密歇根州称部分 Dominion 机器存在“全国性问题”，而科罗拉多州国务卿泄露了投票系统密码密歇根州国务卿 Jocelyn Benson 承认，使用 Dominion ICX 选民辅助终端 (VAT) 的分票选民应该为选举日的“编程问题”做好准备。VAT 是一种特殊类型的设备，残疾人可以使用它来标记选票，然后机器会打印选票并将其放入制表机。密歇根州国务卿、民主党人 Jocelyn Benson 承认，Dominion 终端存在全国性问题，导致选民在投票时无法做出某些选择。他们称之为“编程问题”。你知道什么没有编程问题吗？纸质选票。 pic.twitter.com/rcVoCAOEcd— Ro
Computer Use and AI Agents: A New Paradigm for Screen Interaction
探索多模态 AI 代理的未来和屏幕交互的影响作者使用 GPT4o 创建的图像简介：不断发展的 AI 代理格局Anthropic、微软和苹果最近发布的公告正在改变我们对 AI 代理的看法。如今，“AI 代理”一词已经饱和——几乎每个与 AI 相关的公告都提到了代理，但它们的复杂程度和实用性差别很大。一方面，我们拥有先进的代理，它们利用多个循环进行规划、工具执行和目标评估，并不断迭代直到完成任务。这些代理甚至可以创建和使用记忆，从过去的错误中吸取教训，以推动未来的成功。确定什么是有效的代理是 AI 研究的一个非常活跃的领域。它涉及了解哪些属性造就了一个成功的代理（例如，代理应该如何规划、如何使用内
Airmen Receive Improved Lightning II
经过一年的制造延迟，被分配到第 325 战斗机联队的飞行员在佛罗里达州廷德尔空军基地收到了新升级的 F-35A Lightning II 飞机，该飞机具有改进的显示器、计算机内存和处理能力。
CAMPHOR: Collaborative Agents for Multi-Input Planning and High-Order Reasoning On Device
虽然服务器端大型语言模型 (LLM) 在工具集成和复杂推理方面表现出色，但直接在设备上部署小型语言模型 (SLM) 带来了改善延迟和隐私的机会，但也带来了准确性和内存方面的独特挑战。我们推出了 CAMPHOR，这是一种创新的设备 SLM 多代理框架，旨在处理多个用户输入并在本地推理个人背景，确保隐私得到维护。 CAMPHOR 采用分层架构，其中高阶推理代理分解复杂任务并协调专家……
Nine Rules for Running Rust on Embedded Systems
将 range-set-blaze 移植到 no_std 的实践经验教训 在嵌入式上运行的 Rust — 来源：https://openai.com/dall-e-2/。所有其他图片均来自作者。您想让您的 Rust 代码在任何地方运行吗 — 从大型服务器到网页、机器人甚至手表？在本系列三部分 [1、2、3] 的最后一篇文章中，我们将了解如何使用 Rust 在 no_std 的嵌入式设备上运行。将您的 Rust 项目移植到 no_std 环境允许您定位微控制器和深度嵌入式系统，为受限环境创建高效的软件。例如，我使用即将推出的 range-set-blaze 版本创建了一个在 Raspberry
2024 年 10 月 3 日Doctor Web 病毒分析师发现了一种新的 rootkit 修改版，该修改版会在受感染的 Linux 机器上安装 Skidmap 挖矿木马。该 rootkit 被设计为一个恶意内核模块，通过提供有关 CPU 使用率和网络活动的虚假信息来隐藏矿工的活动。这种攻击似乎是无差别的，主要针对企业部门——大型服务器和云环境——在这些领域可以最大限度地提高挖矿效率。Redis 数据库管理系统是世界上最受欢迎的 NoSQL 数据库：Redis 服务器被 X（前身为 Twitter）、Airbnb、亚马逊等大型公司使用。它的优势显而易见：最高性能、极小的内存占用以及对各种数据
Choosing Between LLM Agent Frameworks
构建定制的基于代码的代理和主要代理框架之间的权衡。作者提供的图片感谢 John Gilhuly 对本文的贡献。代理正处于发展阶段。随着多个新框架和该领域的新投资，现代 AI 代理正在克服不稳定的起源，迅速取代 RAG 成为实施优先事项。那么 2024 年最终会成为自主 AI 系统接管编写电子邮件、预订航班、与我们的数据对话或任何其他任务的一年吗？也许，但要达到这一点还有很多工作要做。任何构建代理的开发人员不仅必须选择基础——使用哪种模型、用例和架构——还必须选择要利用哪个框架。您会选择长期存在的 LangGraph 还是新进入的 LlamaIndex Workflows？或者你走传统路线，自己
日銀短観（9月調査）予測～大企業製造業の業況判断DIは１ポイント低下の12と予想、価格転嫁の勢いに注目
■概要 9月短观可能会显示备受关注的大型制造业的商业信心停滞。去年下半年以来，企业信心一直处于起伏状态。尽管半导体需求的复苏提供了支撑，但包括对中国在内的出口疲软以及汇率快速波动被认为打压了企业信心。在大型非制造业中，由于价格长期高位导致消费者信心停滞，以及地震预警和台风登陆导致该地区人口减少，预计商业信心将略有恶化。 预计商业状况的前景将出现分歧。在制造业方面，由于对美国经济放缓和日元进一步升值的担忧，未来商业信心可能会减弱。另一方面，非制造业方面，由于入境需求稳定以及过去定额减税加薪带来的消费复苏预期，企业信心预计将小幅改善，但负面影响仍存担忧。物价上涨对消费的影响。然而，中小型非制造业预
