最新

制作了这个本地工具，用于快速刷新我所工作的用户界面的色彩调色板。它接受一个包含16个元素的JSON（color0-color15），类似于ANSI转义码规范，并将其扩展为Tailwind的颜色覆盖和语义别名。<p>使用这个工具，让网页变得更加奇特和多彩吧 :)

我创建了Platter，旨在帮助独立创始人和独立开发者在X/Twitter上增长他们的受众，而无需花费数小时手动滚动和回复。 这个想法很简单： - 它构建了你声音、产品和兴趣的数字化档案 - 它找到高价值的推文，让你可以提供有价值的回复 - 它帮助你用自己的语气轻松撰写深思熟虑的回复，只需点击一下 这不是一个Chrome扩展程序。你可以在任何地方参与互动，甚至在手机上。我之所以制作这个工具，是因为我发现社交增长虽然必要，但却很耗费精力。 我非常希望能听到社区的反馈，特别是那些在构建过程中努力增长的人。

嗨，HN， 我正在开发一个名为 QSS（量化相似性搜索）的向量搜索引擎。它是用 C 语言编写的，探索了将嵌入向量积极量化到每个维度 1 位的想法。它使用 XOR 和 popcount 进行快速近似搜索，然后通过对原始向量使用余弦相似度进行重新排序。 主要目标是看看在不牺牲太多搜索质量的情况下，量化可以推进到什么程度，同时在内存使用和速度上获得显著提升。 工作原理 嵌入被量化为每个维度 1 位（例如，300D → 300 位 → ~40 字节）。 搜索使用按位 XOR 和 popcount（汉明距离）进行。 短名单使用原始（浮点）嵌入的余弦相似度进行重新排序。 支持 GloVe、Word2Vec 和 fastText 格式。 目标 分析量化与搜索精度之间的权衡。 测量潜在的速度和内存提升。 探索这种方法在更大数据集上的扩展性。 初步测试 到目前为止，我只进行了几次小规模测试，但早期迹象令人鼓舞： 对于一些查询（例如“hello”，“italy”），前 30 个结果与全精度余弦搜索匹配。 在 Word2Vec 嵌入上，量化管道比标准余弦相似度循环快了多达 18 倍。 这些结果目前只是个案，我分享这个项目是希望在深入基准测试之前获得反馈。 其他说明 目前词查找是线性且未优化的，重点在于相似性搜索逻辑。 测试是在 2018 年的 iMac（3.6 GHz Intel i3）上单线程进行的。 如果你对向量搜索、量化或低级性能技巧感兴趣，我很想听听你的想法： 你认为这种激进的量化方法能在大规模应用中奏效吗？ 还有其他你推荐探索的快速近似搜索技术吗？ 项目仓库在这里：https://github.com/buddyspencer/QSS 感谢阅读！