开发者 Eric Zhang 近期发布了 jax-js,这是一个为 Web 平台量身定制的纯 JavaScript 机器学习框架。它的核心愿景是将 Google DeepMind 的 JAX 框架能力带入浏览器,让前端环境也能拥有高性能的数值计算和自动微分能力。| blog | Github | #机器学习 #框架

长期以来,JavaScript 在重度数值计算领域一直处于劣势,原因在于其 JIT 引擎并非为紧密的数值循环而设计,甚至缺乏原生的快速整数类型。然而,WebAssembly 和 WebGPU 的成熟改变了游戏规则。jax-js 通过生成高效的 Wasm 和 WebGPU 内核,让程序能够以接近原生的速度在浏览器中运行,彻底绕过了 JavaScript 解释器的性能瓶颈。

在编程模型上,jax-js 高度还原了 JAX 的设计哲学。它支持程序追踪与 JIT 编译,可以将开发者编写的 JS 代码即时转化为 GPU 着色器指令。虽然由于 JavaScript 语言限制,它无法像 Python 那样支持运算符重载,必须使用类似 .mul() 的方法调用,但其 API 与 NumPy 和 JAX 几乎完全一致。为了解决 JS 缺乏引用计数析构函数的问题,它还借鉴了 Rust 的所有权语义,通过 .ref 系统精细管理内存。

功能方面,jax-js 完整保留了 JAX 的精髓,包括自动微分 grad、向量化变换 vmap 以及内核融合 jit。开发者展示了一个令人印象深刻的案例:在浏览器中从零开始训练 MNIST 神经网络,仅需数秒即可达到 99% 以上的准确率。更具实践意义的是,它能实时处理 18 万字的文学巨著,通过 CLIP 嵌入模型实现毫秒级的语义搜索。

性能表现上,jax-js 在 M4 Pro 芯片上的矩阵乘法算力超过了 3 TFLOPs。在特定基准测试中,其性能甚至优于 TensorFlow.js 和 ONNX 等成熟框架。这主要归功于其编译器架构,它能够根据输入形状自动优化并生成内核,而非仅仅依赖预构建的静态库。

从技术深度来看,jax-js 将框架分为负责自动微分和追踪的前端,以及负责执行内核的后端。其自动微分实现参考了 Tinygrad 的简洁设计,通过数学上的对偶变换,让开发者在实现一阶导数规则后,能够自然地获得任意高阶导数。这种架构不仅优雅,也为未来的内核融合与优化提供了极高的灵活性。

目前 jax-js 已在 GitHub 开源。尽管在卷积运算优化和 WebAssembly 多线程支持等方面仍有提升空间,但它已经证明了在浏览器中构建完整机器学习生态的可行性。对于希望在不依赖后端的情况下实现实时交互式 AI 应用的开发者来说,这无疑开启了一个新的可能。
如果你想在自己的电脑或手机上搞一个速度快、不联网、不花钱的 AI 模型,那可以去试下 Nexa SDK 这个开源项目。

它可以说是目前市面上集成度最高、工具链最完整的开源方案之一。
靠着自研的模型压缩技术,即便完全断网,它也能在几毫秒内搜遍本地几千张相片。

处理上万份敏感文档也不在话下,数据始终留在本地,安全性与隐私性远超云端模型 API。

无缝兼容 OpenAI API 接口,方便我们直接集成到现有的开发工作流当中。

另外,它还提供开箱即用的命令行工具,一行代码就能完成模型的下载与运行,上手特别简单。
科研与英文学术论文写作指南 | #指南 #论文

作者:于静 中科院信息工程研究所,副研究员
本系列报告面向刚刚开始从事科学研究或者将要从事科学研究的研究生和本科生,介绍科学研究的基本信息(意义、目标、大体流程、一些小建议等),重点以一些具体论文实例介绍学术论文写作规范和科学方法,旨在帮助学生形成科学、系统、规范的科研和写作思维与方法。

本系列报告包括以下几方面内容:
(1)首先介绍学术研究与学术论文写作的关系,引出刚刚开始从事科学研究的低年级研究生和高年级本科生在英文学术论文写作中常见的问题及原因;
(2)报告重点以一些具体论文实例介绍高水平英文学术论文的科学思维、写作规范和修改过程,详细剖析一篇高水平论文在标题、摘要、引言、相关工作、研究方法、实验分析、总结与展望、参考文献等各部分的写作思路、相互关系、常见问题及改进方法,分享论文写作和论文修改的关键时间节点和建议;
(3)如何确定论文引言和方法的写作逻辑和内容?报告将详细剖析如何通过画好论文研究动机示意图和模型框架图梳理论文立意、贡献和方法,并通过一些论文从0到1十几个版本画图的修改过程介绍论文逐步完善的写作过程;
(4)如何写出语言规范、简洁、严谨的英文学术论文?报告将介绍基本的写作规范,并通过实例分析常见问题;
(5)如何在日常研究中循序渐进积累、把握科研节奏、从容面对 deadline?报告重点围绕如何找论文、讲论文、梳理论文介绍5List的积累方法和有效工具,包括 Paper List、Idea List、Math List、English List、Code List。
从零开始构建智能体》从基础理论到实际应用,全面掌握智能体系统的设计与实现

Hello-Agents 是 Datawhale 社区的系统性智能体学习教程。如今 Agent 构建主要分为两派,一派是 Dify,Coze,n8n 这类软件工程类 Agent,其本质是流程驱动的软件开发,LLM 作为数据处理的后端;另一派则是 AI 原生的 Agent,即真正以 AI 驱动的 Agent。

本教程旨在带领大家深入理解并构建后者——真正的 AI Native Agent。教程将带领你穿透框架表象,从智能体的核心原理出发,深入其核心架构,理解其经典范式,并最终亲手构建起属于自己的多智能体应用。我们相信,最好的学习方式就是动手实践。希望这本教程能成为你探索智能体世界的起点,能够从一名大语言模型的"使用者",蜕变为一名智能体系统的"构建者"。

你将收获什么?
📖 Datawhale 开源免费 完全免费学习本项目所有内容,与社区共同成长
🔍 理解核心原理 深入理解智能体的概念、历史与经典范式
🏗 亲手实现 掌握热门低代码平台和智能体代码框架的使用
🛠 自研框架HelloAgents 基于 Openai 原生 API 从零构建一个自己的智能体框架
⚙️ 掌握高级技能 一步步实现上下文工程、Memory、协议、评估等系统性技术
🤝 模型训练 掌握 Agentic RL,从 SFT 到 GRPO 的全流程实战训练 LLM
🚀 驱动真实案例 实战开发智能旅行助手、赛博小镇等综合项目
📖 求职面试 学习智能体求职相关面试问题
Back to Top