OpenAI gab auf der KubeCon bekannt, dass durch die Deaktivierung der i_notify-Funktion von Fluent Bit etwa 30.000 CPU-Kerne zur Optimierung der Kubernetes-Cluster-Leistung frei geworden sind.NVIDIA bringt Bash Agent auf den Markt, der Bash-Befehle in natürlicher Sprache generiert. Microsoft veröffentlicht LLMLingua-Technologie zur Senkung der KI-Betriebskosten durch Modellkomprimierung.LangChain-Community demonstriert Agents 2.0-Architektur und Swarm-Architektur für die Verarbeitung komplexer Aufgaben bzw. die technische PDF-Analyse.Anthropic-Bericht über KI-Cyberespionage von der Tech-Community wegen fehlender Beweise angefochten.Translators Library Integration von 37 Übersetzungsplattformen zur Unterstützung der gegenseitigen Übersetzung in über 450 Sprachen.KI wird als das neue Computerparadigma angesehen, wobei der Schwerpunkt auf der Automatisierung überprüfbarer Aufgaben liegt.NotebookLM fügt die Extraktion von Bildinformationen hinzu, und SeekTune bietet eine Lösung zur Erkennung lokaler Lieder.
- Diese Zusammenfassung wurde von einer künstlichen Intelligenz erstellt, die den Inhalt des Artikels nur zu Informationszwecken analysiert.



Auf der KubeCon+CloudNativeCon North America 2025 erzählte Fabian Ponce, ein Techniker bei OpenAI, wie sein Application Observability-Team durch die Deaktivierung einer Funktion in Fluent Bit etwa 30.000 CPU-Kerne bei der Verarbeitung von fast 10 Petabyte an Protokolldaten freisetzen konnte.
Das Team verwendetPerf.Das Tool analysierte die Leistung von Fluent Bit auf jedem Kubernetes-Knoten und stellte fest, dass die Funktion fstatat64 der größte Engpass war. Diese Funktion wird verwendet, um die Größe einer Protokolldatei zu bestimmen, bevor sie gelesen wird. Der standardmäßig aktivierte i_notify-Trigger-Mechanismus führt jedoch dazu, dass Fluent Bit fstatat64 jedes Mal ausführt, wenn eine neue Protokollzeile erzeugt wird, was eine erhebliche Menge an Rechenressourcen verbraucht.
Wenn diese Funktion ausgeschaltet ist, verbraucht das neue Lastmodell nur die Hälfte der ursprünglichen CPU-Zeit, während es die gleiche Menge an Arbeit erledigt, wodurch die Kapazität von etwa 30.000 CPU-Kernen dem Kubernetes-Cluster neu zugewiesen wird.
NVIDIA hat kürzlich ein Tutorial veröffentlicht, das zeigt, wie man einen KI-Agenten erstellt, der Befehle in natürlicher Sprache in Bash-Befehle umwandeln kann. Das Tutorial, genanntNVIDIA Bash Computer Use AgentDas Projekt wird von der LangChain-Gemeinschaft entwickelt.
Mit der von LangGraph bereitgestellten Funktion `create_react_agent()` können Entwickler den Prozess drastisch vereinfachen und sicherstellen, dass der Übergang vom Prototyp zur produktionsreifen Anwendung in weniger als einer Stunde vollzogen werden kann.Sicherheitist eine wichtige Funktion des Tools, die den Benutzern hilft, potenzielle Sicherheitsrisiken zu vermeiden.
- Für Systemadministratoren und Entwickler
- Schnelle Implementierung von automatisiertem Scripting
- Produktivität steigern und Fehler reduzieren
Der NVIDIA Bash Computer Use Agent ist sowohl für Techniker, die ihre Produktivität steigern wollen, als auch für Entwickler, die sich für künstliche Intelligenz interessieren, ein lohnendes Werkzeug. Er senkt nicht nur die technische Schwelle, sondern verbessert auch die betriebliche Effizienz erheblich.
Microsoft hat vor kurzem eine neue Technologie namens LLMLingua vorgestellt, die ein seit langem bestehendes Problem der künstlichen Intelligenz - versteckte Kosten - erfolgreich löst. Mit LLMLingua kann diegroßes SprachmodellDie Arbeitsgeschwindigkeit wurde deutlich erhöht, die Kosten wurden gesenkt und der Grad der Intelligenz wurde optimiert.
