Kde
PulseAugur coverage of Kde — every cluster mentioning Kde across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
Tuxedo OS 放弃 Ubuntu 转而使用 Debian 测试分支
Tuxedo OS 正在从其 Ubuntu 基础迁移到 Debian 测试分支。此举是出于在 LTS 版本中维护浏览器和图形驱动程序等组件滚动更新所面临的挑战。该操作系统开发人员还提到，在移植较新依赖项方面存在困难，以及像 Qt 这样的核心库存在问题，这可能导致基于 Ubuntu 的软件出现故障。Canonical 的战略方向也被提及是导致此决定的一个因素。
-
新的几何感知KDE模型增强了多类别量化
研究人员开发了一种新颖的几何感知KDE模型，用于多类别量化，利用Aitchison几何和对数比表示。该方法解决了现有方法忽略概率单纯形几何特性的局限性。所提出的方法结合了收缩正则化以提高鲁棒性，并为类别流行度提供了点估计和贝叶斯推断程序。跨不同领域的实验表明，它与最先进的量化器具有竞争力，并优于标准的基于KDE的基线。
-
digiKam集成本地LLM以实现自然语言照片搜索
一个Google Summer of Code项目正在将本地大型语言模型（LLM）集成到digiKam照片管理软件中，以实现自然语言搜索。该LLM将充当翻译器，将用户查询转换为digiKam现有的结构化搜索格式，而不是直接搜索照片数据库。这种方法确保AI的输出始终可验证，并符合digiKam既定的搜索功能，提供了安全保障。
-
DiScoFormer: One Transformer Estimates Density and Score
研究人员推出了一种新颖的基于Transformer的模型DiScoFormer，该模型能够单次通过估计分布的密度和得分。这种方法解决了现有方法在不同分布上需要重新训练或难以处理高维数据的局限性。DiScoFormer利用交叉注意力机制和共享骨干网络，并为密度和得分设置了单独的头部，利用两个输出之间的一致性损失进行适应。该模型通过将核密度估计作为特例并将其注意力机制泛化以学习多个尺度来构建。
-
用户因LLM持续不准确而后悔将其用于事实性任务
一位用户对大型语言模型（LLM）表示沮丧，后悔尝试将它们用于需要特定知识的任务。用户发现LLM的输出持续不准确，并举例说明了一个LLM未能正确识别适用于KDE上的Linux的小型企业会计软件，反而推荐了个人理财软件和仅限Windows的选项。用户得出结论，LLM仅对基于语言的任务有用，而寻求其他领域事实信息的用户最好查阅软件存储库和论坛等传统来源。
-
Linux用户因更新问题放弃KDE Neon转投Mint Cinnamon
作者讲述了在使用KDE Neon（一个Linux发行版）时遇到的令人沮丧的经历。在安装了KDE Neon v6.6.5后，他们遇到了默认睡眠模式的问题，随后的一次系统更新导致他们无法登录账户。在彻底重装并第二次尝试更新失败后，作者决定切换到Linux Mint Cinnamon。他们发现Mint Cinnamon是一个更稳定、更实用的选择，优先考虑工作系统而非美观功能。
-
欧盟资助欧洲替代美国科技巨头的方案
欧盟计划资助开发欧洲本土的软件和服务替代方案，以取代由美国主导的同类产品。该举措旨在加强欧洲的数字基础设施，并减少对外国科技巨头的依赖。具体的资助金额和目标行业细节预计将很快公布。
-
AI的兴起阻碍了论坛上人类的回答，导致虚假信息传播
像Mistral这样的AI工具的普及正在对在线社区产生负面影响，减少了人们在Stack Exchange等平台上回答问题的参与度。用户越来越多地转向AI寻求答案，即使AI会产生错误的幻觉信息，正如最近在Ask Ubuntu上Mistral为KDE键盘布局捏造了一个不存在的设置的例子所示。这种转变降低了人类生成知识共享的价值。
-
深度图网络将犯罪热点预测准确率提高至78%
研究人员开发了一个新的框架，使用深度图卷积网络（GCNs）来预测犯罪热点。该方法将犯罪数据建模为图，其中网格单元是节点，邻近性定义边，使其能够捕捉传统方法忽略的复杂空间依赖性。该多层GCN模型在芝加哥犯罪数据集上进行训练，实现了78%的分类准确率，并生成了可解释的热力图，证明了其在预测性警务方面的有效性。