A OpenAI anunciou na KubeCon que libertou cerca de 30 000 núcleos de CPU para otimizar o desempenho do cluster Kubernetes ao desativar a funcionalidade i_notify do Fluent Bit.A NVIDIA lança o Bash Agent que gera comandos Bash utilizando linguagem natural. A Microsoft lança a tecnologia LLMLingua para reduzir os custos de funcionamento da IA através da compressão de modelos.A comunidade LangChain demonstra a arquitetura Agents 2.0 e a arquitetura Swarm para o processamento de tarefas complexas e a análise técnica de PDF, respetivamente.Relatório Anthropic sobre ciberespionagem com IA contestado pela comunidade tecnológica por falta de provas.Biblioteca de Tradutores Integração de 37 plataformas de tradução para apoiar a tradução mútua em mais de 450 línguas.A IA é vista como o novo paradigma da computação, com ênfase na automatização de tarefas verificáveis.O NotebookLM acrescenta a extração de informações de imagem e o SeekTune oferece uma solução de reconhecimento de canções locais.
- Este resumo é gerado por uma IA que analisa o conteúdo do artigo apenas para fins informativos.



Na KubeCon+CloudNativeCon North America 2025, Fabian Ponce, um técnico da OpenAI, compartilhou como sua equipe de Observabilidade de Aplicativos conseguiu liberar cerca de 30.000 núcleos de CPU enquanto processava quase 10 petabytes de dados de log desativando um recurso no Fluent Bit.
A equipa utilizaperfA ferramenta analisou o desempenho do Fluent Bit em cada nó do Kubernetes e descobriu que a função fstatat64 era o maior gargalo. Essa função é usada para determinar o tamanho de um arquivo de log antes de lê-lo, mas o mecanismo de gatilho i_notify ativado por padrão faz com que o Fluent Bit execute o fstatat64 sempre que uma nova linha de log é gerada, consumindo uma quantidade significativa de recursos de computação.
Com esse recurso desativado, o novo modelo de carga usa apenas metade do tempo original da CPU enquanto faz a mesma quantidade de trabalho, realocando assim a capacidade de cerca de 30.000 núcleos de CPU para o cluster Kubernetes.
A NVIDIA lançou recentemente um tutorial que mostra como construir um agente de IA capaz de converter comandos de linguagem natural em comandos Bash. O tutorial, chamadoAgente de uso do computador NVIDIA BashO projeto é desenvolvido pela comunidade LangChain.
Ao usar a função `create_react_agent()` fornecida pelo LangGraph, os desenvolvedores podem simplificar drasticamente o processo, garantindo que a transição do protótipo para a aplicação em nível de produção possa ser concluída em menos de uma hora.segurançaé uma caraterística importante da ferramenta que ajuda os utilizadores a evitar potenciais riscos de segurança.
- Para administradores de sistemas e programadores
- Implementação rápida de scripts automatizados
- Aumentar a produtividade e reduzir os erros
O Agente de Utilização do Computador NVIDIA Bash é uma ferramenta útil para os técnicos que procuram aumentar a produtividade e para os programadores interessados em inteligência artificial. Não só reduz o limiar técnico, como também melhora significativamente a eficiência operacional.
A Microsoft apresentou recentemente uma nova tecnologia chamada LLMLingua que resolve com êxito um problema de longa data na IA - os custos ocultos. Com o LLMLingua, ogrande modelo linguísticoA velocidade de funcionamento foi significativamente aumentada e o custo reduzido, enquanto o nível de inteligência foi optimizado.
Atualmente, os modelos linguísticos de grande escala têm uma vasta gama de aplicações em muitos domínios, como o processamento de linguagem natural, a tradução automática, o serviço inteligente de apoio ao cliente, etc. O LLMLingua adopta uma série de ferramentas tecnológicas inovadoras, incluindo a compressão eficiente de modelos, algoritmos de inferência optimizados e estratégias de gestão de dados mais finas, para conseguir uma melhoria abrangente do desempenho dos modelos.
falando especificamenteO LLMLingua reduz o tempo de execução e o consumo de recursos do modelo, reduzindo a computação redundante e a transmissão de dados; ao mesmo tempo, introduz um mecanismo de aprendizagem adaptativa, que permite ao modelo ajustar dinamicamente a sua própria estrutura de acordo com os requisitos reais da tarefa, aumentando ainda mais a flexibilidade e o grau de inteligência do modelo.