Groß angelegte Sprachmodelle finden derzeit in vielen Bereichen wie der Verarbeitung natürlicher Sprache, der maschinellen Übersetzung, dem intelligenten Kundendienst usw. eine breite Anwendung. LLMLingua setzt eine Reihe innovativer technologischer Werkzeuge ein, darunter eine effiziente Modellkompression, optimierte Inferenzalgorithmen und feinere Datenverwaltungsstrategien, um eine umfassende Verbesserung der Modellleistung zu erreichen.
konkret gesagtLLMLingua reduziert die Laufzeit und den Ressourcenverbrauch des Modells, indem es redundante Berechnungen und Datenübertragungen reduziert. Gleichzeitig führt es einen adaptiven Lernmechanismus ein, der es dem Modell ermöglicht, seine eigene Struktur dynamisch an die tatsächlichen Aufgabenanforderungen anzupassen, was die Flexibilität und den Grad der Intelligenz des Modells weiter erhöht.
Die Einführung dieser Technologie bietet nicht nur eine effizientere und kostengünstigere Lösung für Entwickler und Unternehmen, sondern eröffnet auch neue Möglichkeiten für zukünftige KI-Anwendungen.
Angetrieben von der LangChain-Gemeinschaft erforscht Philipp Schmid die architektonische Entwicklung von traditionellen Shallow Loops zu Deep Agents.
Dieser neue Deep Agent ist in der Lage, komplexe mehrstufige Aufgaben zu bewältigen und erreicht eine effizientere Aufgabenausführung durch die Zustandsverwaltung und die Planungsfunktionen von LangGraph. Der Deep Agent verwaltet nicht nur den Zustand der Aufgabe besser, sondern plant und koordiniert auch intelligent mehrere Teilaufgaben und verbessert so die Flexibilität und Reaktionsfähigkeit des Gesamtsystems.
Die wichtigsten Merkmale sind:
- **Leistungsstarkes Statusmanagement**: Deep Agent kann den Aufgabenstatus in Echtzeit verfolgen und aktualisieren und so die Genauigkeit und Konsistenz der Aufgaben sicherstellen.
- **Intelligente Planung**: Durch effiziente Planungsalgorithmen sind Deep Agents in der Lage, die Aufgabenplanung zu optimieren und Latenzzeiten und Ressourcenverschwendung zu reduzieren.
- **Mehrstufige Aufgabenverarbeitung**: Unterstützt die komplexe mehrstufige Aufgabenverarbeitung für eine Vielzahl von Anwendungsszenarien, wie z. B. automatisierte Prozesse, Datenverarbeitung und Entscheidungsunterstützung.
Für weitere Einzelheiten siehe: https://t.co/HmkneNvLwU
Article Explainer wurde von der LangChain-Community entwickelt und ist ein Werkzeug zur Analyse von technischen PDF-Dokumenten, das die Swarm-Architektur von LangGraph nutzt.
Das Tool bietet detaillierte Erklärungen, Codebeispiele und Sicherheitsanalysen durch die Zusammenarbeit mehrerer spezialisierter Agenten. Diese Agenten arbeiten bei der Bearbeitung komplexer technischer Dokumentationen effizient und kollaborativ und stellen sicher, dass die Nutzer umfassende und genaue Informationen erhalten.
Die wichtigsten Merkmale sind:
- Multi-Agenten-Zusammenarbeit: Verschiedene Agenten sind für unterschiedliche Arten von Analyseaufgaben zuständig, z. B. Textparsing, Codegenerierung und Sicherheitsbewertung.
- Codebeispiele: Stellen Sie relevante Codeschnipsel zur Verfügung, damit Entwickler technische Lösungen besser verstehen und umsetzen können.
- Sicherheitsanalyse: Eingehende Analyse potenzieller Sicherheitsprobleme in dem Dokument, um sicherzustellen, dass die Benutzer Risiken in der eigentlichen Anwendung vermeiden.
Wenn Sie an diesem Tool interessiert sind, können Sie folgende Website besuchen https://t.co/3bVE5ch2Pi Erfahren Sie mehr.
