[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-extropic-ai--thrml":3,"tool-extropic-ai--thrml":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":23,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":101,"github_topics":102,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":106,"updated_at":107,"faqs":108,"releases":136},2385,"extropic-ai\u002Fthrml","thrml","Thermodynamic Hypergraphical Model Library in JAX","thrml 是一个基于 JAX 构建的开源库，专为概率图模型（PGM）的搭建与采样而设计，尤其擅长处理基于能量的模型和高效的块吉布斯采样。它主要解决了在稀疏且异构的复杂图结构上进行大规模离散采样时，传统方法计算效率低、难以并行化的问题。\n\n这款工具非常适合人工智能研究人员、算法工程师以及对硬件协同设计感兴趣的开发者使用。如果你正在探索扩散类模型、伊辛模型，或希望为未来新型概率硬件架构进行原型验证，thrml 将是理想的实验平台。\n\n其核心技术亮点在于内部架构的创新：通过将基于因子的交互编译为紧凑的“全局”状态表示，thrml 最大限度地减少了 Python 循环开销，充分激发了 JAX 在数组层面的并行计算能力，从而在 GPU 上实现极速采样。此外，它支持任意 PyTree 节点状态和异构图模型，提供了灵活的离散能量模型工具集，让用户能够轻松从理论构想过渡到代码实现，高效开展前沿研究。","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"docs\u002F_static\u002Flogo\u002Flogo.svg\" alt=\"THRML Logo\" width=\"150\" style=\"margin-bottom: 10px;\">\n\u003C\u002Fdiv>\n\n\u003Ch1 align='center'>THRML\u003C\u002Fh1>\n\nTHRML is a JAX library for building and sampling probabilistic graphical models, with a focus on efficient block Gibbs sampling and energy-based models. Extropic is developing hardware to make sampling from certain classes of discrete PGMs massively more energy efficient; THRML provides GPU‑accelerated tools for block sampling on sparse, heterogeneous graphs, making it a natural place to prototype today and experiment with future Extropic hardware.\n\nFeatures include:\n\n- Blocked Gibbs sampling for PGMs\n- Arbitrary PyTree node states\n- Support for heterogeneous graphical models\n- Discrete EBM utilities\n- Enables early experimentation with future Extropic hardware\n\nFrom a technical point of view, the internal structure compiles factor-based interactions to a compact \"global\" state representation, minimizing Python loops and maximizing array-level parallelism in JAX.\n\n## Installation\n\nRequires Python 3.10+.\n\n```bash\npip install thrml\n```\n\nor\n\n```bash\nuv pip install thrml\n```\n\n## Documentation\n\nAvailable at [docs.thrml.ai](https:\u002F\u002Fdocs.thrml.ai\u002Fen\u002Flatest\u002F).\n\n\n## Citing THRML\n\nIf you use THRML in your research, please cite us!\n\n```bibtex\n@misc{jelinčič2025efficientprobabilistichardwarearchitecture,\n      title={An efficient probabilistic hardware architecture for diffusion-like models}, \n      author={Andraž Jelinčič and Owen Lockwood and Akhil Garlapati and Guillaume Verdon and Trevor McCourt},\n      year={2025},\n      eprint={2510.23972},\n      archivePrefix={arXiv},\n      primaryClass={cs.LG},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2510.23972}, \n}\n```\n\n## Quick