Chicago artist creates tourism posters for city's neighborhoods
Résumé indisponible pour cet article.
Lire vite.
Garder l'essentiel.
Les meilleurs longs formats de Hacker News, relus plus calmement.
OpenTelemetry profiles enters public alpha
Le signal Profiles d'OpenTelemetry est désormais en Alpha publique, visant à standardiser le profilage continu en production aux côtés des traces, métriques et logs. Le format OTLP Profiles propose une représentation unifiée et efficace des données de profilage, compatible avec pprof via un traducteur natif et incluant déduplication des piles, tables de dictionnaire et échantillons horodatés. Un agent eBPF, donné par Elastic et intégré comme récepteur de l'OpenTelemetry Collector, permet un profilage continu système à faible surcharge sur Linux avec support de nombreux runtimes (Go, Node ARM64, BEAM, .NET, améliorations pour Ruby). Les Profiles sont intégrés dans l'écosystème OTel (Collector, récepteur pprof, k8sattributesprocessor, OTTL et modèle de ressource) et Elastic a publié l'outil de développement devfiler pour faciliter tests et expérimentations. La communauté est invitée à tester et à ajouter le support OTLP Profiles, à signaler des problèmes et à contribuer, en gardant à l'esprit que l'Alpha n'est pas recommandée pour des charges critiques et que des travaux sur la symbolisation et la corrélation inter-signaux sont en cours.
We haven't seen the worst of what gambling and prediction markets will do
L'article décrit des cas concrets où le jeu a influencé des événements réels, notamment des lancers truqués par des lanceurs de la MLB, des paris sur une attaque contre l'Iran via Polymarket, et des journalistes soumis à des pressions pour modifier leurs dépêches. Depuis la décision Murphy v. NCAA, les jeux sportifs et les marchés de prédiction ont explosé en quelques années, passant d'environ 5 milliards de dollars misés il y a une décennie à plus de 160 milliards récemment, tandis que des plateformes comme Polymarket et Kalshi génèrent des revenus considérables. L'auteur identifie quatre risques principaux : l'augmentation des problèmes d'addiction et de dettes chez les parieurs, les abus et menaces envers joueurs et journalistes, l'affaiblissement de l'intégrité des compétitions et le risque que les jeux contaminent la politique. Une inquiétude centrale est que des acteurs publics ou privés puissent obtenir des informations privilégiées ou même orienter des décisions pour tirer profit des marchés de paris, ce qui reviendrait à un « lancer truqué » appliqué à la politique. Enfin, le texte souligne des conséquences culturelles et morales possibles, où la finance et le pari deviennent une langue morale dominante qui dissout le sens du fandom, favorise l'individualisme et rend lucratif le malheur collectif.
HyperAgents: Self-referential self-improving agents
Le dépôt fournit un cadre logiciel nommé HyperAgents pour exécuter et évaluer des agents auto-améliorants visant à optimiser des tâches calculables. Les instructions d'installation détaillent la configuration des clés d'API, l'installation de paquets système, la création d'un environnement virtuel Python, l'installation des dépendances et la construction d'un conteneur Docker. Pour lancer les expériences, on utilise des scripts comme generate_loop.py et run_meta_agent.py, avec des paramètres pour choisir les domaines, et les sorties sont enregistrées par défaut dans le répertoire outputs/. La structure du dépôt comprend des modules pour l'utilisation des modèles de base, l'analyse et la visualisation, des domaines d'expérimentation, des utilitaires et des scripts principaux tels que meta_agent.py et task_agent.py. Les journaux expérimentaux sont fournis en archive multipartie avec instructions d'extraction, le projet avertit des risques liés à l'exécution de code généré non fiable et propose une référence bibliographique à citer.
Anthropic Subprocessor Changes
Résumé indisponible pour cet article.
Generators in Lone Lisp
Le langage lone ajoute un type de générateur dédié qui servira de base à l'itération. L'auteur argue que, même si les continuations délimitées sont très puissantes, leur nature multishot et la copie fréquente de piles (memcpy) les rendent mal adaptées aux chemins d'itération performants. La solution retenue consiste à donner aux générateurs leurs propres piles et à en faire des coroutines limitées (semicoroutines) qui connaissent explicitement où rendre le contrôle pour éviter les copies et simplifier la logique. L'implémentation détaille les vérifications à l'appel, l'échange de piles pour démarrer ou reprendre un générateur, l'utilisation d'un délimiteur sur la pile et une étape de retour qui restaure la pile appelante et marque le générateur comme terminé. Le primitif yield localise le délimiteur, sauvegarde la pile du générateur, restaure celle de l'appelant et place la valeur à retourner, fournissant ainsi le mécanisme d'émission de valeurs pour l'itération.
