How to run a city builder on 16 MHz
Résumé indisponible pour cet article.
Lire vite.
Garder l'essentiel.
Les meilleurs longs formats de Hacker News, relus plus calmement.
OBS Studio 33
La publication inclut une archive des sources ainsi que des packages pour Ubuntu (fichier .deb et ddeb de symboles de débogage). Pour Windows sont proposés un installateur 64 bits, des archives x64 et arm64, ainsi que des fichiers PDB contenant les symboles de débogage. Pour macOS sont disponibles des images disque pour architectures Intel et Apple Silicon et des archives de dSYMs pour le débogage. Chaque fichier listé est accompagné d'un hachage de contrôle hexadécimal permettant de vérifier l'intégrité des téléchargements. Les noms de fichiers et les sommes fournies facilitent l'installation, le débogage et la vérification de l'intégrité sur les différentes plateformes prises en charge.
Dream-1
Dream Labs annonce Dream-1, un modèle d'action mondiale pour la manipulation disponible via une API publique et soutenu par 90 millions de dollars de financement initial. Le modèle contrôle hors entraînement des robots bimanus à pinces parallèles et exécute des tâches inédites en zéro-shot en s'appuyant sur des prédictions vidéo et des commandes d'effecteurs finaux. L'approche vise à rompre le cercle vicieux des données en combinant du matériel robotique de plus en plus abordable et des modèles généralisables pour rendre les nouveaux robots utiles dès leur déploiement. Lorsqu'une adaptation est nécessaire, un service de fine-tuning (FaaS) permet d'améliorer les performances avec quelques minutes à quelques dizaines de minutes de données propres à l'embodiment. Des évaluations indépendantes montrent des performances et des coûts compétitifs, mais le système reste limité aux manipulateurs bimanus à pinces parallèles et dépend de la qualité de l'IK et des capteurs.
Around a dozen banking apps began specifically permitting GrapheneOS
Résumé indisponible pour cet article.
Tiling Noise – Procedural GPU Patterns
Le tutoriel montre comment appliquer du bruit de valeur sur un tore en adaptant le shader et en réglant le déplacement des sommets pour éviter un épaississement excessif. Les fréquences et la bumpiness sont passées à des vec2 et sample_value_noise() est ajustée pour gérer ces composantes afin d'obtenir un contrôle fin du motif. Pour éliminer les coutures UV, on introduit lattice01() qui réécrit les coordonnées nodales pour tuiler le motif dans la zone UV 0–1 en prenant en charge la plage utile de −1 à 2, avec l'obligation d'utiliser des fréquences entières et des fréquences paires pour l'animation. Un paramètre permet d'activer ou désactiver le tiling, et l'animation par glissement est ajoutée en limitant le décalage à sa partie fractionnaire pour conserver le tileage. Les tests incluent le rendu sur un tore à maillage plus dense pour lisser le résultat et le tutoriel indique que le suivant portera sur le bruit "Curled Noise".
Cecilia Berdichevsky, Clementina expert (1961)
Résumé indisponible pour cet article.
Making My Blog Readable by AI Agents
L'auteur a mis à jour un blog statique servi par nginx pour mieux desservir les agents IA en publiant des copies en markdown de chaque article accessibles via des URL .md ou par négociation de contenu selon l'en-tête Accept. Le serveur envoie Vary: Accept, utilise un en-tête Link canonique et X-Robots-Tag: noindex pour les réponses .md, et une configuration nginx map/rewrite redirige les clients demandant text/markdown vers les fichiers .md. Le site ajoute llms.txt, llms-full.txt et index.md et inclut des en-têtes Link vers llms.txt afin de fournir aux agents des résumés, des consignes de citation et un fichier contenant l'intégralité des articles. Le robots.txt autorise explicitement les principaux crawlers et contient un Content-Signal indiquant l'autorisation pour recherche et entraînement IA, et les flux ont été améliorés avec des alternatives markdown et un JSON Feed référencant les fichiers markdown. D'autres améliorations comprennent des méta-descriptions correctes, des balises Open Graph et Twitter avec images d'aperçu dédiées, des données structurées JSON-LD, la correction du viewport et un script IndexNow pour prévenir Bing lors de nouvelles publications.
No signs of AI payoff outside the tech sector
Cette présentation ne doit pas être distribuée, transmise ou communiquée en tout ou partie sans le consentement exprès d'Apollo Global Management, Inc. Apollo ne donne aucune garantie quant à l'exactitude, la pertinence ou l'exhaustivité des informations présentées, y compris celles provenant de tiers, et les opinions, estimations et projections correspondent au jugement du présentateur à la date indiquée. Les informations peuvent évoluer sans préavis, Apollo n'ayant pas l'obligation de mettre à jour la présentation, et rien ne garantit que les tendances évoquées se poursuivront. Les éléments présentés ne doivent pas être considérés comme des conseils comptables, juridiques, fiscaux ou comme une recommandation d'investissement, et ne constituent ni une offre ni une sollicitation d'achat ou de vente de produits ou de services gérés par Apollo. Certaines déclarations sont prospectives et comportent des risques et incertitudes pouvant entraîner des écarts importants par rapport aux attentes, de sorte qu'il ne faut pas s'y fier indûment.
Symbolic Learning in Python and Julia
PySR est un outil open-source de régression symbolique conçu pour trouver des expressions analytiques interprétables et s'appuie sur la bibliothèque Julia SymbolicRegression.jl comme moteur de recherche. L'installation se fait via pip ou conda avec les dépendances Julia installées au premier import, et des options Docker ou Apptainer sont fournies pour les environnements sans accès root. Le Quickstart illustre la génération de données, la configuration d'un PySRRegressor, le lancement d'un processus Julia multithread et la consultation, sélection et export des équations apprises. De nombreuses options avancées sont disponibles, telles que la définition d'opérateurs personnalisés, les contraintes et complexités, la configuration des populations, l'arrêt anticipé, la sauvegarde d'état, et les mappages vers SymPy, JAX ou PyTorch. Le projet demande de citer l'article arXiv:2305.01582, invite les utilisateurs à soumettre des PR pour présenter des projets complétés et liste de nombreux contributeurs avec un guide pour débuter.
TornadoVM 7 Enables GPU-Native Workloads from Java Applications
La version 7.3 de TornadoVM, framework open source pour l'accélération hétérogène en Java, apporte des changements architecturaux majeurs et vise les charges cloud et machine learning. Le projet fonctionne en complément des JVM existantes (OpenJDK, GraalVM, Temurin, Zulu), offloade du code Java vers CPU multicœur et GPU, gère la mémoire entre le tas Java et les accélérateurs, et compile vers OpenCL et Apple Metal pour un flux "Write Once, Run Anywhere". La nouvelle architecture remplace JNI par l'API Foreign Function & Memory, supprime la dépendance expérimentale JVMCI et utilise une couche uniforme basée sur reflection + ASM + Unsafe pour supporter plusieurs JDKs. Le backend CUDA optimisé ajoute le support du modèle cuTile via TileContext, permet d'appeler cuBLAS et CUTLASS depuis les TaskGraphs, apporte la prise en charge multi‑GPU et une intégration similaire pour la bibliothèque MXL d'Apple. La sortie inclut aussi jitLLM v2.0, un moteur d'inférence IA Java packagé en un seul JAR, et l'ensemble du projet est commercialisé via la spin‑off Beestream.ai avec intégrations pour des écosystèmes comme Flink, Quarkus et Spring AI.