51CTO · 实时热榜

一、先搞清楚：什么是鸿蒙"闪控球"在动手之前，必须把"闪控球"这个术语搞准确。这是本文最关键的认知前提——"闪控球"在鸿蒙生态里是一个有...

RAG过去三年之所以流行，是因为它解决了一个真实问题：大模型无法直接读取企业所有私有资料。通过切块、Embedding和向量检索，团队终于可以把内部文档动态送进模型上下文。但RAG被使用得太广了。

小红书dots团队提出的Vision-OPD（Vision On-Policy Distillation，视觉在线策略蒸馏）框架，仅用约6.2K条全自动合成数据，便让9B模型在多个细粒度视觉理解基准上取得SOTA。

Kimi K3 是一款总参数量达 2.8 万亿、上下文窗口达 100 万 token 的 MoE 大模型，更是全球首个落地的近 3 万亿参数级开源大模型，引起业界热议。

做出一个Agent，可能只需要几分钟。接进企业数据、处理权限、控制成本、复现故障，再保证模型升级后继续工作，软件工程从这里才真正开始。

一套代码搞定音乐播放、进度条拖拽、歌单循环、环境音混合一套代码搞定音乐播放、进度条拖拽、歌单循环、环境音混合，核心就三个字：状态机...

前言Beta阶段最容易出现的情况，是前一轮验证刚整理完，下一轮版本、文档、SDK、工具链或者设备状态又发生变化。这个时候，很多结论都不能...

本文聚焦 LLMOps（大模型运维）全流程实践，帮助大家理解 LLMOps 如何用自动化串联模型迭代全环节。

打开正在用的 coding agent 设置，核对工作区外是否不可写、出网是否默认拒绝或白名单、忽略规则对执行是否生效。然后在团队频道贴一张表，写清文件系统、网络、凭证各自的默认拒绝是什么。贴不出来，就先别扩大无人值守。

科研 Agent 的价值不只在于自动生成代码，更在于理解科研任务、组织专业知识并贯通研究流程。它可以协助研究者完成文献解析、系统搭建、环境配置、代码调试和结果验证等耗时工作，降低重复性工程投入，让科研人员将更多精力用于问题发现、方法设计和理论创新。

Ant 最有价值的地方不是宣布"我要替代 Node"，而是提出了一个新的方向：JavaScript Runtime 可以不用越来越重。

来自人大和蚂蚁最新的研究工作 SearchOS 给出的答案，是把搜索状态做成一种可以调度的基础设施，并提供系统级的多智能体搜索协作。

库存系统消费消息扣减库存，积分系统增加积分，通知系统发送短信，数据系统更新统计。接口变快了，服务之间也不再直接依赖。看起来非常合理。

最近，菲尔兹奖公布，大家对于数学 + AI 的讨论非常热烈，相信也有不少人想象过我刚刚描述的「爽文」剧情。

一套 Facebook Prophet 时序 AI + Prometheus 自动阈值校准方案

近日，华为香港莱布尼茨研究所小艺团队与港大、港科大、港中文等 6 校联合发布了 Boogu-Image-0.1。

栈内存的释放机制是较为高效的。当函数执行完毕之后，栈中为该函数所分配的内存便会自动地进行释放，栈指针也会回退，如此便完成了内存的释放操作。

模型先根据当前画面，预判接下来可能发生的接触，执行过程中再读取最新触觉，重新生成下一小段动作。

模型或许也一样。看发布会久了，我们很容易把注意力全部放在能力上限上，仿佛我们每天上班遇到的最大困难，是办公室里缺少一位能够证明黎曼猜想的同事。

在人工智能的发展史上，长期取得决定性胜利的，往往不是人类精心编写了大量专业知识的系统，而是那些能够随着算力、数据和搜索规模不断扩展的通用学习方法。

虽然 Azure、AWS 等云厂商提供免费额度，但对于个人开发者来说，注册流程复杂、通常需要绑定信用卡、IAM 权限体系学习成本较高。

AI或许还没有掀起席卷整个就业市场的海啸，经验的有无却可能已经先冲走了一部分职场入口。

只要评测能证明质量不掉，就大面积用low和medium去压成本和延迟，高档位留给真正硬核的长周期任务。

一夜之间，硅谷大厂集体给AI踩刹车！刚刚，来自OpenAI、Anthropic、谷歌等巨头1100+核心员工联名，发起了「Pacing the Frontier」的请愿书。

自动驾驶的四大核心技术是支撑车辆实现自主驾驶的基础模块。环境感知、精准定位、路径规划和线控执行共同构成完整的技术闭环，分别负责识别周围环境、确定车辆位置、规划行驶路线以及控制车辆执行动作。

