Luca Perugini retweeted
Someone on the @tldraw Discord asked whether it would be possible to turn photos of physical whiteboards into digital ones, so they can continue working digitally.
I asked an AI agent to do it with Irakasi inside Codex, and I think it did a pretty good job!
Luca Perugini retweeted
Kiri vs Docker Desktop, Colima and Orbstack
Kiri is the modern container runtime: faster, and lighter on CPU and memory than Docker Desktop, OrbStack and Colima.
runkiri.com
github.com/libracoder/kiri
@runkirihq
很多开发团队为了追求极致精简的 Docker 镜像,习惯把基础镜像一律换成仅有 5MB 的 Alpine Linux,然而这往往是生产环境神秘崩溃噩梦的开端。
代码在本地 Ubuntu 开发机上跑得稳如磐石,一旦打包成 Alpine 容器上线,高并发下服务就会频繁发生无预警的 SIGSEGV 段错误与直接退出。
很多人第一反应是内存泄漏,但真正的元凶是底层 C 运行时库的隐藏硬限制。标准的 Ubuntu/Debian 采用 glibc,通过 pthread_create 创建的每个新线程,默认会慷慨分配 8 MB 的栈空间(Stack Size)。
而 Alpine 出于极致轻量化的目标,采用了小巧的 musl libc,其线程默认栈空间被暴力砍到了只有区区 128 KB。
当业务代码调用了嵌套深层的 JSON 序列化库、执行了复杂的递归 AST 解析,或者在局部函数内声明了较大的缓冲区结构体时,128 KB 的内存栈瞬间发生溢出击穿保护页,操作系统内核毫无商量余地直接下发 SIGSEGV 强杀进程。在轻量化与工业容错之间,盲目削减基础镜像往往会付出沉重代价。
Luca Perugini retweeted
Meet Allo! 👋
Your friendly neighborhood font, with variable weight and roundness, automatic optical sizing, true obliques, clever and stylish alternates, and loads more thoughtful features and details.
Free & open source: allo.joshpuckett.me
In LLM inference, temperature controls the trade-off between reliability and creativity. Low temperatures keep the model predictable, while high temperatures encourage exploration.
Naturally, different questions require different approaches. Some demand careful, step-by-step reasoning, while others require creative leaps between concepts. So, when attempting to solve the same unknown problem multiple times (as in pass@K), it seems natural to vary the temperature across attempts.
Yet in practice, almost everyone uses a single temperature. Why?
In our new paper with @orishemur and Prof. Yaron Oz, "One Temperature to Rule Them All?", which we will present at NeurIPS 2026, we investigate this gap, showing how multiple temperatures can be used, and why, most of the time, they shouldn't.
🔹 The Hidden Cost of Diversity: While optimal multi-temperature schemes can improve performance, splitting the sampling budget across suboptimal temperatures incurs an exponential penalty, whereas sticking to a single well-tuned "compromise" temperature incurs only a linear cost.
🔹 The Goldilocks Effect: At a given sampling budget K, performance is largely driven by questions whose difficulty matches the scale of K. Harder or easier questions have little effect on the choice of the ideal temperature. This means you don't need to know a question's exact difficulty to choose a good temperature; you mainly need to tune it to your compute budget K.
🔹 A Practical Optimization Framework: In some cases, the diversity of questions is so great that using multiple temperatures does provide a meaningful benefit. For these cases, we show how to discretize the problem and reduce it to a fast, tractable convex optimization task.
All of our results extend beyond temperature to other sampling hyperparameters.
Paper: arxiv.org/abs/2611.13077
Luca Perugini retweeted
Crazy...this is Kubernetes moment for AI Agents.
Run millions of agents on Kubernetes. Idle agents go to sleep and wake up in under 500ms. 10x more agents on the same hardware.
100% Opensource.
github.com/agent-substrate/s…
Gemini Notebook can now turn your sources into interactive sites like dashboards and visual explainers.
To get started, simply type “make me a site” in your Gemini Notebook chat, along with a description of what you want to create, then select “Open in a new tab” to view or share your creation.