Vor ein paar Tagen veröffentlichte Anthropic einen Bericht mit dem Titel Disrupting the first reported AI-orchestrated cyber espionage campaign. Der Bericht behauptet, eine ausgeklügelte Cyberspionage-Operation entdeckt und gestoppt zu haben, die von einer "von der chinesischen Regierung gesponserten" Organisation mit dem Codenamen GTG-1002 gestartet wurde, die KI (insbesondere Claude) einsetzte, um ihre taktische Operation 80-90% zu orchestrieren und durchzuführen.
Auf Hacker News (HN) stieß der Bericht jedoch auf breite Kritik. Entwickler und Sicherheitsexperten in der Community argumentierten, der Bericht enthalte keine stichhaltigen Beweise und sei eher ein Marketing-Gag als eine Bedrohungsanalyse.Zunächst veröffentlichte ein Fachmann der Sicherheitsbranche, djnn.sh, einen Blogbeitrag mit dem Titel "Anthropic's Report Smells Like Bullshit".In dem Bericht heißt es, dass ein seriöser Bericht über Bedrohungen der Cybersicherheit Indikatoren für eine Kompromittierung (Indicators of Compromise, IoCs) und Taktiken, Techniken und Verfahren (TTPs) enthalten sollte. Der Bericht von Anthropic liefert kaum Beweise für seine Behauptungen.
Der Nutzer rfoo weist darauf hin, dass sogar der Kaspersky-Bericht über DuQu 2.0 von vor zehn Jahren solide technische Links und Quellenangaben enthielt. Im Gegensatz dazu wurde der Bericht von Anthropic als "ohne technischen Inhalt" kritisiert.
Darüber hinaus stellte der Nutzer gpi fest, dass der Bericht absichtlich übertrieben war, und Anthropic änderte die Häufigkeit der Angriffe nach der Veröffentlichung stillschweigend von "Tausende von Anfragen pro Sekunde" in "Tausende von Anfragen, oft mehrmals pro Sekunde". Diese Änderung wurde als Versuch gewertet, aus dramaturgischen Gründen Öl ins Feuer zu gießen, und wurde von der technischen Gemeinschaft aufgegriffen.
Der umstrittenste Teil des Berichts ist die Zuschreibung der Angriffe an "von der chinesischen Regierung finanzierte Organisationen". Der Netizen snowwrestler schlug drei Möglichkeiten der Zuordnung vor: rein hypothetisch, technische Signaturen und Geheimdienstarbeit; es ist unwahrscheinlich, dass Anthropic echte Geheimdienstarbeit geleistet hat, und wenn sie Beweise für technische Signaturen hätten, hätten sie diese veröffentlicht. Diese Zuschreibung wurde daher als weit hergeholt und unbegründet kritisiert.
Darüber hinaus glauben einige Nutzer, dass diese Zuschreibung darauf abzielt, FUD (Furcht, Unsicherheit und Zweifel) zu erzeugen, um die Geldströme anzukurbeln.HN-Nutzer DarkmSparks schlussfolgert: "Anthropic stellt einen Haufen unbegründeter Behauptungen über ein neues Problem auf, das sie nicht spezifiziert haben, und schlägt dann am Ende eine Lösung für dieses nicht spezifizierte Problem vor Lösung für das Problem vor - gebt Anthropic Geld."
Darüber hinaus stellte sich die HN-Gemeinschaft die Frage, ob APT-Organisationen eine offen zugängliche kommerzielle API wie Claude tatsächlich für Kernaufgaben nutzen würden. kaiserPro teilte seine Erfahrung mit, dass KI für die Koordinierung von Aufgaben nicht sehr hilfreich ist und dass ein Befehls- und Kontrollsystem auf einem sehr öffentlich zugänglichen System eindeutig eine schlechte Wahl ist. neuroelectron hingegen wies satirisch auf den offensichtlichen Widerspruch hin, dass Claude viele Aufforderungen und Sicherheitsschulungen ablehnt, nur um für böswillige Spionage verwendet zu werden.
