daylight saving time
PulseAugur coverage of daylight saving time — every cluster mentioning daylight saving time across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
Claude Code 帮助开发者修复时间跟踪应用中的 19 个时区错误
一位开发者使用 Anthropic 的 Claude Code (v2.x) 来识别并修复其时间跟踪应用程序中的 19 个时区相关错误。该过程包括创建一个模拟各种时区和夏令时转换的测试套件，确保 Claude Code 在实施修复之前，首先通过失败的测试证明每个错误。这种方法可以防止 AI 在解决现有问题的同时引入新问题，最终使应用程序在不同时区更加准确。
-
互联网标准：DNS、DST 和信鸽协议
此集群汇集了四篇关于互联网标准和协议的新闻报道。主题包括域名系统 (DNS)、夏令时 (DST) 以及非传统的“通过信鸽传输的互联网”协议 (RFC1149)。这些被归类为“标准/联盟”系列的一部分。
-
LLM 在夏令时转换方面遇到困难，新测试显示
对 46 个大型语言模型的审查显示，在处理夏令时 (DST) 转换时存在一个持续的错误。具体来说，91% 的不正确的截止日期计算源于应用上周的偏移量，即使模型正确说明了 DST 规则。这个错误似乎在新模型迭代中得到了解决。
-
永久夏令时引发研究人员健康担忧
美国一些人正在推动永久夏令时（pDST），但加拿大研究人员警告其可能带来负面的公共健康后果。他们的研究表明，pDST相关的早晨更黑暗可能会对睡眠模式、学习能力和整体生产力产生负面影响。
-
特朗普因夏令时争执分享参议员Tom Cotton的号码
美国前总统Donald Trump在关于夏令时的争执中公开分享了参议员Tom Cotton的电话号码。Cotton反对《阳光保护法案》，而Trump支持该法案，旨在使夏令时永久化。Trump认为大多数美国人更喜欢下午有更多的阳光，而Cotton则认为永久改变会导致冬季更黑暗。
-
2026年夏令时在不同地区于不同日期结束
2026年，夏令时将在包括美国、加拿大、英国和欧洲在内的不同地区于不同日期结束。具体的结束日期因地点而异，这将影响时钟拨回的时间。
-
Wispr Flow 融资 2.8 亿美元，估值 20 亿美元；Higgsfield 融资 4 亿美元
语音转录产品、Menlo Ventures 投资组合公司 Wispr Flow 在由 Menlo Ventures 领投的一轮融资中获得 2.8 亿美元，公司估值达到 20 亿美元。该公司经历了显著增长，收入同比增长约 40 倍，迄今已处理超过 600 亿词。在另一项独立进展中，AI 视频生成公司 Higgsfield 在 DST 领投的一轮融资中筹集了 4 亿美元，估值达到 54 亿美元，并显著提高了其年收入运行率。
-
美国众议院通过使夏令时永久化的法案
美国众议院已通过《阳光保护法案》，该法案将使夏令时在全国范围内永久生效。这一立法举措凸显了公众对与计时和日光相关的科学概念理解的巨大差距。许多人误解夏令时是人为设定的，时钟调整不会改变地球的自然倾斜、轨道或自转周期，而这些才是决定日照时长的实际因素。
-
国会考虑永久夏令时，呼应1974年辩论
美国国会正在考虑立法使夏令时永久化，由于对每年两次的时钟调整普遍不满，这一举措获得了关注。虽然众议院已通过一项支持该法案的法案，但1974年的历史先例表明，由于冬季早晨天色较暗，公众可能会反对，特别是对学童而言。尽管得到了医学和睡眠科学组织的支持，但对适应时区和对早晨光照影响的担忧依然存在。
-
美国众议院推进使夏令时永久化的法案
美国众议院已推进《阳光保护法案》，使夏令时永久化更近一步。该法案以308票对117票获得通过，将全年将时钟拨快一小时。
-
美国众议院通过使夏令时永久化的法案 · 追踪4个来源
美国众议院已通过一项使夏令时全国永久化的法案，并将该立法提交参议院审议。支持者认为这一改变将在活动时间内提供更多日光，使企业和家庭受益，而反对者则对干扰表示担忧。该法案被称为《阳光保护法案》，旨在消除每年两次的时钟调整。
-
美国众议院委员会推进使夏令时永久化的法案
美国众议院能源和商务委员会已推进一项使夏令时永久化的法案。这项被称为“阳光保护法案”的立法以多数票通过。支持者认为，永久夏令时将通过消除调整时钟的需要，每年节省数亿美元。
-
新的自监督AI方法提高了视频摘要的效率和性能
研究人员开发了TRIMMER，一种用于视频摘要的新型自监督强化学习框架，旨在克服现有方法的局限性。TRIMMER通过自监督学习表示，然后使用具有信息论奖励的强化学习来做出时空决策。这种方法避免了昂贵的手动标注和复杂的架构，在无监督方法中取得了最先进的性能，并与有监督方法相媲美。