Luca Perugini retweeted
altra lezione della prof.ssa Ponzani a La Russa "è banalizzazione del fascismo...Mussolini non ebbe nessuna investitura popolare, non vinse le elezioni...fu Vittorio Emanuele III a dare incarico a un partito armato che aveva fatto la marcia su Roma"
#Ponzani #LaRussa #ottoemezzo
Luca Perugini retweeted
L’Europa è molto più forte di quel che si vuol fare credere. E l’agitazione di alcuni ne è la riprova.
苹果亲手给 Mac 上的 Docker Desktop 判了死刑,顺便把 GitHub 炸出了 51.5k Star 🧵
在 Mac 上跑容器,是所有后端和全栈工程师心中的痛。
你以为你在跑轻量级容器,实际上 Docker Desktop 在后台偷偷给你塞了一个吃掉 8G 内存的巨型 Linux 虚拟机,风扇转得像直升机起飞,企业版每年还得交着昂贵的订阅费。
苹果这次直接掀桌子了:开源了纯 Swift 编写的官方工具 apple/container。
最狠的不是它免费(Apache 2.0 协议),而是它底层硬核到变态的架构设计:
别人是“所有容器挤在一个臃肿的 VM 里”,苹果直接利用 macOS 26 的原生虚拟化框架,做到了 “一个容器,一个独立微型 VM”。
很多人第一反应:一个容器起一个 VM,内存和启动速度不得爆炸?
苹果的解法极其暴力:直接用 Swift 写了个 vminitd 塞进精简版 Linux 内核当初始进程,通过 vsock 走 gRPC 通信,把传统 Linux 启动时乱七八糟的系统服务全砍光了。既有硬件级的绝对安全隔离,又保留了毫秒级的冷启动,连跑 amd64 镜像都原生焊死了 Rosetta 2 硬件级加速。
更骚的是苹果官方给的示例库 container-examples。
他们专门写了个叫 containerization-sandboxy 的官方 Demo,教你用短短几十行代码把 Claude Code 这种 AI Coding Agent 关进独立的微型 VM 里跑,只挂载指定目录、卡死网络白名单。
这算盘珠子都崩我脸上了:当所有人都在狂推 Vibe Coding、让 AI 随便接管本地终端的时候,苹果已经在底层用微型 VM 给本地 AI Agent 焊死安全沙盒了——毕竟谁也不想因为 AI 一句幻觉出来的 rm -rf,把宿主机底裤都赔光。
工具链的终局,往往就是被操作系统原厂直接“收编”。
你的 Mac 上现在用的是 Docker Desktop、OrbStack,还是已经准备切到苹果原生 container 了?👇
Luca Perugini retweeted
Per far rendere l’AI conta più formare le persone che investire in software e dati. Lo dice uno studio del CEPR su oltre 12.000 imprese europee.
Ne scrivo su #abassavoce (link nel primo commento).
1/2
Luca Perugini retweeted
The top 5 most downloaded uncensored models on Hugging Face right now:
- DeepSeek V4.1 Flash 1017 Uncensored
- Qwen 3.8 27B Abliterated
- GLM 5.3 Flash Abliterated
- Huihui Qwen 3.8 27B Abliterated
- GLM 5.3 Uncensored
- Heretic Qwen3.8-27B the aggressive
Download them now, just in case.
Luca Perugini retweeted
Docker Compose will become a first-class citizen in Kiri 0.2.2.
• See your Compose file as a visual workflow: every service and how they connect
• Edit your Compose file right in Kiri
• Read logs as a group: web, db and api side by side in one view
Kiri is the modern container runtime: faster, and lighter on CPU and memory than Docker Desktop, OrbStack and Colima.
runkiri.com
github.com/libracoder/kiri
Luca Perugini retweeted
The /swarm feature with Gemini 4 Carbon is so underhyped.
I asked for a 3D model of the Ferry Building.
