最新

刚刚发布了 *Dingo 1.9.0*，对 RAG 时代的数据质量评估进行了重大升级。 ### 主要更新： * 增强的幻觉检测 * Dingo 1.9.0 集成了两种强大的幻觉检测方法： - *HHEM-2.1-Open 本地模型*（推荐） - 本地运行，无需 API 成本 - *基于 GPT 的云检测* - 利用 OpenAI 模型进行详细分析 这两种方法都通过一致性评分（范围为 0.0-1.0，可配置阈值）评估 LLM 生成的答案与提供的上下文之间的匹配度。 * 配置系统全面重构 * 采用现代 DevOps 实践进行完全重建： - 层次继承（项目 → 用户 → 系统级别） - 热重载功能，支持即时配置更改 - 具有清晰错误信息的模式验证 - 适用于常见场景的模板系统 * DeepWiki 文档问答 * 将静态文档转变为互动知识库： - 多语言支持（英语/中文/日语） - 上下文感知的多轮对话 - 可视化文档结构解析 - 语义导航和交叉引用 ### 重要性： 传统的幻觉检测依赖于静态规则。我们的方法提供了上下文感知的验证，这对于生产 RAG 系统、SFT 数据质量评估和实时 LLM 输出验证至关重要。 非常适合： - RAG 系统质量监控 - 训练数据预处理 - 企业知识管理 - 多模态数据评估 *GitHub*: [https://github.com/MigoXLab/dingo](https://github.com/MigoXLab/dingo) *文档*: [https://deepwiki.com/MigoXLab/dingo](https://deepwiki.com/MigoXLab/dingo) 您目前使用的幻觉检测方法是什么？对您的 RAG 质量挑战感兴趣。

《福布斯30岁以下30人》因其“媒体到监狱”的现象而声名狼藉。但YC（创业公司孵化器）选择了数千名创始人，甚至可能是数万名，我没有听说过他们中有人因诈骗被逮捕。有没有例外？YC为什么能如此有效地筛选出看似令人印象深刻但实际上是欺诈的创始人？

嘿，HN， 我是布兰登，一名独立开发者，我创建了 KubeForge——一个用于 Kubernetes 部署的可视化编辑器，帮助您构建和验证 YAML 配置。 起源故事：在过去的几周里，我对手动编写 Kubernetes YAML 文件感到厌烦，尤其是在处理嵌套结构（如容器、环境变量和卷挂载）时。即使是小的拼写错误或字段对齐不当也会导致部署失败，浪费时间。 因此，我开始开发一个工具，以可视化 Kubernetes 对象的结构，基于 OpenAPI 架构。这个原型很快演变成一个完整的清单构建器。 KubeForge 的功能： - 拉取最新的 Kubernetes OpenAPI 架构（每天自动更新） - 生成具有类型安全性、必填字段和智能默认值的字段级表单 - 让您像使用流程编辑器一样可视化构建清单 - 输出干净、可部署的 YAML，支持多对象导出 就我个人而言，我希望有一个工具： - 在构建时验证字段，而不是在部署后 - 在不切换标签的情况下显示嵌套字段、工具提示和类型 - 让我轻松导出或分享真实的 YAML 文件 试试吧： GitHub: [https://github.com/kubenote/KubeForge](https://github.com/kubenote/KubeForge) 在线演示: [https://demo.kubefor.ge](https://demo.kubefor.ge) 网站: [https://kubefor.ge](https://kubefor.ge) 这是一个免费且开源的项目。我非常欢迎反馈、错误报告或创意。也欢迎贡献。 谢谢，布兰登