example\n\nSampling a small Ising chain with two-color block Gibbs:\n\n```python\nimport jax\nimport jax.numpy as jnp\nfrom thrml import SpinNode, Block, SamplingSchedule, sample_states\nfrom thrml.models import IsingEBM, IsingSamplingProgram, hinton_init\n\nnodes = [SpinNode() for _ in range(5)]\nedges = [(nodes[i], nodes[i+1]) for i in range(4)]\nbiases = jnp.zeros((5,))\nweights = jnp.ones((4,)) * 0.5\nbeta = jnp.array(1.0)\nmodel = IsingEBM(nodes, edges, biases, weights, beta)\n\nfree_blocks = [Block(nodes[::2]), Block(nodes[1::2])]\nprogram = IsingSamplingProgram(model, free_blocks, clamped_blocks=[])\n\nkey = jax.random.key(0)\nk_init, k_samp = jax.random.split(key, 2)\ninit_state = hinton_init(k_init, model, free_blocks, ())\nschedule = SamplingSchedule(n_warmup=100, n_samples=1000, steps_per_sample=2)\n\nsamples = sample_states(k_samp, program, schedule, init_state, [], [Block(nodes)])\n```\n","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"docs\u002F_static\u002Flogo\u002Flogo.svg\" alt=\"THRML Logo\" width=\"150\" style=\"margin-bottom: 10px;\">\n\u003C\u002Fdiv>\n\n\u003Ch1 align='center'>THRML\u003C\u002Fh1>\n\nTHRML 是一个基于 JAX 的库，用于构建和采样概率图模型，特别专注于高效的块吉布斯采样和基于能量的模型。Extropic 正在开发硬件，以大幅提高从特定类型的离散概率图模型中采样的能效；THRML 提供了针对稀疏、异构图的 GPU 加速块采样工具，使其成为当前进行原型设计以及未来与 Extropic 硬件协同实验的理想平台。\n\n主要特性包括：\n\n- 针对概率图模型的块吉布斯采样\n- 任意 PyTree 节点状态\n- 支持异构图模型\n- 离散 EBM 工具集\n- 便于早期探索未来 Extropic 硬件\n\n从技术角度来看，其内部结构会将基于因子的交互编译为紧凑的“全局”状态表示，从而减少 Python 循环，并在 JAX 中最大化数组级别的并行性。\n\n## 安装\n\n需要 Python 3.10 或更高版本。\n\n```bash\npip install thrml\n```\n\n或者\n\n```bash\nuv pip install thrml\n```\n\n## 文档\n\n文档可在 [docs.thrml.ai](https:\u002F\u002Fdocs.thrml.ai\u002Fen\u002Flatest\u002F) 查阅。\n\n## 引用 THRML\n\n如果您在研究中使用了 THRML，请引用我们！\n\n```bibtex\n@misc{jelinčič2025efficientprobabilistichardwarearchitecture,\n      title={An efficient probabilistic hardware architecture for diffusion-like models}, \n      author={Andraž Jelinčič and Owen Lockwood and Akhil Garlapati and Guillaume Verdon and Trevor McCourt},\n      year={2025},\n      eprint={2510.23972},\n      archivePrefix={arXiv},\n      primaryClass={cs.LG},\n      url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2510.23972}, \n}\n```\n\n## 快速示例\n\n使用双色块吉布斯采样一个小伊辛链：\n\n```python\nimport jax\nimport jax.numpy as jnp\nfrom thrml import SpinNode, Block, SamplingSchedule, sample_states\nfrom thrml.models import IsingEBM, IsingSamplingProgram, hinton_init\n\nnodes = [SpinNode() for _ in range(5)]\nedges = [(nodes[i], nodes[i+1]) for i in range(4)]\nbiases = jnp.zeros((5,))\nweights = jnp.ones((4,)) * 0.5\nbeta = jnp.array(1.0)\nmodel = IsingEBM(nodes, edges, biases, weights, beta)\n\nfree_blocks = [Block(nodes[::2]), Block(nodes[1::2])]\nprogram = IsingSamplingProgram(model, free_blocks, clamped_blocks=[])\n\nkey = jax.random.key(0)\nk_init, k_samp = jax.random.split(key, 2)\ninit_state = hinton_init(k_init, model, free_blocks, ())\nschedule = SamplingSchedule(n_warmup=100, n_samples=1000, steps_per_sample=2)\n\nsamples = sample_states(k_samp, program, schedule, init_state, [], [Block(nodes)])\n```","# THRML 快速上手指南\n\nTHRML 是一个基于 JAX 的库，专为构建和采样概率图模型（PGM）而设计。