It orchestrated 12 parallel agents to research, plan, write the Blender Python scripts, and critique each other's work on a shared message board 🤯
Luca Perugini retweeted
Tra il serio e il faceto, ho ricordato a uno dei miei dottorandi che non ha molto senso portarmi pagine e pagine scritte da un LLM, se almeno non le ha verificate e non è in grado di difenderle.
So bene che a questo punto scatta il solito trito caveat per cui devo precisare che non ho nulla contro l’AI, anzi. E chi sono io per sottrarmi all'inutile?
Quindi eccomi a dire che non più di due settimane fa ho ricevuto un finanziamento per un progetto volto proprio a studiare le distorsioni di probabilità negli LLM. Così posso anche pavoneggiarmi un po'. Tiè.
Dunque, fatta questa doverosa premessa futile, chiedo: se in un lavoro intellettuale sei il primo a presentarti come sostituibile, delegando tutto e rinunciando a ragionare, puoi poi stupirti se qualcuno ti prende in parola?
È una domanda brutale? Forse sì, forse no.
Tuttavia, se devo lavorare con un LLM, posso farlo direttamente, quando e come voglio.
Il contributo di un ricercatore, anche di uno in fieri, comprende la capacità di capire, verificare, argomentare e assumersi la responsabilità di ciò che scrive, o che un LLM scrive per lui. Altrimenti mi ritrovo a correggere pagine generate a partire da domande che contengono già errori ingenui, com’è successo negli ultimi giorni.*
A questo si aggiunge il piccolo fastidio per la supposizione che io non me ne accorga. Ma quello svanisce rapidamente.
Ora, lo smarrimento di tanti giovani nella ricerca è comprensibile, perché si sentono sostituibili proprio mentre stanno costruendo le competenze che permetteranno loro di dare un contributo originale. Certo non aiuta la retorica crescente, che vuole ChatGPT e soci in grado di risolvere i problemi del mondo nel giro di qualche anno, lasciando giovani (e vecchi) ricercatori a bocca asciutta.
Quindi, dopo la bonaria brontolata (tutti del resto abbiamo cercato di fare i furbi col prof di turno), ho mostrato al mio dottorando come uso una combinazione dei modelli in voga. Siamo partiti dal suo prompt, che ho modificato.
La risposta che ho ottenuto io non aveva gli errori della sua. Perché?
Il mio vantaggio attuale rispetto a lui viene semplicemente dall’esperienza e dalla conoscenza della materia, grazie alle quali so un po’ meglio cosa chiedere, quali premesse mettere in discussione e dove una risposta apparentemente convincente comincia a fare acqua. Sono competenze che ho acquisito nel tempo e che lui sta ancora costruendo, ma che non può costruire se delega e si fida.
Questo si collega direttamente a quella riflessione più formale sulle distorsioni negli LLM cui accennavo.
Nel prompt mettiamo già molto di ciò che sappiamo e crediamo, e la risposta del modello dipende inevitabilmente anche da quelle premesse. Ne deriva che il trattarla come una conferma indipendente significa rischiare di contare due volte la stessa informazione distorta (da noi e dal modello, in senso matematico), ritrovando le nostre convinzioni e i nostri errori confezionati come nuove conoscenze.
Per questo le competenze personali contano tanto anche quando usiamo e sempre più useremo l’AI, perché servono a formulare domande migliori, valutare le risposte e capire quando cercare riscontri esterni. L’automation bias ci perseguita dagli anni 70, come i pantaloni a zampa di elefante, ma ora il rischio è “on steroids”, amplificato. Chi vi dice il contrario o mente, o non sa di che parla o... completate voi. Solitamente due delle tre coesistono.
Solo acquisendo conoscenze in prima persona puoi usare questi strumenti per quello che al momento sono, senza diventare a tua volta uno strumento sostituibile.
E per costruire quella competenza, almeno per ora, le scorciatoie non esistono.
"You better work, bitch", ci ricorda Madame Spears.
* Sono due anni che in classe mostro agli studenti perché non fidarsi delle prime stime che ottengono e come forzare Claude e amici ad autoverificarsi, anche per una semplice, trita e banale regressione lineare.
























