从Linux中移除大部分SPARC 32位CPU支持的努力仍在继续

从Linux中移除大部分SPARC 32位CPU支持的努力仍在继续 Sam Ravnborg 发送了 28 个补丁，用于对从主线 Linux 内核中删除 Sun4m 和 Sun4d 代码的补丁进行第二次修订。去掉这些旧的 SPARC 32 位 CPU 后，内核源代码树中未维护的代码减少了 1.1 万行。不过，这个补丁系列并没有完全取消对 SPARC 32 位处理器的支持，因为它只为 Frontgrade Gaisler LEON3 处理器保留了足够的支持，而这些 32 位 SPARC 处理器仍在上游 Linux 内核中使用。与此同时，随着代码的删除，Sun4D"Dragon"在 90 年代早期的 SPARCserver 1000 和 SPARCcenter 2000 中发挥了巨大作用，但现在显然早已过时。作为多处理器 Sun-4 变体的 Sun4M 也是 SunOS 4.1+ 和 Solaris 2 时代的博物馆遗物。"内核的 sun4m 和 sun4d 部分几年来一直没有引起人们真正的兴趣。上次有几个人浮出水面，但要么是出于个人项目，要么是出于怀旧原因。...移除对 sun4m 和 sun4d 的支持可以移除运行时修补代码以及大量汇编代码。其结果是汇编程序代码更加简洁，更易于理解，因此也更易于维护和扩展"。内核的最新 Sun4M/Sun4D 代码移除工作可在LKML 上找到。 ... PC版： 手机版：

余承东：2000多名开发者支持鸿蒙 累计贡献超6200万行核心代码

余承东：2000多名开发者支持鸿蒙 累计贡献超6200万行核心代码 华为终端BG软件部副总裁柳晓见表示：OpenHarmony开源三年来，版本持续演进，版本能力快速迭代，OpenHarmony已经实现了跨越式发展，在生态设备、根技术、产业链共建、影响力等方面都取得了长足的进展。据介绍，目前已有超过70家单位加入OpenHarmony生态共建、7500多名社区共建者参与贡献，贡献代码超过1.1亿行，累计有近600款软硬件产品通过OpenHarmony兼容性测评，已经成为智能终端领域发展速度最快的开源操作系统。余承东此前曾指出，2024年是原生鸿蒙的关键一年，要加快推进各类鸿蒙原生应用的开发，集中打赢技术底座和三方生态两大最艰巨的战斗。华为轮值董事长徐直军此前透露，“我们期望是在今年Mate 70销售的时候，能够带着纯血鸿蒙上市，这也是我们努力的目标。”按照徐直军的说法：“当我们把这5000个应用以及其他成千上万的应用都从安卓生态迁移到鸿蒙操作系统上时，鸿蒙操作系统就真正成为除苹果iOS和谷歌安卓之外的全球第三个移动操作系统。” ... PC版： 手机版：

