原来 Mac 在某些情况下具有不删除文件就能回收磁盘空间的能力。
如果你像 John Siracusa 一样是一名程序员,你可以编写脚本来使用这个功能。如果你像我一样不懂编程,Siracusa 的新款 macOS 应用 Hyperspace 就来帮忙了。
Siracusa 在今天发布在 Hypercritical 的博文中解释了 Hyperspace 的诞生过程:
市面上有很多 Mac 应用可以通过查找重复文件并删除副本来节省磁盘空间。而使用 APFS 克隆技术,我的应用可以在不删除任何文件的情况下回收磁盘空间!作为一个数字收藏家,这个功能对我来说非常有吸引力。
在那个星期结束时,我已经写出了一个基础版的 Mac 应用,实现了与我的 Perl 脚本相同的功能。在接下来的几个月里,我对这个应用进行了完善和测试,并将其命名为 Hyperspace。我很高兴地宣布 Hyperspace 现已在 Mac App Store 上线。
Hyperspace 使用简单,可以免费试用。从 Mac App Store 下载它,启动应用并选择要处理的文件夹,然后让它运行即可。
如果 Hyperspace 发现可以在不删除文件的情况下回收存储空间,应用会报告可回收的潜在磁盘空间大小。
如果可回收的磁盘空间为零或微不足道,你不会花费一分钱,并且会得到确认。
但是,如果 Hyperspace 发现有数十 GB 的存储空间可以在不删除文件的情况下回收,那么这个应用就解锁了释放磁盘空间的能力。此时,你可以购买 Hyperspace 并实际回收它识别出的磁盘空间,而无需删除任何文件。
Hyperspace 可以处理你的 Mac 存储以及使用 Apple 文件系统 (APFS) 的外接存储设备。
解锁回收磁盘空间的功能一个月需要 .99,一年需要 .99。如果你更喜欢一次性付费,可以购买终身解锁版,价格为 .99。
Hyperspace 从今天起在 Mac App Store 上线。
最佳 Apple 配件
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。