最新

需要一些来自经验丰富人士的真实建议和故事。 我在一家大型公司工作了几年（可以把它想象成FAANG作为一个不错的类比），在一个经理领导的部门里，情况相对不错。 然后，由于高层的决定，一些团队经历了大规模的重组，我被调到了一个新团队，换了一个经理。这个经理非常糟糕。 微观管理、缺乏愿景、沟通不畅、计划不周、没有支持，真是应有尽有。大约一半的团队成员对这种情况有类似的看法，另一半似乎只是随波逐流。 为了提供更多背景，公司整体的管理文化既不算有毒，也不算优秀。确实存在等级制度，越过她的头脑似乎不是个好主意。内部调动几乎不存在。 我仍然关心公司的使命和我所做的工作，尽管在这一切发生之前，我的关心程度要高得多。 如果你处在我的境地，你会怎么做才能让这种情况变得更好？

嗨，黑客们！<p>我是一名自学成才的青少年开发者。<p>你是否曾想在互联网上展示你正在做的事情？<p>我一直想这样做，所以我开发了Lynk，这是一款轻量级的macOS应用程序，可以实时跟踪你的活跃应用、窗口标题和每日使用情况，并通过WebSockets广播这些数据。哦，对了，当你切换应用时，它还会自动更新连接的客户端！<p>没有SDK，没有API——只有本地跟踪和一个可以用任何语言进行ping的WebSocket端点。<p>GitHub: <a href="https://github.com/shaileshsaravanan/lynk">https://github.com/shaileshsaravanan/lynk</a>

我一直在开发一个基于浏览器的图像编辑器，使用的是C++语言。当我告诉我的朋友们这个项目时，他们最常见的反应是“哈？？？”和“为什么？？？”……让我们来详细解释一下。 首先：等等，C++是如何在浏览器中运行的？ 我并不是简单地将原始C++代码放入浏览器标签中。浏览器只懂两种语言：JavaScript和WebAssembly。WebAssembly（WASM）是一种在浏览器中解释的字节码语言。关键在于编写C++函数，并使用Emscripten将其编译为WASM。JavaScript仍然控制着DOM，因此WASM并不能做所有事情——你需要从JavaScript中调用C++函数。 如果JavaScript和WASM需要协同工作，它们就需要一种通信和数据传输的方式！为此，JavaScript分配共享缓冲区，将数据写入其中，然后通过ccall调用C++。C++函数处理数据后，将控制权返回给JavaScript，后者可以从共享缓冲区读取数据。 C++编译器通常会通过编码额外信息（如参数类型）来改变函数名称，以支持函数重载等特性并防止命名冲突。为了使C++函数可以被JavaScript访问，我使用了“extern C”指令，这告诉编译器保留原始函数名称并禁用名称改变。 是的，如果你管理内存分配不当或忘记释放，可能会导致浏览器应用程序出现未定义的行为。 其次：为什么要经历这些麻烦？ 图像编辑——尤其是实时滤镜、频繁的画布更新以及支持数十（甚至数百）层——计算量很大。仅靠JavaScript可能无法跟上，特别是在你追求高性能和流畅用户体验时。 为什么？因为JavaScript是一种解释性语言——它在运行时逐行读取和执行，这会增加开销。而WebAssembly则是一种更底层的字节码。当你将C++编译为WASM时，你可以享受到LLVM编译器优化的好处，以及Web的可移植性。 所以，尽管WASM在技术上仍然是解释性的，但它更接近机器代码，并以接近本地速度运行。这意味着复杂的图像处理操作——如应用自定义滤镜或合并高分辨率层——可以快速完成，而不会导致浏览器卡顿或掉帧。最终结果是？一个感觉像本地桌面应用程序的前端，但却在你的浏览器中运行。 对于任何感兴趣的人，这里是GitHub仓库！ https://github.com/alicehe2003/ImageEditor 这个项目的灵感来自于Figma的构建方式！ https://www.linkedin.com/posts/alice-he-95406b293_github-alicehe2003imageeditor-web-based-activity-7340407818077859842-r3FK?utm_source=share&utm_medium=member_desktop&rcm=ACoAAEcFpZABjEOydMovU7l8KMPjazq9tzhE9Rc

这是一个研究/发现的帖子，而不是一个完善的工具包或产品。 简而言之，这个想法是：“幻觉”并不意味着训练不佳，而是每个标记的语义模糊性。通过在请求确定性响应之前考虑这种模糊性，我们可以提高输出的可靠性。 两步上下文增强（TSCE）是一项实验，探讨在第二次低温处理中的系统提示中使用高温“强制幻觉”是否能够减少最终结果中的幻觉并缩小大型语言模型（LLMs）的输出方差。 我注意到，在超过4000次对GPT-4o、GPT-3.5-turbo和Llama-3的自动测试中，TSCE将任务通过率提高了24到44个百分点，额外延迟小于0.5秒。 所有日志和原始JSON数据都是公开的，任何想要复制（或反驳）这些发现的人都可以获取。 我很想听听任何做类似工作的人的意见，我知道还有其他多轮提示技术，但我认为这个方法有些不同。 主要是因为在第一步中，我们故意指示LLM不直接引用或回应用户，建立在对抗性提示等理念之上。 我发布了这篇论文的早期版本，但自那时以来，我使用GPT-3.5-turbo和Llama-3-8B以外的其他模型进行了大约3100次额外测试，并更新了论文以反映这一点。 代码采用MIT许可，论文采用CC-BY-4.0许可。