初创公司Playtron将推出新款游戏操作系统 为掌机提供易于使用的界面

初创公司Playtron将推出新款游戏操作系统 为掌机提供易于使用的界面 游戏初创公司 Playtron 正在开发一种操作系统，该系统将 Windows、SteamOS 和 Android 的差异分离，以提供平台无关的体验。除了 Playtron网站上的描述外，PlaytronOS 的细节还很模糊，不过，该公司将让 GDC 2024 的观众抢先一睹该操作系统的风采。Playtron 将其操作系统描述为类似于 Windows 的游戏生态系统，只不过它被提取为一个独立的轻量级操作系统。与 SteamOS 一样，它可以让用户在非桌面设备的界面上玩 PC 游戏，换句话说，它对手柄友好。PlaytronOS 的不同之处在于它支持多个游戏商店，包括 Steam 和 Epic Games Store。目前还不清楚基于 Linux 的系统将如何运行 Windows 游戏，但 SteamOS 广泛的兼容性背后的关键技术 Proton 很可能就是答案。上面的片段展示了 Playtron 在联想 Legion Go 上运行各种游戏的情况。目前，该操作系统支持 Arm 和 x86 架构。该公司计划在今年晚些时候为手持游戏 PC 推出该操作系统，并在 2025 年为 5G 移动设备推出该操作系统。PlaytronOS 最终将扩展到台式电脑、电视、VR 头显、数据中心和汽车。Playtron 的路线图仍然模糊不清，但它可能会将其便携式操作系统授权给华硕、联想、微星和 GPD 等公司，这些公司最近发布了基于 Windows 的 Steam Deck 竞争对手。虽然这些较新的 Windows 手持设备比 Steam Deck 更快，但 Windows 11 面向桌面的设计使它们望尘莫及。Valve 还没有开始授权 SteamOS，但 Bazzite 可以在各种设备上克隆它。微软表示，它计划解决 Windows 在手持设备上的问题，但还没有解释它打算如何在不破坏桌面体验的情况下做到这一点。Playtron 希望瞄准"核心休闲"受众，因为它声称这部分受众尚未得到充分服务。该公司网站上的维恩图显示，其目标是提供一个横跨 PC、游戏机和手机的单一生态系统。虽然PlaytronOS支持多个店面，但该公司希望通过一个由社区策划的"Playtron Select"展示区来提高独立游戏的可发现性。开发该操作系统的团队拥有与Google、亚马逊、索尼、三星、Meta 及其他众多公司合作的多年经验。此外，该公司还计划通过招聘和社区工具广泛利用 Linux 社区。 ... PC版： 手机版：

AI 新知：为什么基础代理将会是下一个革命性技术？

AI 新知：为什么基础代理将会是下一个革命性技术？ 来自英伟达高级研究员 & AI Agents负责人Jim Fan 近期释放的TED 演讲，《The next grand challenge for AI》提出了「基础代理」将在虚拟世界和物理世界中无缝运行。他解释了这项技术将如何从根本上改变我们的生活渗透到从视频游戏、元宇宙到无人机和仿人机器人的方方面面并探讨了这一模型如何掌握跨越这些不同现实的技能。 他提出「基础代理」（Foundation Agent）的秘诀：一个单一的模型，可以学习如何在不同的世界中行动。 （如果你之前不太熟悉AI agents相关基础知识， 可以结合文本内容补充相关知识点，Enjoy） 「基础代理」中的智能体， Voyager 是什么？？ - 它是一个在 Minecraft开放世界中无限学习的智能体。Voyager 可以自己写代码、自我迭代、不断完善技能库中，实现无限学习（Longlife learning）的探索过程。 - 这里核心只有一个，就是无限迭代。 它不断扩充自己的技能图书馆， 无论是在游戏中制作工具，并升级科技树（例如，从Wooden Tool 到Iron Tool）， 全部是自主迭代、自主验证的。 它不仅是自动化，它是通过一套机制自主学习 [1]。 - 它建立在GPT-4之上，并解锁了一个新的范式：「训练」在这个语境下是执行代码；「训练模型」是Voyager迭代组成的技能代码库，而不是浮点矩阵。 - Voyager 作为一个超级玩家，在《我的世界》中，它获得了3.3倍的独特物品，旅行了2.3倍的距离，解锁关键技术树里程碑的速度比之前的方法快15.3倍。它还开源的。 [1] 为什么这个「基础代理」具有非凡意义？ - LLM 适用于大量文本，而基础代理可以跨越很多很多现实。 基础代理 已经在虚拟世界被验证强大的学习自主性。 - 其次，Jim Fan 认为它具有跨越Reality的拓展性。 开放游戏世界Minecraft 只是作为一个模拟现实（simulated realities）和实验基地，他们还在其他仿真环境进行训练和探索得到惊人进展。[2] - 如果它能够掌握 10,000 种不同的模拟现实，那么它就能很好地推广到我们的物理世界，而物理世界只是第 10,001 个现实。 - 换句话说，它正在加速应用于物理世界，特别是机器人技术。 参考Jim Fan的PPT 。 [3] Hans 注释： [1] 这套自主学习和迭代的机制，有三个核心组件： a）结合游戏反馈、执行错误、自我验证来完善程序的迭代提示机制；（让 GPT-4 写代码 ） b）用于存储和检索复杂行为的技能代码库；（任务的完善和迭代，成为了技能） c）最大化探索的自动课程。Hans 在去年相关论文讨论的《当GPT-4 遇上开放世界》中，有更详细的解读。 [2] 英伟达 Isaac Gym 是一个功能强大的端到端 GPU 加速仿真环境，用于强化学习，可用于训练机器人和模型。它是英伟达 Omniverse 平台的一部分，为机器人和计算机视觉算法提供基于物理的高保真模拟。 [3] TED 视频中Jim Fan的PPT ： Invalid media:

