分类： 个人随笔

中英文混合录入，切换输入法是个挺烦的问题，为此我花了不少时间来研究这个问题，这里不光是针对各种 app 进行的中英文设置，还包括各种场景有针对性的设置，但仍然在快速混合输入的时候，临时切换输入法是个大的困境，特别是针对我这种性子比较着急的人。

今天改了一下之前的在 macOS 上的一个输入法快捷录入，应该解决一大部分的问题。

场景：遇到想输入纯中文的时候，打出来的时候是英文字母；遇到想输入英文的时候，打字的时候跳出来的是输入法提示框。

实现过程：

1. 正常输入字符
2. 发现输入法不是自己想要的
3. 双手不用大动作只双击分号
4. 清除之前输错的内容并切换输入法
   

这个快捷原理也很简单，就是发现录错了，全选，删除，切换输入法。核心就在于当你意识到打错的时候，不使用“⌃+␣”组合键切换中英文输入法……双手不离开主键盘，只需要双击两次解决。

有兴趣的人可以试试，哦对了，上图的工具是 Keyboard Maestro 。

祝各位新年快乐！龙年大吉！

问：如果开始觉得自己一直在做的工作，都是没有意义的、没有成就感的，你们是如何做好自我调节的?

意义，通常被理解为事物的影响和结果。如果做了一件事，没什么影响，没什么结果，那么这件事似乎就失去了意义。

成就感，指的是一种心理状态，反映了我们对自己过往行为的满意度和自豪感。

解决这个问题还是从哪个角度思考的事情。我的看法是，人生嘛也没什么固定的意义，对于大部分人来说，人生（或职业）也不过只是一段旅程，追求“意义”往往是一件费力的事。比如你做设计师，要做到 Jonathon Ive 那种可能才会被人记住，这种追求的意义对于我们这种普通人就太难了。但如果你的设计工作能够改善家人的生活，这种“意义”就远超过成为下一个乔纳森·艾维。用我们的能力改善所在的处境，这本身就是一种重要的意义了。

因此，即使是追求意义，也应该根据自己的能力来设定目标。如果追求的目标宏大，就应该将其分解为更小的、阶段性的目标。只有当一个小目标被实现，更大的“意义”才会显现。这就涉及到目标设定和执行力的问题。目标和执行都没问题，再有个好机会，基本上都能追求到所想要的“意义”。

而成就感，也将从“意义”（影响或结果）产生。它是过程的一部分，也是过程结束后的心理状态。这看似是一种因果关系：当我们开始思考“意义”这个概念时，不同的解释会引发不同的思考，例如意义的本质、内涵、预期事件、意志、事物的位置、实际结果、以及事物引发的情感和联想……

然而，如果我们不一开始就过分考虑意义或成就感，就会有不同的体验和看法。比如这些都是主观体验，喝一杯咖啡感到愉悦，尽管对他人看来可能微不足道，但对自己来说却是快乐的；某些哲学观点认为意义是被创造出来的，而不是事先就存在的；还有一些观点（如佛学）认为真正的成就感来自于放下和自我解脱……

所以嘛，意义和成就感在于每个人在人生不同阶段的一种“价值主张”。去年，你可能觉得赚 1000 元已经很不错，但今年，赚 2000 元可能就显得不足够。当你开始行动时，意义就在你的创造之中逐渐显现，成就感也随之而来。今天的工作可能感觉没有意义和成就感，但这并不代表明天也会如此。想想事物具备流动性的特点，也就能调节好了嘛。

今天和一个星球会员沟通的观点：

工作的不快乐本质，还是在一定阶段中自身能力和未知需求之间的巨大鸿沟。它不是唯一原因，但大概率也是重要原因了。

用翻译看了这个论文，很有趣的时间向量，能提升模型的适应性和前瞻预判性。通过在不同的时间向量间进行插值，即使在未经训练的时间段内，也能有更好的表现。

这很像人在思考问题的过程，之前的事儿我想一想，中间的我想一想，进而对今天或未来更准确的判断。将这种思维方式融入到模型的微调中，更接近于模拟人脑的思考过程。非常佩服这些人，居然是本科生，能把这种事儿做得非常精致。

论文：https://arxiv.org/abs/2312.13401

Code：https://github.com/KaiNylund/lm-weights-encode-time

用 chatGPT 详细解释：

这张图似乎是关于时间序列或者时间点向量的结构及其推广的概念性表示。图中分为三个部分，我们一一来解释：

1. 时间向量结构（Time vector structure）：

• 这部分展示了一个基于时间点的序列。θ₁，θ₂，θ₃，θ₄和θ₅代表时间序列中的点，可能是事件发生的时间点或者状态的改变点。
• τ₁，τ₂，τ₃，τ₄和τ₅表示从某个基准时间点θ_pre 到各时间点的时间间隔。这可以是实际时间差，或者是在某种度量下的时间差。

1. 泛化到中间时间（Generalizing to middle times）：

• 这部分似乎是在讨论如何估计两个已知时间点之间的时间点（即中间时间）。θ₁和θ₅是已知的，而图中试图估计θ₃的位置。
• τ₃被估计为τ₁和τ₅的平均值，这里使用的是简单的算术平均公式。这可以是在缺少具体数据时的一种估算方法。

1. 泛化到未来时间（Generalizing to future times）：

• 最后一部分讨论的是如何基于当前已知的时间点来预测未来的时间点。
• τ₅的估计是基于某种线性模型，这里用的可能是一种趋势外推法。θ₁和θ₅是已知的，θ₁^LM 和θ₅^LM 代表通过某种学习模型得出的估计值。
• 公式 τ₅ ≈ τ₁ + (τ₅^LM – τ₁^LM) 提供了一个预测τ₅的方法，即取已知时间点的时间差，并将其加到τ₁上。

这张图可能是来自于某个关于时间序列分析、预测模型或机器学习中处理时间数据的教程或论文。图中的θ可能代表状态变化的时间点，而τ代表时间间隔。整体来看，这张图试图展示如何从已知的时间点推广到未知的时间点，无论是位于已知点之间还是在已知点之后。