最新

我多年来一直在构建嵌入式项目，始终觉得工具的进步落后于软件开发。像快速原型制作、调试复杂的硬件特定问题，或者弄清楚为什么外设没有响应等事情，仍然需要花费太多时间。 因此，我开发了Embedr，一个专注于嵌入式工程的AI助手。它不是一个通用的代码助手，而是围绕真实硬件工作流程进行调优的，具体包括： • 读取项目结构并理解电路板设置 • 帮助处理ESP32、STM32、RP2040等MCU项目 • 解释寄存器、外设配置、链接器问题、构建错误 • 提出硬件故障和集成问题的解决方案 • 让你选择工具链或生成构建系统 • 带你完成启动步骤和驱动级调试 我的目标是让这个工具更接近一个能够与你在接线、烧录或调试电路板时协作的集成开发环境（IDE）。 目前仍处于早期阶段，我正在积极改进模型行为、提示流程和工具集成。我非常希望能得到那些每天与微控制器打交道的人的反馈。哪些功能有用，哪些感觉不对，接下来应该学习什么。 你可以在这里试用：<a href="https://embedr.app" rel="nofollow">https://embedr.app</a> 欢迎随时提问。

“每分钟，有九种不同的人工智能模型生成一个新的时钟。”

发现那些可能根本不该存在的搞笑糟糕商业点子。受到最糟糕创业概念的启发，和朋友们分享这些点子，并提交你自己的奇葩想法！

大家好，我目前正在参加几门机器学习课程，虽然它们在理论方面做得很好，但在应用方面的内容却很少，至少没有超过一些基本的Jupyter Notebook实现。 我一直遇到的一个问题是如何处理模型的日志记录和评估。目前我使用Jupyter Notebook来训练模型，然后用测试集生成几个不同指标的图表。 这个工作流程似乎是我所在项目组的标准做法，但我总觉得这看起来有些依赖直觉且不够优化。 我有几个项目即将开始，我想借此机会改善我的模型训练方法。你们使用什么方法？有没有推荐的文章或库？你们希望初级工程师了解哪些内容？ 谢谢！

随着大型语言模型（LLMs）的不断增强，我们正面临一种新情况：<p>一个人发现了某个数学方法或结果，但正式的证明却是由多个LLMs生成的（甚至经过交叉验证），即使原作者自己也无法完全重现该证明。<p>这样的人工智能生成的证明是否应被视为有效且可发表的？<p>当创意是人类创造的，但证明是由人工智能推导出来的，应该适用什么标准？<p>希望听到数学家、工程师、研究人员和期刊编辑的意见。这似乎是我们对证明和作者身份的思考方式的重要转变。

<a href="https://bitchat.free/" rel="nofollow">https://bitchat.free/</a>