#开源项目推荐 Cobalt 是一款开源的媒体下载工具，旨在提供简洁、高效且尊重用户隐私的下载体验，支持 YouTube，Instagram，TikTok 等 20+平台。

Cobalt 主要基于 Node.js 开发，使用 Express 作为 Web 框架。项目重度依赖 FFmpeg 进行媒体文件的转换和合并。此外，还使用了 youtube.js 库与 YouTube 的 Innertube API 交互。

### 核心特性

✅ 支持 20+流行平台，包括 YouTube，Instagram，TikTok 等
✅ 无广告、无跟踪器、无侵入性分析
✅ 简洁友好的用户界面
✅ 开放 API，支持自建实例
✅ 支持多种下载选项：视频+音频、仅音频、仅视频
✅ 部分平台支持元数据和丰富的文件命名

#开源项目推荐 Meilisearch 是一个强大的开源搜索引擎，使用 Rust 语言编写，提供闪电般快速的全文搜索功能。核心优势：

1️⃣ 速度至上：无论数据集大小如何，都能在 50 毫秒内返回搜索结果。
2️⃣ 相关性优先：通过智能排序算法，确保最相关的结果总是排在前面。
3️⃣ 开发者友好：提供直观的 API 和丰富的文档，大大降低了集成和使用的门槛。
4️⃣ 高度可定制：灵活的配置选项，允许开发者根据具体需求调整搜索行为。

? GitHub：https://github.com/meilisearch/meilisearch
? 一键部署：https://template.bja.sealos.run/deploy?templateName=meilisearch

更多详情参考文章：https://sealos.io/zh-Hans/blog/how-to-deploy-and-configure-meilisearch-using-docker

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

#开源项目推荐 太强了！推荐一款开源的全能本地 PDF 工具箱！

Stirling-PDF 是一个强大的、基于 Web 的 PDF 操作工具，提供了丰富的 PDF 处理功能，包括拆分、合并、转换、重组、添加图像、旋转、压缩等，涵盖从基础到高级的各种 PDF 操作需求，所有操作都在本地完成，不会向外部发送任何数据。

Stirling-PDF 提供了丰富多样的 PDF 处理功能，可以满足从个人用户到专业人士的各种需求。

? GitHub：https://github.com/Stirling-Tools/Stirling-PDF
? 一键部署：https://bja.sealos.run/?openapp=system-template%3FtemplateName%3Ds-pdf

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

手把手教你手撸 Transformer ✍️****

洞悉 Transformer 架构的奥秘，就像掀开引擎盖，探寻汽车的内在构造。扑面而来的是各种眼花缭乱的零部件：词嵌入、位置编码、前馈网络、注意力加权、Self-Attention、Cross-Attention、多头注意力、层归一化、残差连接、Softmax、线性层、Nx、右移、Query、Key、Value、Masking……纷繁复杂的术语常令人不知所云。

那么，究竟是哪些核心组件驱动着 Transformer(?) 高速运转？

在我看来，? 最关键的秘诀在于：“Attention 加权” 与 “前馈神经网络” 的完美配合。

其他组件犹如锦上添花的强化部件，它们为 Transformer(?) 插上腾飞的翅膀，助其一路高歌猛进，抵达更远的彼岸。当然，这些增强组件也不可或缺，正是有了它们，才打造出了当下风靡一时的 “大” 语言模型。? -> ?

运行流程剖析

[1] 输入准备
↳ 接收上一层网络传递来的特征向量 (共 5 个位置)。

[2]Attention 计算
↳ 将 5 个特征向量一股脑灌入 Query-Key Attention 模块 (QK)，得到一个 Attention 权重矩阵 (A)。这里我先卖个关子，内部细节容我稍后再述。

[3]Attention 加权
↳ 将输入特征与 Attention 权重矩阵相乘，瞬时间加权特征 (Z) 呼之欲出。值得注意的是，此时仍保持着 5 个位置不变。
↳ 这一步本质上是在位置维度 (横向) 上融合了不同位置的特征信息。具体操作是：X1 := X1 + X2，X2 := X2 + X3……以此类推。

[4]FFN 第一层
↳ 将 5 个 Attention 加权特征悉数送入 FFN 的第一层。
↳ 让它们与权重、偏置来个亲密接触，尽情地相乘。
↳ 这步的精妙之处在于，它在特征维度 (纵向) 上串联起了不同特征的信息。
↳ 每个特征的维度由原来的 3 跃升为 4。
↳ 值得一提的是，所有位置共享同一组权重矩阵。这就是术语 “Position-wise” 的奥义所在。
↳ 剖根究底，FFN 其实就是一个多层感知机。

[5]ReLU 激活
↳ 所有负值在 ReLU 的刀光剑影下灰飞烟灭，化为乌有。

[6]FFN 第二层
↳ 5 个特征向量 (d=3) 又杀回了第二层。
↳ 每个特征的维度从 4 降回 3。
↳ 输出结果再次流向下一个 Transformer 块，周而复始，生生不息。
↳ 友情提示：下一个 Transformer 块拥有一套全新的专属参数。

综上所述，Attention 和 FFN 这两大核心组件可谓珠联璧合，在位置维度和特征维度两个方向上，完成了翻天覆地的特征重组和变换。这，就是 Transformer(?) 的运行之道！

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

Telegram

黑科技广播站

这里有各种与科技相关的资源，可以帮助科技爱好者发现优秀的开源项目、每周相关的新闻资讯、以及各种提高工作效率的奇技淫巧等。 博客：https://icloudnative.io 云原生富豪俱乐部： https://t.me/cloudnativer 投稿请联系 @cloud\_native\_yang

