json.dumps
PulseAugur coverage of json.dumps — every cluster mentioning json.dumps across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
小型 LLM 在 JSON 生成方面遇到困难，输出重复
一个本地运行的小型语言模型 Qwen2.5 3B Instruct，在被要求生成大量 JSON 对象时表现出重复行为。当提示生成大约 40 行或更多合成数据时，模型开始复制先前的输出，难以生成新颖内容，并且经常无法完成请求的 JSON 数组。即使调整了 temperature 和 top-p 等采样参数，该问题仍然存在，并且在英文和日文提示中都观察到。这个问题似乎源于模型为继续重复模式的 token 分配了非常高的概率，使其难以跳出循环。
-
Python JSON 序列化错误导致 1.6% 的 LLM 面试报告无法读取
Preterview 面试练习平台中的一个错误，由于对 NaN 值的处理方式，导致约 1.6% 的用户报告无法读取。Python 的 `json.dumps` 函数默认序列化 `NaN`（非数字）值，这不符合 JSON 标准。JavaScript 的 `JSON.parse` 函数随后无法解析这些报告，导致用户进入无限加载状态。该问题源于一种面试官风格，该风格频繁省略技术问题，导致技术深度评分类别全部为 `NaN` 值，而 `nump…
-
LLM tokenization 成本：Python 的浮点数和时间戳格式效率低下
对 LLM tokenization 成本的分析表明，数值数据，特别是浮点数和时间戳，会消耗不成比例的 token 数量。作者演示了这些值 Python 的默认字符串表示形式，通常包含许多小数位，会导致 tokenization 效率低下。通过实现一个自定义 CSV 处理脚本，该脚本缩短时间戳并将数值数据四舍五入到适当的精度，可以显著减少 token 数量，从而在与 LLM 交互时节省成本。
-
Python 的 json.dumps 默认设置使 LLM 提示令牌数增加 24%
一位 Python 开发者发现，Python 的 `json.dumps` 函数中默认的 `ensure_ascii=True` 设置在用于 LLM 提示时，会显著增加令牌使用量并降低准确性。与 JavaScript 的 `JSON.stringify` 不同，`json.dumps` 在此默认设置下会将非 ASCII 字符转换为十六进制转义序列。这导致 Claude 错误地解释了日本客户姓名，并在一个包含 2000 个工单的数据集上…
-
Prompt 缓存配置错误导致 LLM 成本意外增加
一位开发者由于提示缓存配置错误，遇到了 LLM 成本意外增加的问题。问题源于将动态内容（如时间戳或用户特定数据）放置在缓存控制断点之前。这导致系统为每个请求写入新的缓存条目，而不是从缓存读取，从而导致了 25% 的成本附加费。开发者建议监控 `usage.cache_read_input_tokens` 以确保缓存正常运行，并建议将易变数据放置在最后一个缓存断点之后。
-
研究发现，LLM 数据 JSON 输出成本是 CSV 的 2.6 倍
由于格式化相关的 token 成本，使用 JSON 从大型语言模型输出数据可能比使用 CSV 贵得多。例如，美化打印的 JSON 由于缩进和重复的键名，成本可能比相同数据的 CSV 高 2.6 倍。虽然将键名重命名为更短的别名可以降低成本，但会影响可读性。对于批量数据提取任务，特别是记录较短的情况下，切换到 CSV 或制表符分隔值 (TSV) 可以大大节省 API 调用成本，尽管 JSON 在输出单个对象或当特定工具调用功能需要使用它…
-
开发者发现 MCP 服务器硬编码相对路径存在严重错误
一位开发者在其 MCP 服务器中发现了一个严重的硬编码相对路径错误，导致日志文件位置不可预测。此问题与之前修复的 .env 加载错误类似，意味着 `update_article` 函数的审计日志将在进程的当前工作目录中创建，而不是在存储库内一个一致且可预测的位置。日志根据服务器启动方式的不同而分散，破坏了审计追踪的目的，因为它会静默失败，并且在预期位置找不到任何痕迹。