Money-Market Fund Assets Hit Another New Record High as Domestic Bank Depos Surge To Pre-SVB Levels
货币市场基金资产再创历史新高，国内银行存款飙升至 SVB 倒闭前的水平在过去几周股市波动的背景下，货币市场资金持续流入（连续六周），上周资金流入 234 亿美元，使货币市场基金总资产管理规模达到 6.324 万亿美元的历史新高……资料来源：彭博社六周内流入 1880 亿美元，为今年以来季节性资金流入的最大规模。与此同时，美国银行在截至 09/04 的一周内存款流入近 530 亿美元，使总存款（经季节性调整）达到 SVB 倒闭前的最高水平……资料来源：彭博社在未经季节性调整的基础上，美国银行存款上周飙升 1180 亿美元，也回到了 SVB 倒闭前的最高水平……资料来源：彭博社不包括外国存款，国内
明尼苏达大学双城分校的研究人员领导的一项新研究为下一代电子产品（包括计算机中的内存组件）如何随着时间的推移而发生故障或性能下降提供了新的见解。了解性能下降的原因有助于提高数据存储解决方案的效率。
Is Artificial Intelligence The Next Easy-Money Bust?
人工智能会是下一个轻松赚钱的失败吗？作者：Justin Murray，来自米塞斯研究所，自 2022 年初以来，科技行业和普通公众中的热门话题一直是“人工智能”。虽然这个概念并不新鲜——自 1980 年代以来，人工智能就一直是用来描述计算机如何玩游戏的术语——但它再次吸引了公众的想象力。在进入本文正文之前，有必要先简单了解一下。谈到人工智能时，重要的是要了解它的含义。人工智能可以分为七大类。这七种类型中的大多数充其量只是假设的，并不存在。每个人都感兴趣的人工智能类型属于有限内存人工智能类别。大型语言模型 (LLM) 就驻留在这些领域。由于这不是一篇关于细节的论文，因此可以将 LLM 视为复杂的
Fileless malware: Definition, types, and detection
过去，大多数恶意软件都依赖于在计算机上下载、存储和执行的文件。这一过程使其更容易被传统安全工具检测到。然而，网络犯罪分子不断改进他们的方法来绕过这些防御。无文件恶意软件采用不同的方法，完全在计算机内存中运行而不留下任何文件 […] 无文件恶意软件：定义、类型和检测 一文首次出现在 NordVPN 上。
RepCNN: Micro-Sized, Mighty Models for Wakeword Detection
始终在线的机器学习模型需要非常低的内存和计算占用空间。它们的受限参数数量限制了模型的学习能力，以及通常的训练算法找到最佳参数的有效性。在这里，我们展示了通过首先将其计算重构为更大的冗余多分支架构，可以更好地训练小型卷积模型。然后，为了进行推理，我们代数地将训练后的模型重新参数化为具有更少参数的单分支形式，以降低内存占用和计算成本。使用这种技术，我们展示了……
Ant insights lead to robot navigation breakthrough
研究人员为微型轻量级机器人创建了受昆虫启发的自主导航策略。该系统在一架 56 克的无人机上进行了测试，使其能够使用最少的计算和内存在长途飞行后返回家中。
Function Calling: Fine-Tuning Llama 3 on xLAM
得益于 QLoRA，速度快且内存效率高继续阅读 Towards Data Science »
Flash Attention: Revolutionizing Transformer Efficiency
随着 Transformer 模型的规模和复杂性不断增长，它们在计算效率和内存使用方面面临着重大挑战，尤其是在处理长序列时。Flash Attention 是一种优化技术，有望彻底改变我们在 Transformer 模型中实现和扩展注意力机制的方式。在本综合指南中，我们将深入探讨 […]The post Flash Attention：革命性地改变 Transformer 效率首先出现在 Unite.AI 上。
将基于 Transformer 的模型扩展到超过 1000 亿个参数已在自然语言处理领域取得突破性成果。这些大型语言模型在各种应用中都表现出色，但由于生成推理的顺序性，每个 token 的计算都依赖于前面的 token，因此有效部署它们带来了挑战。这需要细致的并行布局和内存。《高效部署大规模 Transformer 模型：可扩展和低延迟推理策略》一文首先出现在 AI Quantum Intelligence 上。
将基于 Transformer 的模型扩展到超过 1000 亿个参数已在自然语言处理中取得突破性成果。这些大型语言模型在各种应用中都表现出色，但由于生成推理的顺序性，有效部署它们带来了挑战，其中每个标记的计算都依赖于前面的标记。这需要细致的并行布局和内存帖子《大规模 Transformer 模型的有效部署：可扩展和低延迟推理策略》首先出现在 AI Quantum Intelligence 上。