O lançamento desta tecnologia não só proporciona uma solução mais eficiente e económica para os programadores e as empresas, como também abre novas possibilidades para futuras aplicações de IA.
Impulsionado pela comunidade LangChain, Philipp Schmid investiga a evolução arquitetónica dos tradicionais Shallow Loops para os Deep Agents.
Este novo agente profundo é capaz de lidar com tarefas complexas de vários passos e consegue uma execução mais eficiente das tarefas através das capacidades de gestão do estado e de programação do LangGraph. O agente profundo não só gere melhor o estado da tarefa, como também programa e coordena de forma inteligente várias subtarefas, melhorando assim a flexibilidade e a capacidade de resposta do sistema global.
As principais caraterísticas incluem:
- **Gerenciamento de status poderoso**: O Deep Agent é capaz de rastrear e atualizar o status da tarefa em tempo real, garantindo a precisão e a consistência da tarefa.
- **Programação inteligente**: através de algoritmos de programação eficientes, os agentes profundos são capazes de otimizar a programação de tarefas e reduzir a latência e o desperdício de recursos.
- **Processamento de tarefas em várias etapas**: Suporta o processamento complexo de tarefas em várias etapas para uma variedade de cenários de aplicação, tais como processos automatizados, processamento de dados e apoio à decisão.
Para mais informações, consultar: https://t.co/HmkneNvLwU
Desenvolvido pela comunidade LangChain, o Article Explainer é uma ferramenta para analisar documentos técnicos em PDF que utiliza a arquitetura Swarm da LangGraph.
A ferramenta fornece explicações detalhadas, exemplos de código e análises de segurança através da colaboração entre vários agentes especializados. Estes agentes trabalham de forma eficiente e colaborativa quando lidam com documentação técnica complexa, garantindo que os utilizadores recebem informações completas e precisas.
As principais caraterísticas incluem:
- Colaboração multi-agente: diferentes agentes são responsáveis por diferentes tipos de tarefas de análise, como análise de texto, geração de código e avaliação de segurança.
- Amostras de código: Forneça fragmentos de código relevantes para ajudar os programadores a compreender melhor e a implementar soluções técnicas.
- Análise de segurança: Análise aprofundada de potenciais problemas de segurança no documento para garantir que os utilizadores evitam riscos na aplicação real.
Se estiver interessado nesta ferramenta, pode visitar https://t.co/3bVE5ch2Pi Saiba mais.
Há alguns dias, a Anthropic publicou um relatório intitulado Disrupting the first reported AI-orchestrated cyber espionage campaign (Interromper a primeira campanha de ciberespionagem orquestrada por IA). O relatório afirma ter descoberto e parado uma sofisticada operação de ciberespionagem, lançada por uma organização "patrocinada pelo governo chinês" com o nome de código GTG-1002, que utilizou a IA (especificamente Claude) para orquestrar e executar a sua operação tática 80-90%.
No entanto, o relatório foi alvo de críticas generalizadas no Hacker News (HN). Os programadores e especialistas em segurança da comunidade argumentaram que o relatório carecia de provas substanciais e era mais um truque de marketing do que uma informação sobre ameaças.Em primeiro lugar, um profissional do sector da segurança, djnn.sh, publicou um blogue intitulado "Anthropic's Report Smells Like Bullshit".O relatório afirma que um relatório sério de informações sobre ameaças à cibersegurança deve fornecer indicadores de comprometimento (IoCs) e tácticas, técnicas e procedimentos (TTPs), e o relatório da Anthropic fornece poucas provas para apoiar as suas afirmações.
O utilizador rfoo salienta que mesmo o relatório da Kaspersky sobre o DuQu 2.0, de há uma década, continha ligações e atribuições técnicas sólidas. Em contrapartida, o relatório da Anthropic foi criticado por ter "zero conteúdo técnico".