它专注于高效的块吉布斯采样（Block Gibbs Sampling）和能量模型（EBM），特别适用于稀疏、异构图的 GPU 加速采样，也是探索未来 Extropic 硬件架构的理想原型工具。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n- **Python 版本**：3.10 或更高版本\n- **前置依赖**：需已安装支持 GPU 加速的 JAX 环境（推荐）。若未安装，可先执行 `pip install \"jax[cuda]\"` 或访问 [JAX 官网](https:\u002F\u002Fjax.readthedocs.io) 获取安装指引。\n\n## 安装步骤\n\n您可以使用 `pip` 或 `uv` 进行安装。国内开发者如遇网络问题，建议配置国内镜像源（如清华源、阿里源）以加速下载。\n\n**使用 pip 安装：**\n```bash\npip install thrml\n```\n*（可选）使用国内镜像源加速：*\n```bash\npip install thrml -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**使用 uv 安装：**\n```bash\nuv pip install thrml\n```\n\n## 基本使用\n\n以下示例演示了如何使用 THRML 对一个小型伊辛链（Ising chain）进行双色块吉布斯采样。\n\n```python\nimport jax\nimport jax.numpy as jnp\nfrom thrml import SpinNode, Block, SamplingSchedule, sample_states\nfrom thrml.models import IsingEBM, IsingSamplingProgram, hinton_init\n\n# 定义节点和边\nnodes = [SpinNode() for _ in range(5)]\nedges = [(nodes[i], nodes[i+1]) for i in range(4)]\n\n# 设置模型参数\nbiases = jnp.zeros((5,))\nweights = jnp.ones((4,)) * 0.5\nbeta = jnp.array(1.0)\n\n# 初始化伊辛能量模型\nmodel = IsingEBM(nodes, edges, biases, weights, beta)\n\n# 定义自由块（交替节点分组）\nfree_blocks = [Block(nodes[::2]), Block(nodes[1::2])]\n\n# 创建采样程序\nprogram = IsingSamplingProgram(model, free_blocks, clamped_blocks=[])\n\n# 设置随机种子并初始化状态\nkey = jax.random.key(0)\nk_init, k_samp = jax.random.split(key, 2)\ninit_state = hinton_init(k_init, model, free_blocks, ())\n\n# 配置采样计划：预热 100 步，采集 1000 个样本，每样本 2 步\nschedule = SamplingSchedule(n_warmup=100, n_samples=1000, steps_per_sample=2)\n\n# 执行采样\nsamples = sample_states(k_samp, program, schedule, init_state, [], [Block(nodes)])\n```\n\n更多详细文档请访问：[docs.thrml.ai](https:\u002F\u002Fdocs.thrml.ai\u002Fen\u002Flatest\u002F)","某量子计算初创公司的算法团队正在研发基于离散能量模型（EBM）的分子构象生成器，需要在稀疏且异构的图结构上进行大规模概率采样。\n\n### 没有 thrml 时\n- **采样效率低下**：传统逐点 Gibbs 采样依赖大量 Python 循环，难以利用 GPU 并行加速，导致生成一个分子构象需数分钟。\n- **图结构支持受限**：现有库难以灵活处理具有不同节点状态和复杂连接关系的异构图，强行适配需重写底层逻辑。\n- **硬件原型验证困难**：团队计划未来迁移至 Extropic 专用硬件，但缺乏能在当前 GPU 上模拟“块采样”行为的工具，无法提前验证算法兼容性。\n- **内存与计算冗余**：手动管理因子交互导致状态表示松散，显存占用高且编译优化空间小。\n\n### 使用 thrml 后\n- **极速块采样**：thrml 将因子交互编译为紧凑的全局状态表示，通过 JAX 实现数组级并行，将采样速度提升数十倍。\n- **原生异构支持**：直接定义任意 PyTree 节点状态和分块策略（如奇偶节点分块），轻松构建复杂的异构图模型。\n- **无缝硬件演进**：利用 thrml 的块采样机制可在当前 GPU 上完美模拟未来 Extropic 硬件行为，实现算法的“一次编写，多端运行”。\n- **资源极致优化**：内部结构最小化 Python 开销，显著降低显存占用，使大规模分子筛选成为可能。