与「UNITシンクロチャレンジ」相关的搜索结果

「GOT7 ARENA SPECIAL 2018-2019 “Road 2 U”」UNITシンクロチャレンジ COLD(マーク&ベンベン)編が公開されました♪ぜひチェックしてみてください！ ▽FC ▽モバイル #GOT7# #Mark# #BamBam# #COLD# #Road2U# #UNITシンクロチャレンジ#

「GOT7 ARENA SPECIAL 2018-2019 “Road 2 U”」UNITシンクロチャレンジ 25(ジニョン&ユギョム)編が公開されました♪ぜひチェックしてみてください！ ▽FC ▽モバイル #GOT7# #Jinyoung# #Yugyeom# #Road2U# #UNITシンクロチャレンジ#

这两天全网都在拿刚发布的 Claude Fable 5.2 测写代码，我换了个更刚需的玩法：既然现在大家最关心的是自己和家人的健康，干脆把 Theta Health 开源（Apache-2.0）的健康数据引擎 Mirobody 挂进 Claude Code，让 Fable 5.2 调它的本机离线医学词表，把 mirobody-gen 生成的 18 份跨机构虚拟体检单、5 年手表数据和中英日对照读数现场洗干净，做成了一份 2026 身体年度报告与跨年体检趋势看板（见图）。 不用部署也不用 API Key，一行命令就能把它的离线引擎挂进 Claude Code 当 MCP： claude mcp add mirobody -- uvx --python 3.12 mirobody mcp 为什么要让 Fable 5.2 调这个 MCP，而不是直接把体检单丢给大模型心算？因为跨医院、跨语言的体检数据直接喂给模型太容易翻车了——比如同样从美国的 mg/dL 换算成国内的 mmol/L，胆固醇要除以 38.67，而空腹血糖要除以 18.02。 挂上 Mirobody（1.6.1） 后，你手上的中文、英文检查报告就能真正放在一起看：它从 LOINC 2.83 切出了 63,416 个编码、1,023,273 条名称（含 21 种语言）和 331 个 UCUM 单位，常规体检项目在中、英、日、俄、爱沙尼亚、土耳其 6 种语言上的覆盖测试达到 347/347。本机实测它把英文的 LDL Cholesterol 82.8 mg/dL、日文的 LDLコレステロール 82.8 mg/dL（落到质量浓度 LOINC 13457-7）和中文的 低密度脂蛋白胆固醇 2.14 毫摩尔每升（落到摩尔浓度 LOINC 22748-8）全部对齐，经 convert_unit 按各自的换算系数精准转换（2.14 mmol/L ↔ 82.74 mg/dL）；6 家机构、3 种不同写法的 15 次糖化血红蛋白 也全部统一到 LOINC 4548-4 连成了一条五年趋势线。 更好玩的是本机实测时故意埋雷和抓到的几个真细节（见图）： 一是它的拒识边界极严，绝不瞎猜。我故意往 standardize_reading 塞了一条把血清白蛋白配成尿液单位的脏数据（Albumin 30 mg/24h）和一条笼统的 血脂 偏高，它直接返回 refused，明确提示白蛋白配了尿液才用的单位、分类词不给单项编码。在 18 份报告第一轮原样读出的 172 行里，150 行直接拿到编码，它拒绝了 22 行并逐行给出理由——比如血常规里缩写 PCT 配了 % 单位，通常是血小板压积，引擎没把它错编成降钙素原（PCT 的另一个常见意思），而是因单位对不上直接拒识；还有 Urea(BUN) 混写了尿素和尿素氮两个量、3 行血压把收缩压和舒张压印在同一格。第二轮我让 Fable 5.2 按拒识理由把那 3 行同格血压拆成 6 行（总行数变为 175 行），再去掉括号、把缩写展开成全称（如写全 Plateletcrit）重交，又有 22 行编上了码：最终 175 行里共 172 行拿到编码，只剩 3 行英文 Glycated albumin 仍未编码。 二是实测真抓到了几个 Edge Case：英文 Glycated albumin 暂未识别，但敲中文 糖化白蛋白 却能识别；测日文低密度脂蛋白时，不带横杠的 LDLコレステロール 秒识别，但中间加个半角连字符写成 LDL-コレステロール 就会返回 unresolved（因为引擎坚持只查词表绝不靠模型猜，刚好可以顺手给仓库提个词表 PR）；另外日记里的复合长句直接传给 standardize_complaint 会不认，必须让 Fable 5.2 先把单项症状拆出来再调工具，23 个症状精准编上了 22 个 ICPC-3 编码。 这次我在本机实测的是它最轻的离线词表、Apple Health 导入和 Claude Code MCP 链路，还没有在本地部署完整版 Web 应用。根据官方文档，完整版 Mirobody 可以把体检报告（PDF、照片、表格）、手环数据（Apple Health 等）和基因文件（WeGene、23andMe、AncestryDNA、VCF）整合进同一份 AI 读得懂的记录，支持用 Docker 100% 本地部署（16G 无卡电脑也能跑，Windows 需在 WSL 2 终端里执行），也可以接入其他 AI 模型；完整版回答里每个数字都标明来源，点开就能看到原文件。国内网页版（ Mirobody、以及海外版产品 Theta（ 提醒两点：接 Claude Code 这类云端工具时，你发给它的记录会发给对应的模型公司（所以我全程只用虚拟数据测试）；如果你部署完整版，设置里生成的 MCP 接入链接相当于密码，截图或录屏时必须打码。 截至 2026 年 11 月 11 日，Mirobody 在 GitHub 上已有 1,450 个星标，是 GitHub digital-health 话题下星标第 1 的项目。可以直接去 GitHub 跑通试试，觉得有用点个 Star，遇到没覆盖的医院报告写法也欢迎提 Issue 或 PR： （也可以先点开中文在线 Demo 体验，里面是两位虚拟成员的 2,019 条数据，想自己提问需要注册或自己部署： ）

