ITPub博客

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 深度神经网络经常生成图像和合成文本。但这是否等同于创造力？我们能否合理声称深度学习产生了艺术？ 深度神经网络有创造力吗？这似乎是一个合理的问题。谷歌的“Inceptionism”技术可以转换图像，通过迭代修改图像来增强深度网络中特定神经元的激活。这些图像看起来迷幻，将岩石变成建筑物或将树叶变成昆虫。另一种神经生成模型，由德国图宾根大学的Leon Gatys提出，可以从一张图像（比如梵高的画作）中提取风格，并将其应用于另一张图像（比如照片）的内容。

这是最后一个 3.15 候选版本！ python.org/downloads/release/python-3150rc2 这是 Python 3.15 的候选预览版 本次发布 3.15.0rc2 是计划中的最后一个候选版本，自 3.15.0rc1 以来，包含来自 76 位贡献者的约 144 项错误修复、构建改进和文档变更。进入候选发布阶段后，在此候选版本与最终版本之间，仅允许经过审查且明确为错误修复的代码变更。 Python 3.15 的下一个版本将是 3.15.0 最终版，计划于 2026-10-01 发布。 从此刻起，3.15 系列将不再有 ABI 变更，目标是尽可能减少代码变更。

Kubernetes v1.37 带来了重要的存储安全特性：emptyDir 权限模式和绑定挂载选项。它们帮助应用程序开发人员和安全专业人员直接在 Kubernetes 中实施严格的安全策略，例如禁止跨容器删除文件或从可写卷执行任意二进制文件，而无需任何复杂的规避手段。 在深入探讨新的 Kubernetes 特性之前，让我们简要回顾一下使这些特性成为可能的底层 Linux 安全机制。 当 Linux 挂载或重新挂载目录时，虚拟文件系统（VFS）标志控制着该文件系统上允许执行的操作： noexec ：不允许在挂载的文件系统上直接执行任何二进制文件。 nosuid ：不允许 set-user-identifier 或 set-group-identifier 位生效。

大约一年前，我收到了在柏林 WeAreDevelopers World Congress 上发表演讲的邀请。我很少接受演讲邀约，尤其是国际性的，但这一次时机、地点和人都恰到好处——我答应了，条件是 Ben Dumke-von der Ehe 和我一起演讲。Ben 是 Stack Overflow 的早期社区员工，住在柏林。我们都有一些重要的事情想谈，但观点略有不同，视角也不同。 他们同意了这个要求。这是我们的演讲，于 7 月 10 日星期五在柏林 CityCube 发表。 这次演讲的核心是 Ben 和我如何相遇的人性故事。正如我在台上所说： 这个故事的完整版本是我们改变了彼此的人生。简短版本是：独角兽。 你应该直接听 Ben 讲述他那边的故事。非常了不起。

关于 治理 政策 功能矩阵 捐赠 历史 赞助商 贡献 财务 服务器 最新消息 即将举行的活动 过往活动 新闻 许可证 pgAdmin 开发团队很高兴地宣布发布 pgAdmin 4 版本 9.18。此版本的 pgAdmin 4 包含 29 个错误修复和新功能，其中包括对四个安全漏洞（CVE-2026-86861 至 CVE-2026-86864）的修复。有关更多详细信息，请参阅发布说明。 pgAdmin 是 PostgreSQL（开源关系型数据库） 领先的开源图形管理工具。有关更多信息，请参阅网站。 此版本中的显著变化包括： 通过重新单击当前工作区图标来折叠和恢复对象资源管理器，类似于 VS Code 侧边栏的方式，并在刷新之间记住选择。

对于Nimish Jain来说，这个夏天参与FreeBSD的工作意味着近距离观察他长期以来一直好奇的事情：大型、复杂的软件是如何协同工作的。 “我一看到‘FreeBSD’这个词，就决定必须申请，”他说。 这个决定让他度过了一个在操作系统多个领域工作的夏天，向经验丰富的FreeBSD贡献者学习，并看到自己的代码进入了一个被全世界使用的项目。 Nimish并不记得有某个特定时刻激发了他对系统编程的兴趣。相反，这种兴趣源于他对软件更广泛的好奇心。 “我一直好奇大型软件是如何协同工作来完成一项任务的，”他说。 这种好奇心，加上他使用FreeBSD的经验，让基金会的实习项目立刻脱颖而出。这次实习也让Nimish有机会参与项目的多个领域。

STM32CubeMX 是 STMicroelectronics STM32 系列的标准配置工具，STM32 是全球使用最广泛的微控制器平台之一。它是许多 STM32 项目的常见起点：一个图形化工具，引导开发者选择微控制器、分配引脚、配置时钟和外设，并生成 C 初始化代码。借助 STM32CubeMX2，STMicroelectronics 在 Eclipse Theia 上从头重建了这一体验。在本文中，我们将深入了解 STM32CubeMX2 及其如何利用 Theia 生态系统。 STM32CubeMX2 于 2026 年 3 月与新 STM32C5 系列一同发布，是 STMicroelectronics 下一代微控制器配置和代码生成工具。