IT 行业该如何提高自己的薪资水平？

去年，拥有 3100 订阅者的知名 newsletter "Tech World With Milan Newsletter" 作者对全球 90,000 名软件开发者做了一项 Stack Overflow 调查。在调查结果中，最吸睛的莫过于薪资水平 。那么，我们能从这些数据中得出什么结论？

1️⃣ 整体薪酬全线上涨。开发者的平均薪酬同比增长约 10%，反映出市场对技术人才的强劲需求。以德国为例，几个高薪职位的最新排名如下：

? 工程经理：107,090 美元 (同比增长 11.58%)
? 数据科学家/机器学习专家：87,813 美元 (增长 17.63%)
? 云架构师：85,227 美元 (增长 10.99%)
? 数据工程师：85,672 美元 (增长 11.58%)
? 移动开发工程师：83,530 美元 (增长 24.33%)
? 后端开发工程师：80,317 美元 (增长 14.12%)

2️⃣ 各领域涨幅不一。移动开发 (+24.33%)、后端开发 (+14.12%)、数据科学 (+17.63%) 等领域的薪酬涨幅最为喜人。

3️⃣ 地域差异显著。不同地区的薪酬水平差距明显，发达地区的薪酬普遍更高。从图中可以看出几个显著特点：

? 美国 (尤其是硅谷、纽约等科技中心) 的薪酬水平全球最高，瑞士、以色列紧随其后。
? 西欧各国的薪酬水平也颇具竞争力，但普遍低于美国。
? 亚非拉等新兴市场的平均薪酬虽然不高，但相对当地生活成本来说还算可以。

4️⃣ AI 和机器学习最抢手。与人工智能和机器学习相关的岗位薪酬增长最为亮眼，反映出这些领域正变得越来越重要。

那么，作为开发者，我们该如何给自己加薪呢？或许可以考虑：

? 瞄准高需求赛道：提升数据科学、人工智能、云计算、移动开发等稀缺领域的专业技能。
? 选对地方很重要：可以考虑去美国、西欧等高薪地区发展，或者寻找提供远程工作机会的公司。但要留意，公司通常会参考当地生活成本对薪酬进行调整。

当然，学无止境，唯有不断提升自己，才能收获更多机遇。相信只要坚持自我增值，薪酬提升指日可待！

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

为了应对南非严峻的强奸犯罪问题，医疗技术人员 Sonette Ehlers 在2005年发明了一种名为 Rapex 的防狼装置。它外观酷似女用避孕套，但内部装有尖锐的倒刺。一旦有男性试图强奸佩戴 Rapex 的女性，装置上的倒刺就会紧紧钩住侵犯者的阴茎，不仅令其痛不欲生，可能还会留下 DNA 证据。Rapex 只能通过外科手术取出，这大大提高了警方逮捕和起诉性侵者的可能性。

面对批评者指责 Rapex 是一种 “中世纪的惩罚” 时，Ehlers 直截了当地回应道：“既然强奸本身就是野蛮和落后的犯罪，我们采取相应的防范措施也在情理之中。”

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

这下真爆了！#Sealos 三天支持 1000 个帕鲁私服

?链接：https://my.oschina.net/u/4148359/blog/10992796

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

my.oschina.net

爆了！Sealos 三天支持 1000 个帕鲁私服 - 米开朗基杨的个人空间 - OSCHINA - 中文开源技术交流社区

Sealos 的帕鲁私服模板从第一天发布之后就起了 100 多个私服，第二天直接上到 500 多个，第三天直接上千，还在加速增长中。来讲讲我们只用一个晚上怎么做到上线一个专属可用区的，还有一些帕鲁实践让我对云有的一...

新年新气象，给 #Sealos 换个配色压压惊！

?链接：https://cloud.sealos.io

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

#RSSHub 是一个开源、简单易用、易于扩展的 #RSS 生成器，可以给任何奇奇怪怪的内容生成 RSS 订阅源。不过如果你想使用 #Redis 作为缓存，以及使用 #puppeteer 来自定义路由，部署起来还是比较麻烦的。使用 #Sealos 应用模板可以一键解决这些烦恼，包含了 Redis 缓存和 puppeteer：https://template.cloud.sealos.io/deploy?templateName=rsshub

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

#AI #人工智能 #RAG #大模型 #GPT #ChatGPT

#ReRank 模型是一种在信息检索系统中使用的技术，用于改进搜索结果的相关性和准确性。ReRank（重排）的基本思想是对初步搜索结果进行二次排序，以提高最终结果的质量。这个过程可以分为几个步骤：

1️⃣ 初始搜索：首先，使用基本的搜索算法（如基于关键词的匹配）获取一组初步搜索结果。这个步骤通常关注于快速检索和覆盖广泛的信息。
2️⃣ 特征提取：然后，系统会从每个搜索结果中提取各种特征，如文本相关性、用户点击历史、页面质量指标等。
3️⃣ 重排（ReRank）：接下来，一个更复杂的模型（如机器学习模型）会使用这些特征对初步搜索结果进行重新排序。这个模型通常会试图理解用户的真实意图，并根据这些更细致的特征重新评估每个结果的相关性。
4️⃣ 展示最终结果：最后，经过重排的搜索结果将按照新的排序展示给用户。

#FastGPT 最新版 v4.6.6 已经支持了 ReRank 重排，具体可参考这篇文档：https://doc.fastgpt.in/docs/development/custom-models/reranker/

同时 FastGPT 线上版本（https://fastgpt.in） rerank 模型可以继续免费使用

?关注频道：@cloud_native_share?加入群聊：@cloudnativer?欢迎投稿：@cloud_native_yang?访问主页： icloudnative.io

doc.fastai.site

接入 ReRank 重排模型