Creator of Scala: Comparing Languages And How AI Will Impact Them

pnpm 12.0

pnpm phiên bản 12.0 đã được phát hành là bản ổn định sau khi viết lại toàn bộ bằng Rust. …

I gave my local LLM Adobe's closed-source converter, and it rebuilt the entire format from the bytes up

Bài viết mô tả việc tác giả cung cấp bộ chuyển đổi đóng nguồn của Adobe cho một mô hình LLM chạy local để xem nó có thể hiểu định dạng file từ dữ liệu thô không. Mô hình được sử dụng là GLM-5.3-Flash, được mô tả là cực kỳ mạnh và có thể chạy trên máy có phần cứng mạnh như GPU cao cấp hoặc nhiều nhân CPU. Sau khi được huấn luyện hoặc đưa vào bộ chuyển đổi, GLM-5.3-Flash đã tái tạo toàn bộ cấu trúc định dạng từ cấp byte, tái dựng được các trường và mối quan hệ mà không cần tài liệu gốc. Kết quả cho thấy LLM có khả năng phân tích ngược định dạng đóng nguồn khi được cung cấp đủ dữ liệu nhị phân và nguồn lực tính toán đủ lớn. Điều này gợi ý rằng với phần cứng đủ beefy và mô hình lớn như GLM-5.3-Flash, các nhà phát triển có thể sử dụng LLM để khám phá hoặc tái tạo các định dạng file độc quyền mà không cần truy cập mã nguồn.

Bài viết này chứng minh khả năng tái tạo định dạng Adobe của mô hình ngôn ngữ lớn GLM-5.3-Flash, mở ra triển vọng ứng dụng AI trong phân tích và xử lý file chuyên sâu.

How the Rust Standard Library Verification Contest Scaled Past Manual Proof Engineering

Cuộc thi verification cho Rust Standard Library do Rust Foundation và AWS khởi xướng tháng 11/2024 đã chứng minh hiệu quả của phương pháp crowdsourced, multi-tool. Sự thành công đến từ việc tận dụng các công cụ khác nhau như Coq, Lean và Isabelle để kiểm chứng từng thành phần riêng biệt. Kết quả là 89 hàm trong Rust Standard Library đã được chứng minh chính xác vượt xa khả năng của manual proof engineering. Bài viết cung cấp insight quý giá về cách tích hợp nhiều công cụ verification vào quy trình phát triển thực tế, giúp lập trình viên hiểu được tiềm năng của verification tự động trong các dự án lớn.

Bài viết này cho thấy cách thức sử dụng đám đông và đa công cụ để kiểm chứng thư viện chuẩn Rust vượt qua giới hạn của kỹ thuật chứng minh thủ công.

How we saved 100 terabytes of memory by optimizing 1.1.1.1’s DNS cache

Cloudflare’s 1.1.1.1 công khai DNS resolver duy trì một bộ nhớ cache lớn để xử lý hàng tỷ …

Announcing rustup 1.29.1

rustup 1.29.1 mang đến bản cập nhật quan trọng cho hệ sinh thái Rust, giúp người dùng quản lý phiên bản toolchain dễ dàng hơn. Phiên bản này khắc phục vấn đề liên quan đến xử lý đường dẫn chứa ký tự đặc biệt trên Windows, cải thiện tính ổn định cho người dùng Windows. Bản cập nhật cũng tối ưu hóa quá trình tải Rust toolchain, giảm thiểu thời gian cài đặt đáng kể so với các phiên bản trước. Đây là một cập nhật đáng chú ý cho bất kỳ lập trình viên Rust nào sử dụng Windows, đặc biệt khi làm việc với các dự án có đường dẫn phức tạp.

Bài viết này giúp bạn cập nhật công cụ Rust quan trọng nhất để phát triển phần mềm an toàn và hiệu quả.

gRPC-Rust Roadmap

Đội ngũ gRPC-Rust vừa hoàn thành bản preview phía client và đang chuẩn bị cho các bước phát triển tiếp theo. Họ cần giải quyết các vấn đề về tính ổn định của API, tích hợp hoàn toàn với mô hình async/await của Rust và nâng cấp lớp mã hoá TLS dựa trên thư viện native-tls. Khi các tính năng này ổn định, nhà phát triển sẽ có thể xây dựng dịch vụ gRPC hoàn toàn bằng Rust mà không cần phụ thuộc vào bản triển khai C++, giảm latency và tối ưu hoá sử dụng bộ nhớ. Dự án cho thấy giá trị của việc phát hành preview sớm để thu thập phản hồi cộng đồng trước khi khóa API, giúp giảm nguy cơ thay đổi phá vỡ sau này. Lộ trình cũng nhấn mạnh tầm quan trọng của việc duy trì sự tương thích ngược với protobuf và cung cấp công cụ codegen tự động qua tonic-build.

Bài này cung cấp lộ trình phát triển tiếp theo của gRPC-Rust giúp lập trình viên nắm định hướng công nghệ và lên kế hoạch phát triển hệ thống hiệu quả.

Fast and Hard Code

LLM đang thay đổi cách lập trình viên chọn ngôn ngữ khi viết code, vì chúng tạo ra đoạn mã nhanh hơn trong các ngôn ngữ bậc cao như Python và JavaScript. Nguyên nhân kỹ thuật là các mô hình đã được huấn luyện chủ yếu trên kho mã nguồn mở dominer bởi những ngôn ngữ này, khiến chúng hiểu và sinh ra cú pháp chính xác hơn so với C++ hoặc Rust. Khi dựa vào LLM, nhóm phát triển có xu hướng ưu tiên các ngôn ngữ mà mô hình hỗ trợ tốt, dù chúng có thể không tối ưu về thời gian thực hiện hoặc mức tiêu thụ bộ nhớ. Hệ quả là các dự án cần hiệu suất cao có thể bị lãng phí thời gian do việc dịch sang ngôn ngữ thấp hơn trở nên khó khăn và tốn lực. Bài học là trước khi quyết định ngôn ngữ, cần cân bằng giữa mức độ hỗ trợ của LLM và yêu cầu về hiệu suất thực tế của sản phẩm.

Bài viết này giúp lập trình viên hiểu cách lựa chọn ngôn ngữ lập hiệu quả khi làm việc với các mô hình ngôn ngữ lớn (LLM).