Einige haben zwar versucht, den Bericht als politisches Weißbuch darzustellen, doch wurde dieses Argument schnell widerlegt. Nutzer Padolsey argumentierte, dass sie selbst dann desensibilisierte Prompts und Angriffschoreografien hätten teilen sollen. Letztendlich wurde der Anthropic-Bericht weithin als Marketing-Trick wahrgenommen, um FUD zu erzeugen und ein Gegenmittel zu verkaufen.
Bei der Entwicklung eines Projekts ist es eine gängige Anforderung, Übersetzungsfunktionen einzubeziehen. Jede Übersetzungsplattform hat jedoch ein anderes Schnittstellenformat und erfordert separate Schlüsselanforderungen, was den Aufwand für die Entwickler erheblich erhöht.
Glücklicherweise gibt es eine GitHub-Seite namensÜbersetzers Open-Source-Python-Bibliothek, die 37 gängige Übersetzungsplattformen integriert und eine einheitliche Schnittstelle zum Aufrufen aller Dienste bietet. Dies bedeutet, dass Entwickler mit einer einzigen Codezeile zwischen verschiedenen Übersetzungsdiensten wechseln können, ohne für jede Plattform einen eigenen API-Schlüssel beantragen zu müssen.
Bibliothek für ÜbersetzerDurch die Unterstützung von mehr als 450 Sprachen für die gegenseitige Übersetzung, die die wichtigsten Weltsprachen abdecken, ist es einfach, die Übersetzungsqualität verschiedener Plattformen zu vergleichen, um das am besten geeignete Ergebnis zu wählen. Diese Bibliothek eignet sich nicht nur für die Textübersetzung, sondern unterstützt auch die Übersetzung von HTML-Inhalten, was die Anwendungsszenarien noch erweitert.
Schlüsselfunktion::
- Integration von 37 Übersetzungsplattformen wie Google, Bing, Baidu, Ali und anderen;
- Unterstützung von über 450 Sprachen für die gegenseitige Übersetzung, die die wichtigsten Sprachen der Welt abdeckt;
- Einheitliche API-Schnittstelle, eine Zeile Code zum Umschalten zwischen verschiedenen Übersetzungsdiensten;
- Die Nutzung ist völlig kostenlos, es muss kein API-Schlüssel für eine Plattform beantragt werden;
- Unterstützung für die Übersetzung von Text- und HTML-Inhalten;
- Stellt das Kommandozeilenwerkzeug fanyi zur Verfügung, das direkt im Terminal verwendet werden kann.
Die Bibliothek ist über eine pip- oder conda-Installation für Entwickler verfügbar, die Übersetzungsfunktionen in ihre Anwendungen integrieren müssen.ÜbersetzerEs ist ein sehr nützliches Instrument.
In einem kürzlich geführten Gespräch wurden die möglichen Auswirkungen der künstlichen Intelligenz (KI) auf die Wirtschaft erörtert.
KI ist eher mit einem neuen Computerparadigma (Software 2.0) zu vergleichen als mit den großen Umwälzungen der Geschichte, wie der Elektrizität und der industriellen Revolution. Das Herzstück dieses Paradigmas ist die automatisierte digitale Informationsverarbeitung.
Wenn man bis in die 1980er Jahre zurückgeht, um die Auswirkungen der Computertechnologie auf den Arbeitsmarkt vorherzusagen, war das wichtigste Merkmal, ob die Algorithmen für die Aufgaben oder Arbeitsplätze festgelegt waren, d. h. ob diese Aufgaben nur mechanische Umwandlungen von Informationen nach einfachen Regeln waren (z. B. Tippen, Buchführung, menschliche Rechenmaschinen). Zu jener Zeit konnten solche Verfahren durch manuelles Schreiben realisiert werden.
Mit Hilfe der KI sind wir heute in der Lage, neue Arten von Programmen zu schreiben, die früher unmöglich von Hand zu erstellen waren.Durch Angabe eines Ziels (z. B. Klassifizierungsgenauigkeit, Belohnungsfunktion) und Durchsuchen des Programmraums mit Hilfe des Gradientenabstiegs wird ein neuronales Netz gefunden, das in Bezug auf dieses Ziel gut abschneidet. Das wichtigste Merkmal dieses neuen Programmierparadigmas ist die Verifizierbarkeit. Wenn eine Aufgabe oder ein Job verifiziert werden kann, dann kann sie/er entweder direkt oder durch Verstärkungslernen optimiert werden, und das neuronale Netz kann so trainiert werden, dass es sehr effizient ist.
