最新

我正在开发一个基于几何约束（w = 2，δ = √5）和拓扑不变量的物理相互作用几何模型。没有自由参数，只有几何。在您看来，这是否是一个合理的几何统一，还是仅仅是复杂的曲线拟合？ 结果： 质子半径（r_p）： 建模为四面体结构极限（4 · ƛ），并考虑球形场投影损失（α / 4 · π）。 ``` r_p = 4 · ƛ_p · (1 - (α / (4 · π))) 预测值：8.407470 × 10^-16 m 实验值：8.4075(64) × 10^-16 m 差异：3 ppm ``` 质子磁矩（g_p）： 从动态势（δ = √5）推导，受到黄金摩擦项（α / Φ）的阻尼。 ``` g_p = (δ^3 / w) - (α / Φ) 预测值：5.5856599 实验值：5.5856947 差异：6 ppm ``` 缪子异常（a_μ）： 作为二十面体几何的层次分解推导：表面（α / 2 · π）+ 节点（α^2 / 12）+ 顶点对称性（α^3 / 5）。 ``` a_μ = (α / (2 · π)) + (α^2 / 12) + (α^3 / 5) 预测值：0.00116592506 实验值：0.00116592059 差异：4 ppm ``` α粒子半径（r_α）： 建模为4核四面体（8 · ƛ），并考虑线性核子投影成本（α / π）。 ``` r_α = 8 · ƛ_p · (1 - (α / π)) 预测值：1.67856 × 10^-15 m 实验值：1.678 × 10^-15 m 差异：330 ppm ``` 质子质量（m_p）： 通过64位度量视界（2^64）和对角传输（√2）将普朗克尺度与质子尺度连接。 ``` m_p = ((√2 · m_P) / 2^64) · (1 + α / 3) 预测值：1.67260849206 × 10^-27 kg 实验值：1.67262192595(52) × 10^-27 kg 差异：8 ppm ``` 中子-质子质量差（∆_m）： 建模为电子在几何压缩（20面体）到质子框架（立方体，8个顶点）中存储的势能。压缩比 = 20/8 = 5/2。 ``` ∆_m = m_e · ((5/2) + 4 · α + (α / 4)) 预测值：1.293345 MeV 实验值：1.293332 MeV 差异：10 ppm ``` 引力常数（G）无G： 从量子常数和质子质量推导，识别G为128位层次（2^128）的缩放伪影。 ``` G = (ħ · c · 2 · (1 + α / 3)^2) / (m_p^2 · 2^128) 预测值：6.6742439706 × 10^-11 实验值：6.67430(15) × 10^-11 m^3 · kg^-1 · s^-2 差异：8 ppm ``` 精细结构常数（α）： 作为静态空间成本加上自旋子环修正推导。 ``` α^-1 = (4 · π^3 + π^2 + π) - (α / 24) 预测值：137.0359996 实验值：137.0359991 差异：< 0.005 ppm ``` 预印本： https://doi.org/10.5281/zenodo.17847770

嗨，HN， 我在人工智能领域已经工作了几年，主要作为独立创始人。我发现一个始终有用的事情是，阅读和倾听那些真正从事建设工作的人们的真实经历——不是发布的产品介绍，而是他们在过程中所思考的、所做的权衡以及犯的错误。 随着新年的到来，我希望能花更多时间向那些在人工智能前沿工作的研究人员、创始人和工程师学习，他们正在构建真实的系统。 如果你正在做一些有趣的事情： 你正在尝试解决什么问题？ 为什么是现在？ 有什么比你预期的更困难？ 我并不想推广任何东西或收集潜在客户的信息——只是想听听真实的故事和技术或产品的见解。我认为有很多安静而高质量的工作正在进行，但并不总是被讨论。 我很想听听这里的人们正在构建的东西。

嘿，HN，我是Ilyas。 在过去的18个月里，我陷入了一个循环：申请、面试、被拒。重复。我发送了超过1000份申请，失败了37次面试。 最令人沮丧的部分是什么呢？我并不是在复杂的算法挑战中失败，而是在一些基本问题上，比如“什么是React门户？”或“解释一下HTTP中的GET”。 我知道这些问题的答案，但在压力下，我的大脑却一片空白。我意识到我的问题不是理解，而是记忆。 起初，我使用ChatGPT帮助我制作抽认卡。但随着时间的推移，存储和跟踪的复杂性增加了。而且，有时AI的回答也是错误的。 这就是为什么我构建了这个工具来解决我自己的需求。它是一个基于抽认卡的系统，旨在将网页开发知识从“我有点懂”转变为“我可以在压力下立即解释”。 它的工作原理（技术部分）：这个系统不是被动阅读，而是利用间隔重复和主动回忆来对抗艾宾浩斯遗忘曲线。它涵盖了24个类别（如React、Node、SQL等），拥有4900多个问题。目标是通过测试建立强大的神经通路，而不仅仅是重新观看教程。 结果：在使用这个系统几周后，我在面试中不再感到恐慌。最终，我在一次技术测试中得了95分，并获得了一个梦寐以求的工作机会，且提供了带薪搬迁。 我分享这个的原因是：我对求职过程感到厌倦，我知道很多人也有同样的感受。我想建立一个实用的工具，帮助提高通过开发面试的机会。 这不是一个“魔法按钮”，而是一个实用的系统，适合那些因为“有点”了解材料而感到疲惫的人。 它可以帮助你，或者至少帮助我获得了一个带薪搬迁的梦幻工作。 我很想听听你们的反馈，关于什么帮助你们成功通过开发面试的突破点是什么？ 附言：如果你想看看这个工具，网址如下： [https://99cards.dev/](https://99cards.dev/) 谢谢， Ilyas

从Python生成前端通常比必要的复杂，特别是在将设计与后端逻辑集成时。Pyfrontkit（v1.1.10）是一个旨在减少这种摩擦的Python库。它的设计理念基于三个原则：简单、高效和可控。 使用Pyfrontkit，前端的定义所需的代码量显著少于传统的HTML + CSS。在许多情况下，减少的字符数超过50%，从而减少了噪音和潜在的错误点。单一的设计定义可以根据上下文生成不同的输出，包括： - 写入磁盘的HTML + CSS - 内存生成 - 嵌入或分离的样式 所有这些都来自同一个源。模板不是被动的文件，而是Python函数。它们被封装一次，并可以重复使用，而无需创建多个变体。由于模板是函数，它们可以接收包含以下内容的参数： - 数据（内容） - 设计值（颜色、样式、视觉行为） 这使得同一个模板可以动态适应，而无需重复代码。使用模板不会引入额外的摩擦：它可以像任何常规的Python函数一样从后端逻辑中调用，使得与Python框架的集成变得简单明了。最终结果是一个更简单的工作流程，层次更少，学习的概念更少，开发者的控制力更强。 分享一些带有视觉示例的图像，展示该版本的流程。 链接： GitHub: [https://github.com/Edybrown/Pyfrontkit](https://github.com/Edybrown/Pyfrontkit) PyPI: [https://pypi.org/project/pyfrontkit/](https://pypi.org/project/pyfrontkit/)