最新

这正迅速成为新的 xkcd 放松心情的梗。

大家好！我们是Kita的创始人Carmel和Rhea（<a href="https://www.usekita.com/">https://www.usekita.com/</a>）。我们利用VLMs（变换语言模型）为新兴市场的贷款机构自动化信用审核。 在许多新兴市场，如菲律宾和墨西哥，信用基础设施相对薄弱。开放金融仍处于起步阶段，信用局的可靠性也不高。因此，贷款机构在申请贷款时依赖借款人提交的文件来了解其还款能力。借款人可以以任何格式提交财务文件，例如银行对账单和工资单，包括PDF、实体文件的图片和截图。此外，这些市场的财务文件高度不标准化，贷款机构无法依赖一致的模板。 现有的OCR（光学字符识别）和文档人工智能工具在处理这些高度变异、杂乱的真实世界文件时常常失效。通用工具并未针对贷款工作流程（如验证、欺诈检测和风险提取）进行设计。因此，信用团队不得不依赖人工审核，导致承保过程变得更慢、更昂贵且更容易出错。 我们在大学之前就认识，并一直是最好的朋友。毕业后，Rhea访问了在菲律宾的Carmel，我们从金融科技运营者那里了解到，基于文件的承保是他们最大的痛点。我们开始一起构建，并测试了所有能找到的OCR和文档AI工具。它们在贷款机构实际收到的杂乱真实文件上都失败了，即使提取成功，它们也无法生成贷款机构所需的结构化财务数据或欺诈检查。 这个问题比我们想象的还要严重。在印度尼西亚、墨西哥、菲律宾、南非，甚至在美国，大多数贷款工作都可以归结为信用分析师查看文件。2025年，全球贷款总额达到13.3万亿美元，其中90%的交易涉及文件审核。这在发达市场中同样适用。 Kita利用基于VLM的代理解析文件、检测欺诈并从杂乱的财务文件中提取承保信号。如今，我们支持50多种文件类型，包括PDF、扫描件、照片和截图。我们的处理流程增强了低质量输入，提取结构化财务数据，并通过跨文档检查、与我们的历史数据库验证以及市场特定的欺诈检测来进行验证。 我们的架构基础VLM是模型无关的，同时，我们训练了针对每个市场的超本地化信用信号的语言模型，使用本地贷款机构的数据——每个新模型都提升了我们的基础层，每个新市场都增强了我们的整体技术栈。我们将文档级信号与还款结果关联，使我们的模型能够随着时间的推移不断改善欺诈检测和风险评估。 Kita Capture是我们为贷款机构推出的首款文档智能产品。我们还将推出Kita Credit Agent，它通过WhatsApp和电子邮件自动化借款人在贷款发放过程中的跟进，以收集缺失文件并完成贷款申请。 Kita Capture可以免费试用（需注册邮箱）：<a href="https://portal.usekita.com/">https://portal.usekita.com/</a>。这里有一个快速演示：<a href="https://www.youtube.com/watch?v=4-t_UhPNAvQ" rel="nofollow">https://www.youtube.com/watch?v=4-t_UhPNAvQ</a>。 我们非常希望能收到社区的反馈，特别是如果您曾在文档AI、欺诈检测或金融科技基础设施方面工作过。感谢您的阅读！

供您参考：在尝试使用Claude Code时遇到500错误 - 状态页面没有官方更新。<p>编辑：状态页面已更新：问题已被识别，正在实施修复。

嗨，HN， Sulcus将AI记忆从一个被动的数据库（仅搜索）转变为一个主动的操作系统（自动管理）。 核心转变 当前的记忆（向量数据库）是静态的。Sulcus将记忆视为大型语言模型（LLM）的虚拟内存管理单元（VMMU），利用“热力学”特性自动管理代理的记忆与遗忘。 主要特点 反应触发：记忆系统根据规则“回应”代理，而不是让代理手动搜索（例如，自动固定偏好，当记忆即将“衰退”时通知代理）。 热力学衰退：记忆具有“热量”（相关性）和“半衰期”。频繁回忆会增强记忆；忽视则会导致删除或归档。 令牌效率：通过智能分页声称减少90%的令牌消耗——仅向LLM提供当前“热门”的内容。 技术：使用Rust和PostgreSQL构建；作为MCP（模型上下文协议）侧车运行。 [https://sulcus.dforge.ca/membench](https://sulcus.dforge.ca/membench)

我制作了一个互动的3D地球仪来可视化气候变化。您可以拖动温度滑块，从-40°C到+40°C，设置时间范围（10到10,000年），观察海平面上升、冰盖融化、植被变化和海岸线淹没……这些都是基于真实的海拔和卫星数据逐像素生成的。 在地球仪上任意点击，可以查看该位置的降雪变化预测。 --- 我是一名业余气象爱好者，常常在caltopo.com和windy.com上追踪雪/冰的状况。我想制作一些有趣的东西，想象在冰河时期我可以去哪里滑雪。 我使用了Google Deep Research（专业版）来创建气候方法论，并使用Claude Code（Opus 4.6 - 高级版）来搭建网站。 代码： [https://github.com/travistruett/terrashift](https://github.com/travistruett/terrashift) 这些模型并不是严格的气候模拟，而是经过简化的近似，旨在回答“这看起来对吗？”的问题，但比我预期的更为细致。如果有人想对此提出质疑，完整的方法论已在此记录。 [https://github.com/travistruett/terrashift/blob/main/docs/algorithm.md](https://github.com/travistruett/terrashift/blob/main/docs/algorithm.md)