Daher wird **Verifizierbarkeit zu einem wichtigen Kriterium für die Automatisierung**. Wenn die Aufgabe nicht überprüfbar ist, kann sie sich nur auf die Generalisierungsfähigkeiten neuronaler Netze oder andere schwächere Methoden wie Nachahmung stützen. Dies erklärt, warum große Sprachmodelle in einigen Bereichen (z. B. Mathematik, Codierung, Zeit, die mit dem Ansehen von Videos verbracht wird usw.) rasche Fortschritte machen und in anderen Bereichen (z. B. Kreativität, Strategie, Aufgaben, die Wissen aus der realen Welt und gesunden Menschenverstand kombinieren) nur langsam vorankommen.
Kurz gesagt, Software 1.0 neigt dazu, Aufgaben zu automatisieren, die explizit spezifiziert werden können, während Software 2.0 sich durch die Automatisierung von Aufgaben auszeichnet, die überprüft werden können.
NotebookLM hat ein weiteres großes Update erhalten, das zwei wichtige Funktionen einführt: **Deep Research** und **Images as Sources**. Die Funktion **Bilder als Quellen** ist besonders interessant.
Diese Funktion ermöglicht es den Benutzern, mit Bildern als Informationsquellen zu arbeiten. Ob es sich um ein Foto einer handschriftlichen Notiz, einen Screenshot aus einem Lehrbuch oder ein Diagramm auf einer Webseite handelt.NotebookLM Alle sind in der Lage, daraus wertvolle Informationen zu extrahieren und die entsprechenden Ergebnisse zu generieren. Diese Technologie kann in einem breiten Spektrum von Szenarien eingesetzt werden, von der akademischen Forschung bis zur Unternehmensanalyse.
- Fotos von handschriftlichen Notizen: Sie können den Inhalt Ihrer Notizen schnell extrahieren, um sie leichter zu organisieren und weiterzugeben.
- Lehrbuch-Screenshots: Hilft Schülern und Lehrern beim schnellen Zugriff auf wichtige Informationen, um das Lernen zu verbessern.
- Web Charts: Hilft Forschern und Datenanalysten bei der Extraktion von Daten aus komplexen Diagrammen für eine eingehende Analyse.
Diese innovative Funktion verbessert nicht nur die Effizienz der Informationsverarbeitung, sondern bietet den Nutzern auch vielfältigere Methoden der Informationseingabe, was das Nutzererlebnis erheblich verbessert.
GitHub SeekTune Das Open-Source-Projekt ist ein lohnendes Werkzeug für Entwickler, das sie erlernen und nutzen können. Es hilft den Nutzern, ein exklusives Song-Erkennungssystem lokal aufzubauen.
Das Projekt bietet eine einfache und intuitive Webschnittstelle, die Audiomerkmale analysiert, um eindeutige "Fingerabdrücke" zu erstellen, die dann mit einer Datenbank von Songs abgeglichen werden. Dieser Prozess ist nicht nur effizient, sondern auch genau.
SeekTune Darüber hinaus sind Spotify- und YouTube-APIs integriert, die nicht nur Songs erkennen, sondern auch direkten Zugriff auf Songinformationen und Download-Links bieten, was das Nutzererlebnis erheblich verbessert.
Darüber hinaus.SeekTune Es unterstützt die Verwaltung lokaler Song-Bibliotheken, ermöglicht das Speichern und Durchsuchen von Dateien und unterstützt sowohl SQLite- als auch MongoDB-Datenbanken, um den unterschiedlichen Anforderungen der Benutzer gerecht zu werden.
Um den Einsatz zu erleichtern, bietet das Projekt eine Docker-Option für den Einsatz mit nur einem Klick, unterstützt aber auch die lokale Installation, die für Entwickler geeignet ist, die die Prinzipien der Musikerkennungstechnologie tiefgehend verstehen wollen.
Sowohl für Musikliebhaber als auch für EntwicklerSeekTune Alles in allem ein sehr nützliches und leistungsfähiges Instrument.


评论功能已关闭。