#MFCMFC-245 单击自动复制

#MFC MFC-245 单击自动复制 AV导航/免费完整版 @funsou Code/番号:MFC-245 Release date/发行日期:2023-05-17 Title/标题:超肉体美！どシコいシックスパックの新妻るい《元彼で肉欲解放！言いなり不贞行为の末に3连続射精》ただご饭に行くだけのはずが…骗されホテin→精饮→なし崩しゴム有りSEX！！隠れ欲求不満型の品ある美形若妻が他人棒で连続イキ散らし！！/「もう(ゴム)しなくていいよ…」堕ちた人妻…ガチ不伦モード突入！？性欲むき出し骑乗位で旦那を忘れる没头生ハメ！！筋肉质なアスリート系美体に秘める本性を曝け出し悦びに歪む美颜へたっぷり颜射！！【しろうとハメ撮り＃るい＃27歳＃人妻OL】 Plot/剧情: 游玩内容：【第 1 部分】午餐、酒店、接吻、揉馅饼、乳头折磨、舔阴、口交、电动按摩器、paizuri、乳头工作、口腔射精、吞精 [第 2 部分] 穿橡胶、传教士姿势、背部、仰卧, 胸部射精, 清洁打击[第3部分] 亲吻, 舔乳头, 舔乳头, 六九, 女牛仔, 传教士, 面部, 清洁打击剧情简介: 一个训练有素的完美肌肉身材的年轻妻子[瑞/ 27岁/已婚女人OL】喊前女友“蕊”午餐约会！她离开了我，成了一个了不起的已婚女人，但我仍然爱著她。所以时隔很久再次见到你我很兴奋说起前几天我们举行的婚礼，说说我在工作中认识的丈夫，以及新婚生活是怎样的。吕说这说那开心，但说到“夫妻夜情”，她的表情就变得阴沉起来。与丈夫的新婚生活很有趣。然而，他是一个很好的推销员，总是很忙。在我约会的时候，我以前每周约会 2-3 次。这不是不够的原因吗？当被问到，“嗯，这还不够……哈哈”（笑）“这还不够，但是……如果他同意，那不是很好吗？”我告诉你，很明显你是沮丧的。换句话说，就是现成的牡丹麻糬。机会来了！我在心里呐喊，我成功地用合适的话语围住了她，捏紧了她！想被气氛吞没，崇拜F罩杯的巨乳和舔阴，从另一边口交回来。话是这么说的，但像往常一样很容易得意忘形……本来打算原封不动地插进去的 Genre/类型: #素人 #颜射 #自拍 Publisher/发行商:MOON FORCE 关注本频道: @UUAVS