ChatGPT Work很了不起，而且「work」这个名字把它说小了。

Code Review 里最贵的不是时间，是信任。 时间可量化——花了一小时就是一小时。信任不可量化——一次不留措辞的 Review 可能花了你五分钟，但对方花了一个月才恢复信心。

任何失去数据、记忆和AI使用记录控制权的企业，都可能无法继续存在，因为它已经把自己的思考外包了～

五 年内 AI 的综合智力将超过全人类总和，10 年内金钱失去意义，工作变成可选项。

踩过的坑里，​​#{}​​不能in查询最隐蔽，JSON接口也会XSS最容易被忽略，富文本存库前过滤最关键，CSP的​​unsafe-inline​​最坑爹，后台系统也要防最容易掉以轻心。

国际顶级学术期刊《Cell》主刊，刊出了一篇来自中国的AI生命科学研究论文《UniPert–G2CP》。

当身边两个工程师突然狂飙，作为小组唯一设计师的Parrott被甩在了后面。他没有干等，而是自己动手，造出了追赶用的工具。

Verizon《2026数据泄露调查报告》显示，48%的数据泄露与勒索软件有关，但企业最大的风险，往往不是攻击本身，而是在关键时刻“谁有权让核心系统下线”没有明确答案。

旗下inclusionAI团队陆续推出LLaDA系列模型，最新开源LLaDA2.2，实现扩散模型首次进入智能体长程任务！

Claude之以能实现对CUDA生态的「降维打击」，是因为AMD直接给AI开发了一套能上手调GPU的工具。

企业软件选型失败，往往不是因为产品不好，而是评估方法出了问题。真正科学的评估，不应只比功能清单，而应围绕安全合规、集成能力、用户体验、厂商服务、AI能力和总体拥有成本六大维度展开，并根据企业自身业务约束设定权重。

很多工程师私下跟我说，我技术好就行，交际那些虚的留给销售。这话我以前也信。直到我自己带人、推不动事、review 被怼到自我怀疑，才慢慢明白，码哥跳动这十年里，卡住我的从来不是哪行代码写不对，而是怎么让另一拨人愿意跟我往一个方向使劲。

研究团队提出了DyRef，一个面向复杂多参考图像生成的动态优化框架。该工作已被ECCV 2026接收，并被选中为Oral Presentation。

2年之内，AI将在所有数学证明领域，彻底超越人类。

大多数企业监控PeopleSoft，只关注任务是“成功”还是“失败”，却忽视了真正危险的“静默成功”——任务虽然显示成功，却因启动延迟、队列积压、运行异常或错过业务时间窗口，引发薪酬、财务、集成等关键业务连锁风险。

本文会讲清 Graph Engineering 管什么、生产里哪些拓扑真的活下来了、以及一套可以从餐巾纸画到可恢复运行的实践流程。想先动手的，直接跳到「真正的实践流程」。

就在 Thinking Machines Lab 刚刚推出重要模型 Inkling 时，联合创始人翁荔（Lilian Weng） 却向团队发出了一封告别信。

近十家AI公司、超过1100名员工联名写了一封公开信《Pacing the Frontier》（领航前沿）。信中请求美国推动国际合作，配套完善技术工具与治理规则，在风险临近时主动放缓自动化AI的研发进度。

Moonshot AI宣布，发布Kimi K3的模型权重、技术报告，并开源支撑Kimi K3模型训练的关键Infra技术：MoonEP、FlashKDA和AgentEnv。

从Caffe、PyTorch，到Lepton AI，Intent Lab，贾扬清一直在做同一件事的不同版本：让别人更容易用上算力。

AI负责理解与设计； 专业工具负责精确实现； 科研人员负责科学正确性。真正重要的能力，不是会不会画图，而是能否把复杂思想转换成别人一眼看懂的视觉语言。

LeCun团队提出的VICReg将学习目标拆为方差、不变性、协方差三项，用协方差约束各维度之间的相关性；但协方差仅刻画二阶统计量，无法区分「均值、方差相同，而分布形状迥异」的两种表征。

相比过去围绕单点技能展示的机器人 Demo，产业正在将关注点转向一个更现实的问题：当机器人离开精心设计的演示环境，进入家庭、工厂等真实世界后，能否稳定完成一项复杂任务？

“Undertow不是号称性能最好的嵌入式容器吗？Spring为什么要抛弃它？”这个问题问得很到位。今天这篇文章，我就把Spring Boot 4.0弃用Undertow的前因后果、底层原因、迁移方案从头到尾给你拆解一遍。

工程师 Vaishinavi 在 𝕏 上对一篇近期上线的博客文章做出了如此评价。而这篇文章来自即将加入 DeepMind 任职研究科学家的牛津大学统计学博士生 Silvia Sapora，并且拥有帝国理工学院计算机科学一等荣誉工程硕士学位。