Além disso, o utilizador gpi descobriu que o relatório era intencionalmente exagerado e a Anthropic alterou discretamente a frequência dos ataques após o lançamento de "milhares de pedidos por segundo" para "milhares de pedidos, muitas vezes várias vezes por segundo". A mudança foi vista como uma tentativa de adicionar combustível ao fogo para um efeito dramático, e foi apanhada pela comunidade técnica.
A parte mais controversa do relatório é a atribuição dos ataques a "organizações financiadas pelo governo chinês". O internauta snowwrestler sugeriu três vias de atribuição: puramente hipotética, assinaturas técnicas e trabalho dos serviços secretos; é pouco provável que a Anthropic tenha tido um verdadeiro trabalho de serviços secretos e, se tivessem provas de assinaturas técnicas, tê-las-iam publicado. Esta atribuição foi, por isso, criticada como sendo rebuscada e sem fundamento.
Além disso, alguns utilizadores acreditam que esta atribuição foi concebida para criar FUD (medo, incerteza e dúvida), a fim de impulsionar os fluxos de dinheiro. O utilizador da HN, DarkmSparks, conclui: "A Anthropic faz um monte de alegações sem fundamento sobre um novo problema que não especificou e, no final, propõe uma solução para este problema não especificado - dar dinheiro à Anthropic". solução para o problema - dar dinheiro ao Anthropic".
Para além disso, a comunidade HN questionou se as organizações APT iriam realmente utilizar uma API comercial abertamente disponível como o Claude para tarefas essenciais. kaiserPro partilhou a sua experiência de que a IA não é muito útil para coordenar tarefas e que um sistema de comando e controlo num sistema publicamente disponível é claramente uma má escolha. neuroelectron, por outro lado, satiricamente salientou a aparente contradição no facto de Claude recusar muitos avisos e educação para a segurança, apenas para ser utilizado para espionagem maliciosa.
Embora alguns tenham tentado posicionar o relatório como um livro branco sobre políticas, este argumento foi rapidamente contrariado. O utilizador padolsey argumentou que, mesmo assim, deveriam ter partilhado Prompts dessensibilizados e padrões de coreografia de ataque. Em última análise, o relatório da Anthropic foi visto como uma manobra de marketing para criar FUD e vender um antídoto.
Ao desenvolver um projeto, é um requisito comum incluir a funcionalidade de tradução. No entanto, cada plataforma de tradução tem um formato de interface diferente e requer pedidos de chave separados, o que aumenta consideravelmente a carga sobre os programadores.
Felizmente, existe um site no GitHub chamadoTradutoress, que integra 37 plataformas de tradução principais e fornece uma interface unificada para chamar todos os serviços. Isto significa que os programadores podem alternar entre diferentes serviços de tradução com uma única linha de código, sem terem de solicitar uma chave API separada para cada plataforma.
Biblioteca de tradutoresSuportando mais de 450 línguas para tradução mútua, abrangendo as principais línguas mundiais, é fácil comparar a qualidade da tradução de diferentes plataformas, de modo a escolher o resultado mais adequado. Esta biblioteca não é apenas adequada para a tradução de texto, mas também suporta a tradução de conteúdos HTML, expandindo ainda mais os seus cenários de aplicação.
Caraterísticas principais::
- Integração de 37 plataformas de tradução, como Google, Bing, Baidu, Ali e outras;
- Suporta mais de 450 línguas para tradução mútua, abrangendo as principais línguas do mundo;
- Interface API unificada, uma linha de código para alternar entre diferentes serviços de tradução;
- Utilização totalmente gratuita, sem necessidade de solicitar uma chave API para qualquer plataforma;
- Suporte para tradução de texto e conteúdo HTML;
- Fornece a ferramenta de linha de comandos fanyi, que pode ser utilizada diretamente no terminal.
A biblioteca está disponível através da instalação pip ou conda, para programadores que necessitem de integrar a funcionalidade de tradução nas suas aplicações.TradutoresTrata-se de uma ferramenta muito útil.
Numa conversa recente, discutiu-se o potencial impacto da inteligência artificial (IA) na economia.
A IA é mais adequada para ser comparada a um novo paradigma informático (Software 2.0) do que às grandes transformações da história, como a eletricidade e a revolução industrial. No centro deste paradigma está o processamento automático da informação digital.