我们刚刚提到，JPG 的修图空间很小，假如再次基于 JPG 进行修图，那原图丢失和篡改的信息就更多了。

我们刚刚提到，JPG 的修图空间很小，假如再次基于 JPG 进行修图，那原图丢失和篡改的信息就更多了。 所以对于摄影师而言，看到 JPG 不满意，其实是回到 Raw 文件重新修，而不是基于 JPG 修。以此来保证摄影作品的质量。 好在新闻的篇幅不算太长，也并非属于严肃学习的场景，失真容错率相对较高。用摘要快速确定是否感兴趣 & 大致内容读个压缩版是很有用的。 用 AI 学习长文章 / 长视频 / 长播客（转文字脚本） 在这种场景下，摘要失真的容错率会低很多（尤其是严肃科普阅读）。但阅读的方法论不同，我们可以一在定程度上克服这种失真。模仿修图师的思维，就是一个答案。 有人说：假如文本长度为 75000 个单词，一般人用时大约 5 个小时读完等量内容后，还得用更多的时间去消化、记忆、分析。而对于 Claude， 大约不到 1 分钟就搞定。 备注：Claude 的 API 目前能记住 100k tokens 的长度，而同时的 gpt-3.5 能记住大约 4k tokens；而目前 slack 里的 Claude 机器人大概是 9k tokens 那是不是说人类就不需要学习了？当然不是，至少 AI 目前为止的定位和程度还是工具，而不是独立的生命。回看 AlphaGo，给人类棋手的学习带来了崭新的启发，其实是加速学习和带来崭新的启发。 回到用 AI 阅读学习材料这件事情上来，如果你用过 Chatpdf 类似的产品，你就会发现当 AI 帮你把 pdf “读”完之后，它会提出大概 3 个可能值得提出的问题，从而引导你提问和获得启发。（Chatpdf 不是真的帮你消化了完整的内容，下面 我会解释） 刚刚我们从摄影聊到了金句的逆向，我特别提到一句话是：「没有背景的情况下，全靠脑补特别难」。 换句话说，假如有背景，那金句和摘要带来的可能性就发挥了更大的价值。 就好像修图师找得到某个 JPG 的 Raw 原文件，找不到的话，客户不满意就没法重新修图了。 对于 AI 而言： 预训练已经“提前帮你看过了很多内容”，这是第一部分； 而我们的上下文聊天发送的内容，是看过的第二部分内容，两部分合力发挥作用。 总结一下： AI 工具之于短平快的新闻的价值在于摘要本身，主打的就是一个快速获得资讯。 AI 工具之于严肃学习的价值不是摘要，此时的摘要类似于金句，价值在于「逆向思考的过程并获得启发」，单纯接收 AI 的摘要不足以构建知识。因为逆向思考需要一定的背景，否则很难推导和获得知识。然而 AI 的长处就是给你提供用于逆向思考所可能的背景知识，类似于一个可能存在的 Raw 文件），它由预训练的部分（非 prompt） + 你提供的上下文组成。 OK，区分开两个大致的场景和方向，AI 的「真实效益」便可以最大化。混淆了读新闻和读长文这两个场景就很难用好 AI，自然会把 AI 当成一个车轱辘话生成器。 至此，如果你延伸思考，你就会知道 Prompt 的重要性来源于哪里 即通过 Prompt “唤醒”预训练中的知识作为金句 / 摘要背后可能的背景铺垫（Prompt 本身也是），然后进行更好的推理来输出答案。 在过去几个月里，最常见的 Prompt 句式：「你是一个 xxx」，就是如此。然而，正如我刚刚提到的，别忘了这种模版只不过是 Prompt 中的一部分，另一部分是知识。知识，也是一种 Prompt（字符串）。 例如，假如你关心「营销」，你可以在 Prompt 里插入一段和营销有关的书籍原文，再在后面提一些问题。如果你用 Claude-100k，甚至可以在聊天开始的时候直接给他一整本书获得摘要。（效果如何，我还需要继续测试和观察，以后再给大家写测评） 紧接着，以摘要为线索，通过聊天获得新的思考和观点，和 AI 相互启发，才能有所收获。 换句话说，在严肃学习这个场景下，思考的过程才有价值。