判断引擎落地 .NET 的四条路线、一个客户端与一份生产样本 - 张善友
最近一个月,这个局面被一个叫 Jev 的闭源模型和它的开源对手 Laya 彻底搅动了。更有意思的是,这股浪潮几乎立刻冲进了 .NET 生态:先是 Laya 的两个独立移植 NLaya 和 layar 前后脚出现,紧接着又出现了两条思路截然相反的 .NET 原生实现路线——用 26B 扩散大模型"单步...
汇聚 V2EX、Hacker News、掘金等 IT 社区的热门讨论与精华内容。
最近一个月,这个局面被一个叫 Jev 的闭源模型和它的开源对手 Laya 彻底搅动了。更有意思的是,这股浪潮几乎立刻冲进了 .NET 生态:先是 Laya 的两个独立移植 NLaya 和 layar 前后脚出现,紧接着又出现了两条思路截然相反的 .NET 原生实现路线——用 26B 扩散大模型"单步...
前言 中秋在家无事, 正好前段时间周杰大佬发布了新的OCR推理库 SimdPaddleOCR 以前经常使用Snipaste这个小工具作为离线截图工具. 但是在OCR已经发展的如此迅猛的如今. 它却始终没有支持截图+OCR识别 正好手头有个qwen3.8 27b本地模型,可以无限用. 就打算让大模型来
Nacos 3.2.4 的 AI Registry 解决"有什么、谁可见",OpenClaw.NET 运行时解决"能不能安全地用"。对使用者来说,这套集成的收益很直接:几行 YAML 声明意图,换来确定性的发现、调用和治理——成本可预测,行为可审计,失败有明确的降级路径
项目仓库 Gitee 主仓:gitee.com GitHub 镜像:github.com 相关文档 术语与数据口径 | 性能与基准 | 构建与复现 |
项目仓库 Gitee 主仓:gitee.com GitHub 镜像:github.com 相关文档 术语与数据口径 | 性能与基准 | 构建与复现 |
拿到一堆模块时,最容易的做法是先拿杜邦线往面包板上插。可红色电源轨真的就是 3.3V 吗,为什么有的模块还非共地不可——接线到底在解决什么?
项目仓库 Gitee 主仓:gitee.com GitHub 镜像:github.com 相关文档 术语与数据口径 | 性能与基准 | 构建与复现 |
最近笔者用 SQLcl 测试一条 SQL 查询,没有用传统的 sqlplus,结果发现最常用的替换语法 c/old/new 竟然报错。难道 SQLcl 比 sqlplus 更难用?其实不是,只是 SQLcl 要求更严格。 01 | 现象:直接替换报错 笔者先执行了一条层级查询,缓冲区里保存着完整 S
前段时间 Codex的 Remote Control 功能挺火的。 在电脑上跑一个编程任务,然后掏出手机,扫个码,就能从沙发上继续盯着这个任务跑。听起来很未来对吧。 我第一时间体验了,也确实好用。但用了两周之后我发现一个问题,Remote Control 只能控制 Codex的会话。什么意思呢,就是
9 月中旬,AI 圈刷屏的是一个奇怪的模型:它不聊天、不写文章、不做总结,问它问题,它只回三样东西——选项、评分、是否,每样附带一个概率。 它叫 Jev,名字来自一位十九世纪的经济学家,9 月 15 日由旧金山公司 TypeSafe AI 开放早期访问。发布当天冲上技术社区千分级热度;上线 24 小
你是不是也遇到过这些场景: 流水线跑一次生成一份 Allure 报告,跑 N 次就有 N 份,磁盘空间悄悄被吃光; 定时清理策略只能按时间一刀切,结果想留的那份"关键回归报告"被清掉,没用的过程报告却还在; 想找一份上周某次回归的报告,只能挨个点开流水线任务碰运气; 本地跑的报告想分享给同事,对方环
本文以大家都熟悉的汽车轮胎举例,在其对应的制造场景与供应链场景中(注:场景已简化,实际要更复杂),质量追溯是一个典型的多级父子结构问题。 追溯链条通常为:原材料(天然橡胶、炭黑、钢丝帘线批次)→ 胶料/半成品(混炼胶、胎面、胎圈)→ 成型轮胎成品(唯一 DOT 码/胎号)→ 销售客户。本文约定:正查
按键的一端接在引脚上,另一端接到哪里,芯片看到的并不一样。同一颗按键、同一段程序,只是换一种输入模式,松手之后的读数为什么就没了定论?
我第一次真正意识到“周期”的存在,是在一堆旧代码面前。 几年前,我参与过一个核心系统的重构。它承载着很高的流量,代码库却已经年久失修。许多逻辑层层叠叠地缠在一起,一处看似简单的改动,常常会在另一个看起来毫不相干的地方引发问题。团队里几乎没有人愿意碰它。 我们花了几个月拆解、重写、迁移,像在飞行途中更
摘要:使用 Python pyfiglet 库,用 renderText() 一行将文本渲染为 ASCII 艺术字,封装成类管理字体、异常回退与字体列举,并给出多字体遍历示例。 引言:藏在代码里的极客浪漫 你有没有过这样的瞬间:打开终端启动 CLI 时,满屏字符拼出的 WELCOME 突然撞进眼里;
做 RAG 应用时,最让人头疼的问题往往不是“彻底不能用”,而是“偶尔有点慢”。 RAG 可以先理解成“先找相关资料,再让大模型带着资料回答”。Embedding 负责把文字问题变成数字向量,Milvus 则保存这些向量并找出最相近的内容。 用户发来一个问题,页面转了几秒才开始输出。应用日志告诉我,
一年前的十月份,我写了一篇[《央企程序员AI创业一个月感受》](cnblogs.com),那时[星甘StarGantt](stargantt.cn)第一次与大家见面,注册用户从零开始。弹指一挥一年间。它还顽强...
同一个系列的芯片,型号后面几个字母和数字为什么会影响实际使用?一块看似简单的最小系统板,启动时还要先确认哪些事情?
2025年3月,我从互联网跳槽到一家半导体企业。一年过去,迷茫远多于期待。 第一印象:极差 6个月试用期,后3个月才拿到全额工资,后三个月没有拿到全额。节奏慢、流程繁琐,和互联网完全是两个世界。一个在互联网半天就能拍板的小需求,在这里要走过层层审批,等上一周。刚入职那段时间,我每天都在怀疑自己的选择
在之前的文章理解Oracle Property Graph:以账户转账示例完成图特性最小测试中,笔者用账户转账场景验证了属性图的基本查询能力。这次继续往前走一步:当图查询的数据量变大时,开启 In-Memory 到底能带来多少收益?下面用一条真实的多跳图查询来对比。 01 | 准备测试数据 沿用之前