Se recuarmos aos anos 80 para prever o impacto da tecnologia informática no mercado de trabalho, a caraterística mais importante era o facto de os algoritmos das tarefas ou dos empregos serem fixos, ou seja, se essas tarefas eram apenas transformações mecânicas de informação de acordo com regras simples (por exemplo, dactilografia, contabilidade, calculadoras humanas). Na altura, esses procedimentos podiam ser realizados escrevendo-os manualmente.
Atualmente, com a IA, somos capazes de escrever novos tipos de programas que anteriormente eram impossíveis de escrever manualmente.Especificando um objetivo (por exemplo, a precisão da classificação, a função de recompensa) e pesquisando o espaço do programa utilizando a descida gradiente, é encontrada uma rede neural com um bom desempenho em relação a esse objetivo. A caraterística mais importante deste novo paradigma de programação é a verificabilidade. Se uma tarefa ou trabalho puder ser verificado, pode ser optimizado diretamente ou através da aprendizagem por reforço, e a rede neuronal pode ser treinada para ser muito eficiente.
Por conseguinte, a **verificabilidade torna-se uma métrica importante para a automatização**. Se a tarefa não for verificável, só pode contar com as capacidades de generalização das redes neuronais ou com outros métodos mais fracos, como a imitação. Isto explica por que razão os modelos de linguagem de grande dimensão estão a progredir rapidamente em alguns domínios (por exemplo, matemática, codificação, tempo passado a ver vídeos, etc.) e lentamente noutros (por exemplo, criatividade, estratégia, tarefas que combinam conhecimentos do mundo real e senso comum).
Em suma, o Software 1.0 é propenso a automatizar tarefas que podem ser explicitamente especificadas, enquanto o Software 2.0 se destaca na automatização de tarefas que podem ser verificadas.
O NotebookLM recebeu outra grande atualização, que introduz duas importantes funcionalidades: **Pesquisa em profundidade** e **Imagens como fontes**. A funcionalidade **Imagens como fontes** é particularmente interessante.
Esta funcionalidade permite aos utilizadores trabalhar com imagens como fontes de informação. Quer seja uma fotografia de uma nota manuscrita, uma captura de ecrã de um livro didático ou um diagrama de uma página Web.Bloco de notasLM Todos são capazes de extrair informações valiosas e gerar os resultados adequados. Esta tecnologia pode ser aplicada numa vasta gama de cenários, desde a investigação académica à análise empresarial.
- Fotos de notas manuscritas: pode extrair rapidamente o conteúdo das suas notas para facilitar a organização e a partilha.
- Capturas de ecrã de livros de texto: Ajuda os alunos e professores a aceder rapidamente a informações importantes para melhorar a aprendizagem.
- Gráficos Web: Ajuda os investigadores e analistas de dados a extrair dados de gráficos complexos para uma análise aprofundada.
Esta caraterística inovadora não só melhora a eficiência do processamento da informação, como também proporciona aos utilizadores métodos de introdução de informação mais diversificados, melhorando consideravelmente a experiência do utilizador.
GitHub Procurar sintonizar O projeto de código aberto é uma ferramenta útil para os programadores aprenderem e utilizarem. Ajuda os utilizadores a construir localmente um sistema exclusivo de reconhecimento de canções.
O projeto fornece uma interface Web simples e intuitiva que analisa as caraterísticas do áudio para gerar "impressões digitais" únicas que são depois comparadas com uma base de dados de canções. Este processo não é apenas eficiente, mas também exato.
Procurar sintonizar Integra também as APIs do Spotify e do YouTube, que não só reconhecem as canções, como também fornecem acesso direto às informações sobre as canções e às ligações para descarregamento, melhorando consideravelmente a experiência do utilizador.
Para além disso.Procurar sintonizar Suporta a gestão de bibliotecas de canções locais, permite aos utilizadores guardar e pesquisar ficheiros e suporta bases de dados SQLite e MongoDB para satisfazer as necessidades de diferentes utilizadores.
Para facilitar a implantação, o projeto fornece uma opção de implantação com um clique do Docker e também suporta a instalação local, adequada para programadores que pretendam compreender profundamente os princípios da tecnologia de reconhecimento de música.
Para amantes de música e programadoresProcurar sintonizar Tudo isto é uma ferramenta muito útil e poderosa.


评论功能已关闭。