当智能体的行动速度超过你的防护栏时，麻烦就开始了。浏览器自动化、shell 命令、文件访问和代码执行都很有用，直到智能体获得对不该触碰的系统的广泛访问权限。AI 智能体沙箱让自主操作变得可用，而不会将其变成无限制的系统访问。沙箱为智能体可以触及、更改和泄露的内容设定了硬性边界。

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 我们解释如何使用评分指标获取模型性能的估计值，然后探讨发现和诊断机器学习算法潜在问题的方法。 微调机器学习预测模型是提高预测结果准确性的关键步骤。最近，我写了许多文章，解释机器学习的工作原理以及如何丰富和分解特征集以提高机器学习模型的准确性。 本文探讨以下细节： 1. 使用评分指标获取模型性能的估计值 1. 发现和诊断机器学习算法的常见问题 1. 微调机器学习模型的参数 请阅读 FinTechExplained 免责声明。 有时，我们必须探索模型参数如何提高机器学习模型的预测准确性。微调机器学习模型是一门黑魔法。

Q.ANT 是一家来自德国斯图加特的初创公司，它制造的处理器使用光而非电来完成 AI 背后的一些数学运算。该公司将其宣传为一种能以当今芯片所需功耗的一小部分来运行 AI 的方式。 现在，开发者无需拥有芯片就可以开始为这些芯片编写软件。Q.ANT 本周在 GitHub 上发布了一个免费的开源软件工具包，让开发者可以在普通计算机上构建和测试程序，然后在获得芯片访问权限后在真实芯片上运行它们。 这是借鉴 Nvidia 策略的一步。Nvidia 在 AI 领域的领先地位，既归功于 CUDA（NVIDIA 并行计算平台和编程模型）——开发者用来为其 GPU（图形处理器）编程的软件，也同样归功于芯片本身。 但对于 Q.ANT 来说，问题在于硬件。

冷却 绿色材料 可持续性 AI 数据中心 评论 水已从背景公用资源转变为数据中心的核心约束条件，需要针对具体场址制定韧性规划，以应对峰值压力、当地水文条件和社区影响，而不仅仅是平均效率指标。 数据中心正面临一个新的现实：水不再是背景公用资源，而是塑造选址、设计、运营和社区关系的核心约束。讨论正在超越平均效率指标，转向展示设施能够在峰值压力条件下运行，而不会加剧当地水资源压力或污染。本期《Data Center Knowledge》文章汇总将数据中心用水的技术、经济和政策维度联系起来，并重点介绍行业下一步的发展方向。 WUE 入门——及其局限性 水资源利用效率（WUE）衡量数据中心每千瓦时 IT 能耗所消耗的总水量（升/千瓦时）。跟踪 WUE 有助于支持可持续发展目标、成本控制、冷却优化和透明的社区报告。

放射学 AI 在胸部 X 光、病理切片和 2D 扫描的异常检测方面取得了显著进展。然而，最具临床价值且数据密度最高的模态之一——3D 计算机断层扫描（CT）——在现代视觉语言模型（VLM）中仍很大程度上未被充分覆盖。前沿通用模型在体积成像上表现不佳，而大多数开放医学 AI 模型缺乏放射科医生信任和验证 AI 生成发现所需的多步对话深度。 NVIDIA 正通过 NV-Reason-CT 填补这一空白，这是一款专为 3D CT 分析打造的 VLM。NV-Reason-CT 将思维链推理扩展到完整的体积 CT，生成结构化诊断报告，模拟放射科医生的内部思维，并支持跨胸部和腹部的多步后续对话。

ROCm™ Hyperloom 在 AMD Instinct™ GPU 上进行的大规模无人值守评估中实现了中位数 1.73 倍的推理加速，提升幅度从 1.35 倍到 7.31 倍不等。它会对每个工作负载进行性能分析，搜索框架和内核优化方案，端到端验证变更，并将已验证的结果持续积累，无需针对每个模型进行人工调优。 对于大规模部署 AI 模型的团队而言，服务效率直接决定了硬件容量、延迟和运营成本。然而，跨服务配置、框架代码和 GPU 内核来优化一个工作负载，传统上需要少数专家花费数周甚至数月的时间，而且每出现一个新模型、新框架版本和新加速器代际，这项工作都必须重新进行。我们构建 Hyperloom 就是为了让这个全栈优化循环实现自主化、可重复且安全。

随着 AI 智能体进入生产环境，从请求到结果之间的路径正变得越来越难以预测。智能体可以自行选择工具并在工作过程中改变方向，这使得在没有明显错误可追踪时，故障更难诊断。 在最近接受 The New Stack 采访时，Nvidia 产品副总裁 Adel el Hallak 描述了随着智能体承担更复杂的工作，开发者将需要的额外可观测性。 Nvidia 也参与了一项行业行动，旨在共享企业在这些系统失败时所获得的经验。Secure Agent（智能体） Findings Exchange（简称 SAFE）得到了约 140 家公司的支持，目标是创建共享基础设施来报告智能体故障，借鉴了传统软件中的漏洞披露机制。 “当我们发现这些漏洞时，它不只是为了一家公司，”el Hallak 告诉 The New Stack。