但奈何我理解原材料（Raw）的能力可能不够强，所以我让 AI 先生成一个摘要（JPG 1），但是我们不把 JPG 1 直接作为新知识，而是通过 JPG 去指引我们找到 Raw 文件，一边自行思考一边问 AI 是如何加工这个 Raw 文件的，从而来和自己的思考过程形成对照。自然能找到自己思考卡壳的地方等等。 在这个前提之下，我们再在聊天告一段落的时候，基于我们的思考进行摘要就好太多了（获得了你自己的修图版本 JPG 2）。即便 AI 可能有所遗漏，我们也会有所觉察并进行补充（毕竟你认真思考过了）。 另外，尝试进行公开写作，其实是一个运用费曼学习的过程。更多的思考，见 @Szhans 让我们一起回忆一下，阅读长文的流程可以是： 1⃣ 第一步：先摘要 借助 AI 的强大力量判断感不感兴趣，以及文章大致的重点清单。然后甚至可以一开始就问 AI：「请围绕这篇文章的核心观点提出最值得思考的 5 个问题」。然后看看有没有感兴趣的，以此来激发自己的好奇心和求知欲。 2⃣ 第二步：基于摘要中最感兴趣的观点进行逆向思考 例如，你提到的「xxx」这个观点特别有意思，能不能说说原文中提到的原话是什么，作者提到了一个怎样的场景、故事或者实验案例？ 3⃣ 第三步：基于逆向思考和聊天进行摘要、整理和校对。 可见，再学习的场景下，凡第二步我们才进入了「修图模式」，而不是直接进行智能摘要，并把这个摘要作为自己所得的新知识。 请注意，上面只是一个参考而不是标准答案。也有时候我会读完了文章再拿去让 Claude 也读一读再和我聊。 AI 在这个过程中大致做了两件事情。首先，是基于一个 JPG 指引我们回到 Raw 文件；其次，是全程可以辅助我们加工 Raw 文件。 今天，我们在自学方面终于也拥有了摄影意义上的 PS 了。 细节：在第二步中，有时候还是不太好理解消化，你可以继续追问： 1⃣ 你刚刚提到的「xxx」这段话很难理解，你能不能用给中学生讲解的口吻通俗易懂地向我再解释一下呢？ 2⃣ 请你善用比喻、类比、拟人的修辞手法。 3⃣ 能不能请你举一反三，告诉我这个观点如何应用于我们的生活，可以给我们带来怎样的指导？ 上面是我常用的提问法，三个可以一起用。但是，特别注意，根据我的经验： 1⃣ 一次最好只针对摘要中的一个论点进行分析，这样的话整个回复的篇幅都会集中于此。 2⃣ 反之，如果你一次就让他分析三个观点，那么每一个观点也只是简单谈谈而已，不如逐个击破。 3⃣ 耐心地复制原文。大家在微信怎么回复消息的，是不是长按某一条消息引用来回复？又或者在飞书和 slack 里创建话题 / 消息列来进行收束？同理，当我们聊天已经进行了一段时间后，最好复制特定内容后再向 AI 提问，这样别人才知道重点嘛～（也是在帮助对方回忆内容） 至此，你应该知道为什么上下文长度如此重要了，Claude 也许目前编码能力和翻译能力不如 ChatGPT，但是其文科理解能力特别强。他是你学习文科类内容的「靠谱同学」。在长度拓展到 100k tokens 之后，你可以想象其逆向能力的强大。（理论上） 其他问题：Chatpdf 不是也能读长文吗？和 Claude-100k 区别在哪里呢？ 注意，这个和 Chatpdf 不同，由于 gpt-3.5 只有 4k 上下文（相比之下），所以 Chatpdf 实际上是把 pdf 原文切分为了很多小块。通俗地说就是： 当你提问的时候，程序先搜索我们的问题从语义上看最相关的一个或多个 pdf 片段，然后把这部分内容作为 prompt 的一部分，合并你提问输入的 prompt，以及程序内部预设的一些 prompt 模版，共同传给了 大模型，然后我们才得到了最终回答。如果每次都把 pdf 原文发过去，就超出长度限制报错了。 在这个过程中，pdf 会被怎样切分呢？例如，每隔 1000 就切分为一个小片段。 你也许已经想到了：假如刚好有些重点被切开了，岂不是影响了 AI 的理解？这个方法确实是。但是也有一些技术方案尽可能缩减这种偏差。 而最新的 Claude API，看官方文档说的是「上下文长度」就能记忆 100k tokens，这就和切分 pdf 的方法划出了界限。