引言​

我们在先前的文章了解字符编码：ASCII、UTF-8中提到，从各国的文字、生僻字，到抽象老哥喜欢的 emoji ，再到各种奇奇怪怪的符号，Unicode海纳百川，无所不有。

在这篇博客中，我们的重点并不在于上面提到的 Unicode 多种多样的奇葩字符——我们将聚焦于一种特殊的字符：零宽字符，并基于此制作一款信息加密小工具。

摘要​

1951年，David A. Huffman还在麻省理工学院攻读博士学位，在信息论课程的学期报告中，他创新性地发明了一种二进制编码方法，并于次年发表在他的论文《一种构建极小多余编码的方法》中。而这种特殊的二进制编码方法，正是霍夫曼编码。

霍夫曼编码是一种无损数据压缩技术。如今，在图像、视频、文件、互联网数据等对象的压缩中，都有它的身影。在这篇博客中，我们将深入探究霍夫曼编码的原理，并严格证明该编码的最优性。

引言​

前置知识：跨源资源共享（CORS）

在本地进行前后端开发，经常会遇见跨域问题，对于新手来说可能比较头疼。

本文主要讨论，如何使用nginx反向代理，来解决跨域问题。

文章翻译自《Aligning Language Models to Follow Instructions》

引言​

我们训练的语言模型比 GPT-3 更善于遵循用户意图，同时，通过使用我们的一致研究（alignment research）开发的技术，使回答更真实、毒性更小（less toxic）。这些与人类一起训练的 InstructGPT 模型，现在作为默认语言模型部署在我们的API上。

InstructGPT 与 GPT-3​

在遵循英文指令上，InstructGPT 优于 GPT-3。

GPT-3 模型没有被训练去遵循用户指令。我们的 InstructGPT 模型明显能生成更有用的输出，来响应用户的指令。

本文翻译自：《ChatGPT: Optimizing Language Models for Dialogue》

引言​

我们已经训练了一个名叫 ChatGPT 的模型，它以对话的方式与人交互。对话形式让它可以进行连续的对话、承认错误、质疑不正确的前提、拒绝不合适的请求。ChatGPT 是 InstructGPT 的姐妹模型，而 InstructGPT 在遵循提示中的指示、提供详细的响应两方面表现突出。

我们很高兴推出 ChatGPT，希望能获取用户们的反馈并且了解它的优点、缺点。在研究预览期间，ChatGPT 的使用是免费的。

简介​

ChatGPT 全称 Chat Generative Pre-trained Transformer，是 OpenAI 最近新发布的聊天机器人，其智能程度和多元全面的能力，引发热议。其在辅助编程领域表现卓越，更是让不少人惊叹。

ChatGPT 是基于 GPT-3.5系列进行微调训练得到的模型，采用了RLHF(Reinforcement Learning from Human Feedback 人类反馈强化学习)，是 InstructGPT 的姐妹模型。目前处于测试阶段，拥有 OpenAI 账户的用户可以免费使用。

ChatGPT 以对话形式进行交互。它可以实现连续对话、承认错误、质疑不正确的前提、拒绝不适当的要求，并且支持中文。

甘特图是什么​

简单来说，甘特图（Gantt chart）是一个用条状图来展示任务进度的图表（如下图所示）。其本质是一个可视化的项目计划，是一种管理工具。

一个开发项目，通常会有几个不同层次的项目计划，比如里程碑计划、概要计划、详细计划。三者从略到详，对项目进行了规划说明。其中，甘特图用于详细计划。

引言​

无论是从搜索引擎的搜索指数，还是社交媒体的日常推送，我们都可以发现：2022年后半年，“AI绘画” 在互联网中的讨论度大幅升高。

AI绘画是如何一步步发展到今天的？发展过程中涉及到哪些关键技术？这些关键技术的基本原理又是怎样的？

导语​

在 深入理解：ECMAScript 3中的执行上下文 中，我们曾对 this 的指向进行了简单的介绍：

如果当前函数作为对象方法调用，或使用 bind call apply 等方法调用，则引擎会将对应的调用者信息（ this ）存入当前执行上下文中。否则，调用者信息将默认地被设置为全局对象（ globalThis ）。

因此，实践的大多数情况下，我们可以将 this 简单地理解为调用者。然而，观察以下示例：

导语​

多数情况下，在开发、运行Python项目时，我们需要使用诸如 pip 的包管理工具，在Python环境中查找、下载、安装、卸载各种Python包。通常，包都会被安装到Python安装目录的 site-packages 文件夹下。这样，在同一Python环境中的不同项目，都会使用 site-packages 下所安装的包。

但不同项目对于同一种包的版本需求可能不同，并且当我们使用 pip install <pkgname> 时，通常不会仅仅安装一种包：

pip install Scrapy
...
Installing collected packages: PyDispatcher, pyasn1, incremental, constantly, zope.interface, w3lib, typing-extensions, six, queuelib, pycparser, pyasn1-modules, lxml, jmespath, itemadapter, hyperlink, filelock, cssselect, attrs, requests-file, protego, parsel, cffi, Automat, Twisted, tldextract, itemloaders, cryptography, service-identity, pyOpenSSL, Scrapy
...

可见，如果我们都只在单一Python环境中运行我们所有的项目，必定会带来包的版本混乱。最简单的方法是把不同的项目放在不同的Python环境中运行。

而命令 python -m venv 正是实现这一步的不二法宝。