基于GPT AI模型的开源项目，可以根据给定的研究问题自动生成学术文献综述，可以从Semantic Scholar API中获取论文，提取相关信息，并将研究结果汇总成简明的文献综述 | AutoResearcher

一个 Chrome 扩展程序，利用 Meta 的 "Segment Anything"，从图像中提取前景目标并将其复制到剪贴板

Magic Copy | #插件

如何自然地演讲 PPT，而不是念 PPT？| 知乎问答 | #经验

彭博社发布了一个专门针对金融领域的大语言模型：BloombergGPT，这是一个 500 亿参数的语言模型，它在广泛的金融数据上进行了训练。

腾讯云的轻量最近放宽了策略。之前实名认证过的，新注册个账号用同一身份认证还算首单 | Link

Visual Studio2022内嵌的GitHub Copilot聊天插件

Blog | #插件

3:03

Media is too big

VIEW IN TELEGRAM

Cheerp 是一种开放源代码的C/C++ 编译器，它允许将几乎任何 C/C++ 代码编译为 WebAssembly 和 JavaScript。

与 Emscripten、Cheerp 等 Web 应用程序的替代 C/C++ 编译器相比，有以下优势：

1.生成更优化（更小）的 WebAssembly 代码，但也可以编译为具有动态内存（垃圾收集输出）、零开销 DOM 操作和对 ​​Web API 的访问以及卓越的 C++-JavaScript 互操作性的 JavaScript 输出。
2.[[cheerp::genericjs]]允许通过（可选地）用和标记部分代码，将单个代码库编译成 WebAssembly 和 JavaScript 的组合[[cheerp::wasm]]。

Cheerp 的主要组件，即Cheerp编译器，可以在Github上找到：cheerp-compiler，而其他存储库在cheerp-musl，cheerp-utils和cheerp-libs

最近该项目发布了3.0这个大版本。同时把许可证从gpl换成了Apache 2.0 / LLVM 许可，对商业使用更加友好。

使用 Ruby 和 Rails 构建 GitHub | bolg

这是GitHub昨天发的一篇技术公告。文中提到，GitHub 目前已超过 200 万行代码，每天有超过 1000 名工程师在协作开发，一天部署 20 次，基本上每周就有一次部署是 Rails 升级。

Meta发布了Segment Anything，一个新的人工智能抠图模型，可以在任何图像/视频中把某个物体图像单独抠出来，只需点几下就可以完成。物件分类很准，但对于镂空的地方的处理不如photoshop

官网 | demo | 源代码 | paper

trurl是一种类似于 tr 的工具，但用于 URL。在这里，“tr”代表翻译或转置。

trurl是一个解析和操作 URL 的命令行工具，旨在帮助各地的 shell 脚本作者。

URL 很难解析，因此软件中存在许多安全问题。trurl希望通过消除脚本和命令行作者到处重复发明轮子的需要来帮助缓解这个问题。

trurl使用libcurl URL 解析器，因此解析和理解 URL 的方式与命令行工具 curl 完全相同——使其成为完美的配套工具。

官网 | repo | #工具

Mochi Diffusion，在 Mac 上原生运行 Stable Diffusion

本应用内置 Apple 的 Core ML Stable Diffusion 框架 以实现在搭载 Apple 芯片的 Mac 上用极低的内存占用发挥出最优性能，并同时兼容搭载 Intel 芯片的 Mac。 ​​​

功能
极致性能和极低内存占用 (使用神经网络引擎时 ~150MB)
在所有搭载 Apple 芯片的 Mac 上充分发挥神经网络引擎的优势
生成图像时无需联网
图像转图像（也被称为 Image2Image）
在图像的 EXIF 信息中存储所有的关键词（在访达的“显示简介”窗口中查看）
使用 RealESRGAN 放大生成的图像
自动保存 & 恢复图像
自定义 Stable Diffusion Core ML 模型
无需担心损坏的模型
使用 macOS 原生框架 SwiftUI 开发

各类web框架的性能基准测试结果 | 传送门

基准和源代码的描述可以在 github存储库中找到。

基准测试在 MacBook Pro 14（32 GB 内存，8/14 核，OSX 13.2.1），Chrome 111.0.5563.64（arm64）上运行，使用了减少跟踪的 puppeteer 基准驱动程序。

使用纯 Java 设计搜索自动完成 | 详文