让开发者难以在项目中切换 AI 编码工具的一个原因是，Anthropic 的 Claude Code 不会像 OpenAI 的 Codex 等其他智能体那样在相同位置查找指令——但现在这种情况正在改变。 Claude 和 Codex 都接受 markdown 格式的指令，这是一种以纯文本方式向 AI 编码智能体提供项目特定行为指令的方式。到目前为止，Claude Code 默认在名为 CLAUDE.md 的文件中查找项目特定指令，而 Codex 和其他智能体则使用 AGENTS.md，其格式是由 Agentic AI Foundation 管理的开源倡议，该基金会是 Linux Foundation 下的一个倡议。

2026 年 AI 生态系统中一个有趣的挑战是，新的有效模式涌现的速度比我采纳它们的速度还要快。我会找到一些，回去继续工作，一个月后才发现自己又错过了四五个。今年 Imprint 的采纳周期大致是这样的： 1. 一月：让每位工程师每天都使用 Claude Code 1. 三月：好，那也让其他所有人每天都使用 Claude Code 或 Claude Cowork 1. 四月：本地开发在 checkout 和 worktree 模型上遇到瓶颈，于是改为创建约 10 个本地工作区，每个工作区对每个仓库都有独立的 checkout，并在工作区层面而非仓库层面进行操作，这样就能跨前端、后端、基础设施和数据 monorepo 生成跨仓库的 pull request 1. 六月：天哪，智能体驱动的开发严重受限于缺乏一个通用...

借助 GPT‑6 Astra，Higgsfield AI 让小型企业更轻松地制作视频广告，并更快地将新的创意工具推向市场。 Higgsfield AI ⁠（在新窗口中打开）帮助创意人员借助 AI 端到端完成视频工作流。其使命是让世界各地的专业人士，包括使用视频广告进行销售的小型企业，都能更轻松地进行创意叙事。GPT‑6 Astra 从两个方面支持这一使命：为客户改进广告创作，并加速 Higgsfield 内部的功能开发。 “我们非常兴奋，GPT-6 Astra 帮助我们在短短一天内就交付了新的探索功能。而现在这只需要一名工程师就能完成。” 使用 Higgsfield 创建广告可以从一个简单的请求开始，例如“拿我最成功的广告，生成 100 个新变体。

Rust 安全响应团队收到通知，Miri 会将所有环境变量存储到 target/ 目录，导致机密信息可能持久化在缓存中。 虽然这本身并非漏洞，但与 GitHub Actions 的缓存行为结合时，可能会导致机密信息暴露给 PR。 GitHub Actions 允许在多次运行之间缓存目录。典型配置允许 main（及其他分支）上的 CI 运行写入缓存，而 PR 只能从缓存读取（防止缓存投毒）。Rust 项目通常通过缓存 cargo install 构建的二进制文件以及有时 target/ 目录的内容来加速 CI。 PR CI 可以由任何能在你的仓库上打开 PR 的人触发。GitHub 要求首次 PR 需维护者批准，但后续 PR 会在每次推送时重新运行 CI。

博客 / 工程 以 Markdown 查看 在 Markdown 中打开此页面 在 ChatGPT 中打开 询问有关此页面的问题 在 Claude 中打开 询问有关此页面的问题 在 v0 中打开 询问有关此页面的问题 本月早些时候，我与 Moniepoint 工程团队一起参加了一场网络研讨会，讨论了一个自 PeerDB 时期以来我一直在思考的问题：当 Postgres 运行在本地 NVMe 上时，什么会改变，什么不会改变？ 答案的第一部分与存储有关。一旦 Postgres 的工作集增长到超出内存，存储延迟就可能成为瓶颈，而这些问题表面上看起来像是数据库问题。 第二部分是架构层面的。更快的存储可以让 Postgres 在事务型工作负载上显著提速，但它不会改变行存储的物理布局。

8月28日，我们开始训练一个新的内部模型。除了解决纳维-斯托克斯千禧年大奖难题⁠之外，该模型目前已解决了数学大多数领域中100多个长期未解决的开放问题。其在数学领域的进展速度⁠令OpenAI内部数学家感到惊讶。这引发了内部讨论，探讨如何以最佳方式告知社区这一快速进展，以便该领域做好准备并适应变化。 数学是一门基础科学，新的发现可能带来广泛的应用。这使得这些能力的前景极为重大，其负责任的开发和部署意义远超数学本身。我们认识到这一点，并正在研究如何负责任地更广泛部署与数学相关的AI能力。 在最近的一封公开信“AI在数学中的严重错位⁠（在新窗口中打开）”中，数学家们对将解决开放问题作为新AI系统基准所带来的负外部性提出了担忧。 他们的批评凸显了AI公司与数学界进行深思熟虑的交流的必要性。