最新

我观察预测市场已经有一段时间了，发现Kalshi和Polymarket的数据与拉斯维加斯的赔率完全不同。于是我构建了一个系统来系统性地捕捉这些差异。 这个系统会提取Kalshi和Polymarket的数据，然后同时向大约36个其他来源发送请求——包括体育博彩API、民意调查网站、Reddit上的情绪分析、新闻等各种信息。当数据不一致时，它会标记出来。 我昨晚在保罗与约书亚的拳击比赛中进行了测试。Kalshi显示保罗获胜的概率为86%。我查看了所有拉斯维加斯的博彩网站，它们都给约书亚的赔率为-1200，隐含胜率为92%。这完全是相反的方向，系统立即标记了这个差异。 最终，约书亚在第六回合将保罗击倒。 技术细节： - 使用Python进行异步调用，因为需要同时访问30多个API。 - 最初尝试使用GPT-4进行情绪分析，但速度太慢，所以我构建了一个自定义的解决方案。 - 运行在Poe上，这样我就不需要处理托管费用。 - 每次分析大约需要2分钟。 我有一些问题： - 一次成功的调用算不算真正的验证，还是我只是运气好？ - 还有哪些数据来源我应该检查？我在考虑增加订单流跟踪。 - 有没有其他人也为预测市场构建类似的工具？ - 这些低效现象通常需要多快才能被套利消除？ 老实说，我最开始并不确定这个系统是否能成功。非常欢迎对方法论方面的反馈。

嘿，HN！我因为无法制作自己的角色扮演游戏而感到沮丧，因为关卡设计很难，所以我创建了这个100%免费的工具，用于利用AI探索层次化的世界构建。 关键思想是：场景图中的每个节点都可以无限扩展为其自己的详细子图。然后，Gemini的图像模型（Nano Banana）将每个关卡渲染为实际的艺术作品（你可以选择自己的风格）。 需要一个GCP账户来进行图像渲染——我知道这有些麻烦，但Vertex AI是获取可靠图像生成的唯一方法。 欢迎随意用于你的项目，或者比我做得更好地实现这个概念。

HN是我的主页，这个网站多年来一直激励着我。我其实并不太清楚自己在做什么，但我从零开始建立了DreyX.com，因为我厌倦了每天在互联网上到处寻找人工智能新闻。欢迎您查看，并提供任何建议或反馈。谢谢！

<p><pre><code>我创建Waves是因为我想要一个适合我工作流程的音乐播放器。我大部分时间都在终端中工作，切换到图形界面应用程序来管理音乐总是让我感到不适。我还希望有一个尊重我本地音乐库的播放器，而不是一味推崇流媒体服务。 它的不同之处在于： - 完全基于键盘的导航，采用vim风格的快捷键（hjkl, /, g/G） - 使用SQLite FTS5实现即时全文搜索，快速查找你的音乐库 - 收音机模式：当曲目播放完毕时，它会使用Last.fm的相似艺术家API，从你的本地音乐库中找到相关音乐并继续播放 - 通过slskd集成Soulseek进行下载，并支持MusicBrainz标签和文件重命名 - 对于需要的用户提供鼠标支持 - 状态持久化：队列、导航位置等信息在会话之间保存 技术栈：Go、Bubble Tea（TUI框架）、Beep（音频）、SQLite。支持MP3和FLAC格式。 安装方法：`go install github.com/llehouerou/waves@latest` 或在Arch上使用 `yay -S waves-bin`。 进入后按 `?` 获取快捷键帮助。</code></pre>

嗨，HN！<p>我最初是为了自己开发这个应用，因为作为一个中级中文学习者，我希望拥有一个简洁的EPUB阅读器，支持快速离线弹出字典。<p>作为对中文学习社区的小小感谢，我决定将其制作成一个免费且开源的iOS应用。<p>主要功能： - 导入您自己的EPUB文件<p>- 长按任何中文文本以获取内联字典定义<p>- 可选择复制单词、句子或段落，或将文本发送到Pleco / ChatGPT（如果已安装）<p>- 所有功能完全离线使用，应用不收集任何数据<p>我主要想了解这种弹出字典的EPUB阅读工作流程是否对经常阅读中文的人有用，因此任何诚实的反馈（无论好坏）都将非常有帮助！<p>App Store: <a href="https://apps.apple.com/ca/app/wen-reader/id6755988730">https://apps.apple.com/ca/app/wen-reader/id6755988730</a><p>GitHub: <a href="https://github.com/oliverzh2000/wen-reader" rel="nofollow">https://github.com/oliverzh2000/wen-reader</a><p>欢迎提问或深入讨论实现细节。

嗨，HN！我是Mo，Deltaflare的一名平台工程师，专注于关键基础设施保护。 我创建Cerberus是因为传统的包捕获工具（如tcpdump和Wireshark）在生产CNI环境中开销过大。eBPF使我们能够在内核级别过滤和分类数据包，几乎没有性能影响。 一些有趣的挑战包括： - eBPF验证器非常严格——每次内存访问都需要进行边界检查 - L7有效负载限制为32字节（在检查深度和开销之间的权衡） - TC与XDP的选择（选择TC以确保兼容性） 我在寻找贡献者，特别是在以下方面： - 用于分布式部署的Redis后端 - Prometheus指标导出 - 异常检测 欢迎提问！