Scheme
PulseAugur coverage of Scheme — every cluster mentioning Scheme across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Python程序员难以适应函数式语言语法,AI工具或加剧此问题
年轻的IT程序员习惯了Python的语法,发现Agda、Haskell和LISP系列语言在语法上具有挑战性。这种偏好可能会限制他们接触不同编程范式的机会,而他们对AI代码生成器的依赖可能会进一步缩小他们的语言和技术发展范围。
-
Lisp 程序员寻求类型系统,考虑 Common Lisp
一位 Lisp 程序员正在探索该语言的不同方言,发现自己被 Clojure 和 Scheme 等函数式风格所吸引。然而,他们表示希望拥有更强大的类型系统,这在 Haskell 或 Idris 等语言中更为普遍。另一位用户建议,Common Lisp 的实现,特别是 SBCL,提供了强大的类型推断和编译器警告,可以满足对类型安全的需求。
-
用户幽默地要求 Claude 将 Deno 移植到 Scheme 并反编译 GTA6
一位 Mastodon 用户发布了一个幽默且无厘头的提示,对象是 Claude,建议它将 Deno 移植到 Scheme,并从游戏视频中反编译 GTA6。该帖子还包含了一个关于 AI 存在的自嘲评论,以及关于 token 使用的警告。
-
新的神经符号框架提高了 AI 学习效率和弱监督能力 · 已追踪 2 个来源
研究人员开发了一种原生可微分虚拟机 (NDVM),它通过区分可执行程序而无需将每个程序编译成单独的图来高效处理神经符号学习。这种方法将符号结构与可微分的数值状态分离开来,从而实现更快的参数校准和改进的程序与参数联合搜索。另外,另一篇论文探讨了一种用于弱监督的神经符号框架,它集成了归纳逻辑编程来构建多实例部分标签学习,并提高可靠性和语义清晰度。
-
新编译器支持 Scheme 程序的微分解释
研究人员开发了一种新颖的编译器,可将 Scheme 编程语言的子集转换为可微分计算图。该系统支持可微分元循环解释(DMCI),允许计算由编译后的 Scheme 解释器执行的程序中嵌入的连续常数的梯度。该方法允许新程序在不重新编译的情况下继承可微分性,支持闭包和递归等功能。DMCI 已被证明在共同搜索程序和参数方面非常有效,可用于电池容量衰减预测和高维逆问题求解等任务,将符号回归扩展到可执行、有状态的程序。
-
开发者为 WebAssembly 构建了 Scheme Lisp 编译器
一位开发者创建了一种 Lisp 方言,特别是 Scheme,它可以编译为 WebAssembly 并在网页浏览器中运行。该项目大约耗时一周的开发,旨在提供一个可通过网页界面访问的功能性 Lisp 环境。
-
Lisp、Scheme 项目揭示对 AI 代码贡献的混合立场
最近对 Lisp 和 Scheme 编程项目的调查显示,在 AI 生成代码的使用方面存在各种立场。截至 2026 年 5 月,许多项目已制定了政策,其中一些严格禁止 LLM 贡献,另一些则犹豫地接受它们。少数项目仍在等待官方政策,或采取细微的方法,例如允许核心开发人员使用 LLM,但不允许外部贡献。
-
Neural Compiler 将程序翻译为可微分的 PyTorch 模块
研究人员开发了“The Neural Compiler”,一个将符号程序转换为可微分 PyTorch 模块的系统,用于科学机器学习。这种方法可以精确地将已知的物理知识编码到混合模型中,而学习到的组件则处理未知方面。该编译器在恢复物理常数和处理复杂方程链方面表现出高精度和可组合性,显著优于标准的物理信息神经网络 (PINNs)。