Xcode 27.1 Beta Release Notes
Résumé indisponible pour cet article.
Les meilleurs longs formats de Hacker News, relus plus calmement.
Résumé indisponible pour cet article.
Paola Nogales-Ascarrunz, biologiste et exploratrice National Geographic, a découvert un petit félin inhabituel recueilli dans un refuge en Bolivie. Des analyses génomiques réalisées avec des collègues ont montré qu'il s'agit d'une espèce nouvelle proposée sous le nom de Leopardus tilcayo, connue des populations locales dans l'écorégion des Yungas boliviennes. L'étude établit que L. tilcayo s'est séparé des autres félins tigrés il y a environ 1,4 million d'années, constitue la première description d'un nouveau félin depuis plus d'un siècle et révèle un complexe d'espèces dans le genre Leopardus. Les résultats indiquent que la génomique complète met au jour des variations cachées qui suggèrent également que d'autres petites espèces, comme le margay, pourraient être multiples, et que ces méthodes pourraient révéler d'autres espèces de petits félins dans le monde. La reconnaissance de nouvelles espèces a d'importantes conséquences pour la conservation en réduisant les aires de répartition estimées et en augmentant l'urgence des efforts de protection, d'autant que l'écologie et la taille de la population de L. tilcayo restent largement inconnues.
L'article décrit les nombreux défis d'implémenter un serveur LSP Rust, en particulier la nécessité d'être utile rapidement sans bloquer l'éditeur lors de l'indexation. Il explique les mécanismes essentiels : virtual file system, générations de source, séparation des requêtes mutantes et de lecture, annulation des requêtes en vol et outils LSP comme workspace/refresh. L'indexation est présentée en couches (parsing, item tree, defmaps, résolution de macros, index d'items et analyse des bodies) et varie selon l'approche choisie entre incrémentalité paresseuse (rust-analyzer/salsa) et indexation ambitieuse et persistante (Rust Glancer). L'auteur aborde aussi des problèmes pratiques comme la découverte de workspaces multiples, la gestion des encodages et fins de ligne, la dépendance aux métadonnées (Cargo.toml, édition) et la nécessité d'analyser du code incomplet pour deviner l'intention de l'utilisateur. En conclusion, construire un LSP demande de multiples compromis d'architecture et d'expérience utilisateur car il s'agit surtout de fournir des réponses utiles à partir d'informations partielles et changeantes.
Cloudflare a découvert qu'un composant interne, Pingora Backend Router utilisant la bibliothèque pingora-ketama, consommait beaucoup trop de mémoire à cause du grand nombre d'anneaux et de hachages stockés en mémoire. L'article explique le fonctionnement du hachage cohérent et comment multiplier les points de hachage par serveur (et utiliser l'algorithme ketama pour pondérer selon la capacité) réduit la variance de charge mais augmente fortement l'utilisation mémoire. Pour réduire la mémoire, l'équipe a compacté la représentation en remplaçant l'index 32 bits par 16 bits et en stockant les données comme un tableau d'octets, ce qui a réduit l'empreinte des points d'environ 25 %. En combinant une analyse mathématique montrant des rendements décroissants et l'impact des collisions sur des hachages 32 bits, ils ont diminué le nombre de hachages par serveur d'environ 90 % sans perte significative de qualité. La migration a été faite progressivement en conservant simultanément l'ancien et le nouveau ring, en limitant le déploiement par datacenter et en surveillant des métriques clés, ce qui a permis de récupérer plus de 100 To de RAM et de publier les améliorations dans pingora-ketama.
Résumé indisponible pour cet article.
Une commande transforme le serveur local en une URL publique et chiffrée sur l'edge Cloudflare sans compte, DNS ni ports entrants ouverts. Le client établit uniquement une connexion sortante vers l'edge Cloudflare et le trafic revient vers la machine via le réseau Cloudflare, chiffré et filtré contre les DDoS. Le tunnel s'installe en quelques secondes sans inscription ni fichier de configuration, fournit automatiquement HTTPS et dessert plus de 335 villes pour réduire la latence. Conçu pour les agents de développement, il émet une sortie JSON structurée sur stdout (hostname, edge, état), supporte les webhooks et est éphémère à la fin du processus. Pour l'utiliser il suffit d'exécuter l'application locale, lancer cloudflared tunnel --url http://localhost:8000 et partager l'URL générée.
Le 25 août, OpenAI a présenté son premier accélérateur matériel d'IA offrant jusqu'à 13,4 pétaflops en calcul 4 bits, 232 Go de mémoire et une bande passante de 15,4 To/s, avec des tests montrant jusqu'à 3,6× de réduction de latence par rapport au GB300 de Nvidia tout en consommant moins d'énergie. Le processus de conception a été fortement accéléré par des grands modèles de langage qui ont permis de passer du premier concept d'architecture au silicium en moins de 20 mois, et de l'RTL au tape-out en neuf mois. L'équipe de conception a compté en moyenne moins de 100 personnes et a partagé le travail avec Broadcom, qui a pris en charge la réalisation physique et la fabrication. OpenAI a exploité des outils de synthèse de haut niveau et des modèles internes pour automatiser le front-end et optimiser les logiciels, permettant d'améliorer des benchmarks de 0,31 % à 88,94 % de l'optimum théorique en environ 40 heures. L'IA a apporté des gains mesurables en optimisation physique et le groupe prévoit d'intégrer davantage d'outils basés sur les modèles de langage pour les générations suivantes, tout en affirmant que la conception ne sera pas entièrement automatisée.
L'auteur soutient que le logiciel, en particulier open source, est la façon principale d'encoder et de partager des modèles prédictifs en science computationnelle. Il explique que la science exige des hypothèses testables et systématiques et que sans accès au code les lecteurs ne peuvent pas intégrer ni tester les idées. La reproductibilité implique non seulement de reproduire des résultats mais de pouvoir exécuter, modifier et bâtir sur des modèles informatiques, faute de quoi les conclusions restent inutiles. L'open source facilite la fiabilité et la modifiabilité nécessaires à l'amélioration collective des modèles, malgré des limites comme la sécurité ou la propriété intellectuelle. Pour avancer il propose de partager et documenter le code, utiliser des environnements reproductibles (par exemple NixOS), réutiliser des outils existants et valoriser les contributions logicielles dans les carrières académiques.
Résumé indisponible pour cet article.
Ce projet pilote un Mac vers un objectif saisi en anglais sans envoyer de captures d'écran aux grands modèles, en s'appuyant sur un classifieur de décisions rapide et un petit modèle d'écriture uniquement pour le texte libre. Par rapport aux modèles de frontier, la boucle décisionnelle est des centaines de fois moins chère par décision et plusieurs dizaines de fois plus réactive, réduisant le coût d'une tâche en plusieurs étapes d'environ 130x à 300x. Chaque étape capture la fenêtre active, exécute de l'OCR, parcourt l'arbre d'accessibilité pour trouver des contrôles, fusionne ces sources en items, puis envoie une requête TypeSafe qui renvoie un choix d'action suivi d'une exécution déterministe. Le modèle d'écriture n'intervient que pour remplir des champs de texte, valider des URL proposées et produire la réponse finale, tandis que les mots de passe ne sont jamais saisis automatiquement. L'installation exige macOS 14+, clés API et permissions d'écran/accessibilité, et le système crée un dossier de run avec captures et logs pour replay, mais il reste limité par une couverture inégale de l'arbre d'accessibilité, l'incapacité à lire les éléments non textuels et la capture d'un seul écran.