\n\nthrml 让研究团队得以在现有 GPU 集群上高效原型化面向未来的概率硬件算法，将原本数天的实验周期缩短至数小时。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fextropic-ai_thrml_512a4484.png","extropic-ai","Extropic","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fextropic-ai_29a72f44.png","Extropic Corp.",null,"extropic","extropic.ai","https:\u002F\u002Fgithub.com\u002Fextropic-ai",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,1041,134,"2026-04-02T17:03:45","Apache-2.0","","建议使用支持 JAX 的 GPU 以加速块吉布斯采样，具体型号、显存及 CUDA 版本未说明","未说明",{"notes":96,"python":97,"dependencies":98},"该工具专注于在稀疏异构图上构建和采样概率图模型（PGM）及基于能量的模型（EBM）。内部结构通过将因子交互编译为紧凑的全局状态表示，以最小化 Python 循环并最大化 JAX 的数组级并行性。虽然旨在为未来的 Extropic 硬件提供原型设计，但目前主要作为 GPU 加速工具使用。","3.10+",[99,100],"jax","jax.numpy",[13],[99,103,104,105],"machine-learning","probabilistic-computing","probabilistic-graphical-models","2026-03-27T02:49:30.150509","2026-04-06T05:36:33.574422",[109,114,119,123,128,132],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},10973,"为什么通过调节偏置电压（bias voltage）而不是改变阈值来控制 p-bit 的概率？","对于 p-bit，其波形\u002F状态会在 0 和 1 之间不断翻转。通过调节偏置电压，我们可以即时调整测量到 0 或 1 的概率，而无需等待足够长的时间来抽取另一个样本。虽然 0\u002F1 在物理上是连续的电压值，但调节偏置能更有效地控制采样动态和相关性。相比之下，单纯移动阈值可能无法达到同样的瞬时概率控制效果。","https:\u002F\u002Fgithub.com\u002Fextropic-ai\u002Fthrml\u002Fissues\u002F13",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},10974,"运行 Python 示例代码时出现“循环导入（circular import）”错误怎么办？","这通常是因为你的脚本文件名被命名为 `thrml.py`，导致它遮蔽了实际的 `thrml` 库。Python 解释器会尝试从当前文件导入自身，从而引发循环导入错误。解决方法是将你的脚本文件重命名为其他名称（例如 `main.py` 或 `test_thrml.py`），然后重新运行即可。","https:\u002F\u002Fgithub.com\u002Fextropic-ai\u002Fthrml\u002Fissues\u002F18",{"id":120,"question_zh":121,"answer_zh":122,"source_url":113},10975,"p-bit 和多值输出单元（如 pdit）在物理实现上有什么区别？","区别主要在于如何解读输出电压。对于 p-bit，输出在 0 和 1 之间随机翻转。对于多值输出（如 pdit），实现方式可以不同：一种是将不同的电压值直接对应到不同的类别；另一种（如 xtr0 的做法）是使用 K 个输出电压的独热（one-hot）空间，其中只有其中一个二进制状态被测量为 1。它们可能都使用晶体管，但读取和解释输出信号的电路或逻辑有所不同。",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},10976,"在使用二次惩罚项实施约束（如 one-hot 约束）时，`hinton_init` 初始化失败导致所有自旋初始化为 -1，该如何解决？","当使用较大的偏置（如来自约束惩罚）时，sigmoid 函数会饱和，导致初始化失效。对于这类受约束的问题，通用的 sigmoid 初始化并不适用。最佳实践是构建一个针对该特定哈密顿量（Hamiltonian）的自定义初始化器，而不是依赖默认的 `hinton_init`。","https:\u002F\u002Fgithub.com\u002Fextropic-ai\u002Fthrml\u002Fissues\u002F16",{"id":129,"question_zh":130,"answer_zh":131,"source_url":113},10977,"调节偏置控制概率是否仍然依赖噪声？如果没有噪声系统会怎样？","是的，调节偏置仍然依赖噪声。p-bit 的核心机制是利用热噪声使状态在高低电平间波动。如果没有噪声（即没有方差），无论偏置或阈值如何设置，系统都将变成完全确定性的，失去概率采样的能力。",{"id":133,"question_zh":134,"answer_zh":135,"source_url":118},10978,"如果重命名文件后仍然遇到导入问题，可能是什么原因？","如果重命名文件后问题依旧，可能是虚拟环境（venv）配置有问题。建议尝试在一个全新的环境（如新的 Colab 实例或新建的虚拟环境）中重新安装 `thrml` 并运行代码，以排除本地环境缓存或依赖冲突的影响。",[137],{"id":138,"version":139,"summary_zh":140,"released_at":141},53460,"v0.1.3","`thrml` 的首次公开发布，对应版本 v0.1.3，已上架 PyPI。","2025-10-29T18:05:43"]