状态感到担忧，这种状态偏离了其最初在80年代末至90年代初的方向，为什么Gemini协议没有更广泛地传播，至少在极客和技术爱好者中没有得到普及呢？毕竟它正是老网络所倡导的：一种开放的方式来传递（和消费）文本和超链接内容。