We rewrote JSONata with AI in a day, saved $500k/year
L'équipe de Reco a repris la méthodologie de Cloudflare consistant à pointer une IA sur la suite de tests officielle pour porter une implémentation, et l'a appliquée à leur pipeline JSON. Ils ont utilisé l'IA pour guider un port complet de la spécification JSONata 2.x en Go, aboutissant à gnata en sept heures pour environ 400 USD en tokens et 1 778 tests réussis. gnata adopte une architecture à deux niveaux avec un fast-path qui évalue les chemins simples directement sur les octets JSON sans parsing, et un évaluateur complet qui ne parse que les sous-arbres nécessaires, plus une couche de streaming pour fusionner les scans et évaluer de nombreuses expressions efficacement. Le remplacement des pods jsonata-js par la bibliothèque Go a supprimé la latence et le coût RPC, entraînant environ 300 000 USD/an d'économies, puis une refonte du moteur de règles a permis d'économiser environ 200 000 USD/an supplémentaires pour un total d'environ 500 000 USD/an. Le déploiement en mode shadow a confirmé l'exactitude en production, des agents IA ont aidé à la revue de code, et l'auteur considère gnata comme un exemple de refactorisation chirurgicale rendue possible par l'IA.
$500 GPU outperforms Claude Sonnet on coding benchmarks
Le système obtient 74,6 % de pass@1-v(k=3) sur LiveCodeBench v5 en utilisant un modèle gelé de 14B quantifié et une unique carte grand public (RTX 5060 Ti 16 Go). La performance est atteinte via une infrastructure qui combine génération contrainte (PlanSearch, BudgetForcing, échantillonnage divers), un tri par Geometric Lens et une réparation itérative auto‑vérifiée (PR‑CoT) avec sélection best‑of‑3 et tests auto‑générés. ATLAS fonctionne entièrement en local sans fine‑tuning ni appels API, réduit les coûts à l'électricité (~0,004 $/tâche estimé) et revendique que les données ne quittent pas la machine. L'ablation montre que la Phase 1 apporte +12,4 points (54,9→67,3 %) et la Phase 3 ajoute +7,3 points pour atteindre 74,6 %, tandis que la Phase 2 (C(x) / Lens) n'a pas contribué en raison d'un entraînement insuffisant. Le plan V3.1 prévoit un changement de modèle vers Qwen3.5‑9B pour améliorer le débit, la recalibration et le réentraînement du Lens, la refonte ou suppression de G(x), la parallélisation des tâches et une extension des benchmarks au‑delà de LiveCodeBench.
Whistler: Live eBPF Programming from the Common Lisp REPL
Whistler est un compilateur optimisant implémentant un DSL eBPF en Common Lisp qui produit du bytecode eBPF aussi performant ou meilleur que clang sans passer par la toolchain clang+llvm. Il compile les programmes pendant la macroexpansion et embarque le bytecode comme littéral dans l'expansion, ce qui permet de charger, attacher et gérer des probes depuis le même processus SBCL, parfois sans écrire d'objets sur disque. Le système fournit des abstractions partagées noyau/utilisateur comme whistler:defstruct, l'import des formats de tracepoint et des structures BTF du noyau, et génère automatiquement les accès et la sérialisation pour les deux côtés. Le chargeur est entièrement écrit en Common Lisp (utilisant sb-alien) et inclut analyse ELF, gestion des maps, patching de relocations, chargement de programmes, attachements kprobe/uprobe/XDP et consommation de ring buffers. Whistler permet aussi de générer headers C/Go/Rust/Python pour maintenir la compatibilité multi‑langage, fonctionne sans être root avec les capacités appropriées, et simplifie le cycle de développement en remplaçant le workflow C+outil utilisateur par une boucle REPL en Lisp.
From 0% to 36% on Day 1 of ARC-AGI-3
Le SDK développé par Symbolica obtient un score non vérifié de 36,08 % sur ARC-AGI-3, en réussissant 113 des 182 niveaux jouables et en complétant 7 des 25 jeux disponibles. Cette implémentation dépasse les baselines Chain of Thought (0,2 % pour Opus 4.6 Max et 0,3 % pour GPT‑5.4 High) tout en affichant un coût nettement inférieur (36,08 % pour 1 005 $ contre 0,25 % pour 8 900 $ pour Opus 4.6 selon l'auteur). Le code et les détails d'implémentation sont publiés sur GitHub sous symbolica-ai/ARC-AGI-3-Agents. Une figure compare le compromis score/coût entre plusieurs modèles CoT (Gemini, Grok, GPT‑5.4, Opus) et l'agent présenté, montrant un avantage de l'agent proposé en termes d'efficacité coût/score. Le document signale enfin une incohérence dans la base de référence humaine pour le jeu cn04 entre les données API et le nombre réel de niveaux observés.