Matthew Bogdanos, a retired Marine and chief of the Antiquities Trafficking Unit at the Manhattan District Attorney’s Office, toasted the art-crime fighters around the world. Speaking at the TIME100 Art Impact Dinner, Bogdanos reflected on the power of cultural artifacts to connect people across cultures, ethnicities and religions, calling them “living breathing testimony to our shared cultural heritage.” Read more here:

🚨SlowMist TI Alert🚨 💸 @SetProtocol Loss: ~5.08 ETH 🔍 Root Cause: actualizeFee() recalculated unitShares with upward rounding even though no fee was minted, raising it from 4,927 to 4,928. The attacker issued before the update and redeemed the same quantity afterward, extracting collateral from the rounding-induced unit increase. Uniswap v4 flash accounting supplied temporary liquidity to scale the exploit. 📌 Attacker (EOA): 0x506440728d84eb22809dc9464bc8189618a1c5b6 📌 Attack Contract: 0x016feaaa25ab8325e233bc8a2c25055bee0b2f6e 📌 Victim (Set Protocol Vault): 0x5b67871c3a857de81a1ca0f9f7945e5670d986dc 📌 Vulnerable Contract: 0x54e8371c1ec43e58fb53d4ef4ed463c17ba8a6be Powered by Tx:

Introducing omni-macos: a semantic Finder for Apple Silicon. It was first released months ago, but now getting really good and becoming my daily productivity. Over the last few months I've kept improving fully local, on-device semantic search for my everyday agentic use. The goal: a local multimodal search engine that's easy for both humans and agents, fast, and handles CRUD in real time. After years of working on embedding and reranker models, I figured this would be easy, especially with coding agents hill-climbing tps for you. Turns out making it actually good is pretty damn hard. I've also seen other projects like zvec-grep going after the same thing, but I think most of them miss some key points about local search, especially on personal devices. They optimize for efficiency and relevance, which is fair with a SaaS mindset, but not enough for an air-gapped personal device: - Efficiency matters, but on a laptop, an indexer that hogs the machine to finish sooner is worse than one that takes a bit longer and you never notice. - Personal files are massively duplicated: v1, v2, v-final, v-final-final, plus backups, often with only tiny diffs between them. So using the file as the indexing unit is inefficient. - Some files get edited all the time, but only a small part changes each time. Reindexing the whole file is, again, a waste. - CRUD needs to be handled properly at the folder level. - You only have one GPU interface and it's non-preemptive. Embedding needs it, vector search needs it, OCR needs it. You can't lower the priority of work that's already queued, so priority can only be set at admission.