最新

嗨，HN！我在Rust中重新实现了HTDemucs v4（Meta的音乐源分离模型），使用了Burn。它可以将任何歌曲分离成单独的音轨——鼓、低音、主唱、吉他、钢琴——无需Python运行时或服务器参与。 现在就试试吧：<a href="https://nikhilunni.github.io/demucs-rs/" rel="nofollow">https://nikhilunni.github.io/demucs-rs/</a>（需要支持WebGPU的浏览器——Chrome/Edge效果最佳） GitHub: <a href="https://github.com/nikhilunni/demucs-rs" rel="nofollow">https://github.com/nikhilunni/demucs-rs</a> 它有三种运行方式： - 在浏览器中——完整的机器学习推理管道编译为WASM，并通过WebGPU在你的GPU上运行。没有上传，所有操作都在你的机器上完成。 - 原生命令行界面——在macOS上使用Metal，在Linux/Windows上使用Vulkan。比浏览器方式更快。 - DAW插件——macOS上的VST3/CLAP插件，带有原生的SwiftUI界面。加载一首曲目，进行分离，直接将音轨拖入你的DAW时间线，或作为MIDI乐器进行演奏，配有独奏/音量推子。 核心推理库基于Burn构建（<a href="https://burn.dev" rel="nofollow">https://burn.dev</a>），这是一个Rust深度学习框架。相同的`demucs-core` crate可以编译为原生和`wasm32-unknown-unknown`，唯一变化的是GPU后端。 模型权重为F16 safetensors，托管在Hugging Face上，并在所有平台上首次使用时自动下载/缓存。有三种变体：标准的4音轨（84 MB），带吉他/钢琴的6音轨（84 MB），以及为最佳质量调优的四模型组合（333 MB）。 我在网上找到的现有实现大多是对原始Python实现的封装，且不太便携——该模型表现非常出色，我希望能够快速创建样本/混音，而无需离开DAW或浏览器。目前的实现相对偏向macOS，因为我正在用它进行测试，但其他平台的构建模块已经准备好。我希望这个项目能够发展成为音乐制作人的通用工具，而不仅仅是“在我的机器上能用”。 这是我第一次涉足数字信号处理和WASM上的机器学习，得到了Claude的大力帮助，过程非常有趣！

我在2023年出现了椎间盘突出，花了几个月时间进行物理治疗。经过治疗后重新开始训练时，常规的锻炼总是让我背部感到不适，尤其是在疲劳时，动作变形更严重。 我喜欢EMOM（每分钟完成一次）的训练方式，因为它让时间飞逝，并且在不需要过多思考的情况下推动我的极限。我开发了这个生成器，将这种结构与不会伤害我背部的运动选择结合起来。它排除了美式摆动、俄式扭转以及那些结合负重脊柱屈曲和旋转的动作。该算法根据麦吉尔的脊柱负荷研究，优先考虑前负荷的动作（如高脚杯深蹲、前架训练）。 使用React 19 + Tailwind + Capacitor进行iOS开发。终身解锁是主要选项，因为没有人需要再订阅一个Netflix。还有一个低成本的月度选项，如果你想尝试高级功能而不想长期承诺。 这不是医疗建议。这是我从康复回到举重的过程中有效的方法。我很想听听其他人的经历：在椎间盘问题后，重新开始训练最困难的部分是什么？

大家好，我是这个项目团队的一员，虽然我并不是具体的工程师。很高兴能回答我能回答的问题，对于任何技术性的问题，我会请参与开发的同事来解答。 我们开发这个工具的原因是：大多数团队只有在发生CVE事件或合规审计时才会发现他们正在使用已终止支持（EOL）的软件。我们不断听到客户提到这个问题，但找不到一个工具能够明确回答：我的哪些依赖项将不再获得任何补丁，包括你们的包所依赖的那些？ 现有的SCA工具只覆盖已知的CVE，但并不涵盖EOL状态或未来的情况。这正是我们开发这个工具的目的所在。 值得直接说明的是：HeroDevs是一家营利性公司。但我们开发这个工具的部分原因是，我们认为在维护者离开时，需要有人对开源软件负责。我们将这视为我们承诺的一部分，而不仅仅是一个产品。 你可以通过运行 `npx @herodevs/cli scan` 或在网站上上传SBOM来使用这个工具（<a href="https://eoldataset.com/" rel="nofollow">https://eoldataset.com/</a>）。使用是免费的。我们很想知道你们的发现，特别是在我们尚未很好覆盖的生态系统中。

Orkia 是一个开源的 Rust 运行时，专为 LLM 代理设计，其中政策执行、信任评分和审计追踪在类型系统层面上集成到执行循环中。<p>没有任何代码路径可以在不经过治理的情况下执行工具。默认情况下采用失败关闭机制，使用签名会话证据（ECDSA P-256），并且代理通过展示行为来获得自主权。<p>采用 Apache 2.0 许可证。

大多数人工智能简历和演示工具的工作流程是： AI -> 选择模板 -> 填写内容。 但大型语言模型（LLMs）实际上在生成和修改原始HTML/CSS方面表现得相当不错。理论上，你可以： 1. 将文档保持为真实的HTML（或React） 2. 让AI直接调整布局和样式 3. 使用诸如“更简约”或“更强的层次感”等提示进行迭代 4. 最后导出为PDF 那么，为什么我们仍然要将一切限制在僵化的模板中呢？ 这是否与PDF渲染、布局不稳定、用户信任，还是与决定论和控制等更深层次的问题有关？ 我很好奇这里是否有人尝试过构建类似的东西，以及遇到了什么问题。