来源: tech.meituan.com
36
美团发布 LongCat-2.0 的关键信息，不只是“参数更大”：它是一个总参数 1.6T、平均激活约 48B、动态激活范围 33B~56B 的万亿参数模型，并且在五万卡国产算力集群上完成了从训练到推理的全流程。更值得开发者关注的是，它的设计目标一开始就对准了真实的 Agentic Coding：让模型在代码理解、生成、执行和多步修复中更高效、更稳定。...
来源: aws.amazon.com
41
Agent 的记忆系统一旦进入企业场景，问题就不只是“能不能记住”，而是“该记住谁的、在哪个上下文里用、哪些 Agent 可以读”。AgentCore Memory 中的 metadata 过滤，正是把记忆从一堆向量片段，变成可治理、可隔离、可审计的结构化资产。 在 AgentCore Memory 里，metadata 会贯穿三个阶段：配置、写入和检...
来源: engineering.fb.com
42
过去几年，模型能力和训练数据规模都在快速膨胀。更明显的变化是，新一代前沿模型发布间隔从几个月压缩到几周。这个节奏背后不只是 GPU 数量的问题，存储也会直接决定训练吞吐、作业等待时间和算力浪费。对 AI 基础设施来说，存储已经从“放数据的地方”变成了训练流水线的一部分。 大模型训练不是一次性把数据读进内存就结束。训练集、检查点、日志、特征缓存、评估数据...
来源: infoq.com
32
个性化营销最怕两件事：每个零售商都要定制一套逻辑，以及活动配置上线慢到错过窗口。Instacart 在 Storefront Pro 上重构个性化营销系统，把过去按零售商拆开的实现，收敛成一个配置驱动的多租户平台：共享执行引擎负责跑活动，零售商差异通过配置表达，配置传播控制在一分钟以内，并在数百个零售 banner 上达到 99.9% 的投递成功率。 ...
来源: postgr.es
36
一次 PostgreSQL 16.8 生产库事故，最初看起来像内存问题：日志里出现了 。直觉上，很多人会先怀疑物理内存不足，或者某处发生了内存损坏。但真正的根因更隐蔽：checkpointer 进程遇到了一个已知缺陷，被困在 fsync 请求队列的无限重试循环里。 这类问题危险的地方在于，它不会立刻把数据库打挂，而是让 checkpoint 长时间无法...
来源: oschina.net
31
一句「为什么微信能聊出几百 G」把中文技术圈点燃了。云风直言微信开发者“不懂该怎么储存数据”，矛头指向 SQLite 的使用方式。这类争论之所以刺痛开发者，是因为它不只是“某个 App 占空间”的吐槽，而是一个很现实的工程问题：本地数据、媒体文件、索引、缓存、同步状态，到底应该怎样组织，才能既快、又稳、还不把用户磁盘吃穿？ 这里不试图替任何具体产品下定...
来源: oschina.net
26
Elasticsearch 9.4.3 已发布。作为基于 Lucene 的分布式全文搜索引擎，Elasticsearch 仍然围绕 HTTP API、无模式 JSON 文档、多租户检索与分析场景演进。本次摘要中特别提到 ES|QL 相关的功能和改进，因此对正在使用 9.x 的团队来说，最实际的问题不是“要不要升级”，而是“如何用低风险方式验证查询、索引...
来源: oschina.net
39
Logback 1.5.37 已经发布。对大多数 Java 项目来说，Logback 仍然是“默认但关键”的基础设施：它不直接决定业务功能，却会影响排障效率、运行成本和生产环境的可观测性。这次发布值得注意的一点，是它触及了基于 Janino 对 Java 表达式求值的条件配置处理；如果你的 里使用了条件判断，升级前就不该只跑单元测试了事。 Logbac...
来源: aws.amazon.com
28
视觉特效里的 AI 换脸不是“跑一个模型”那么简单。镜头多、角色多、光照和表情变化复杂，训练时间会直接影响制作排期。Outpost VFX 的案例值得关注：他们把原本受单 GPU 限制的换脸训练流程迁移到 AWS 多 GPU 基础设施上，训练速度提升到约 8 倍，让模型迭代从瓶颈变成可调度的生产能力。 换脸模型训练通常会遇到三个硬问题： 数据量大：一个...
来源: aws.amazon.com
35
货运物流里的实体识别不是普通 NER。提单、航班、机场、ULD、商品描述、客户备注经常混着英文缩写、本地语言、行业黑话和不完整句子。来源文章分享了 IBS Software 使用 Amazon Bedrock 知识蒸馏能力构建双语货运 NER 的技术路线：用更强的教师模型生成 token 级标注，再训练更轻、更稳定、成本更可控的学生模型。 这类方案的价...