标签

LLM

ChatGPT 采用率正在全球扩散：从“尝鲜工具”到日常工作入口

来源: openai.com 54
OpenAI Signals 的新数据指出，ChatGPT 的采用正在全球范围内继续增长：用户使用频率更高，探索的能力更多，增长也跨越了不同地区和语言。这件事的意义不只在于“用户数变多”，而在于 ChatGPT 正从一个单点工具，逐渐变成很多人处理信息、写作、学习、编程和决策前准备的日常入口。 看 AI 产品采用率时，最容易盯着注册用户或访问量。但这类...
# AI # LLM # OpenAI
阅读全文

Java 实时系统的事件驱动扩展：Kafka 背后的生产级取舍

来源: infoq.com 38
事件驱动架构很容易被描述成“天然可扩展”：生产者写事件，消费者水平扩容，Kafka 扛住吞吐。但在 Java 实时系统里，真正棘手的问题往往不是消息能不能进队列，而是状态放哪里、分区怎么切、重复事件如何处理、JVM 抖动会不会拖垮实时链路。 这篇文章基于一个 Java/Kafka 联络中心平台的经验展开：系统需要支撑约 80k BHCC（busy ho...
# AI # InfoQ # Java
阅读全文

Cursor 上手机：Cloud Agent 让代码审查不再绑在笔记本前

来源: oschina.net 35
Cursor 把 iOS 移动应用推向公开测试后，一个很具体的开发场景变得更顺手：你合上笔记本，Agent 继续在云端跑；CI 结束后，手机收到通知；你在路上看 diff、审 PR，甚至完成 merge。它不是把完整 IDE 塞进小屏幕，而是把“等待 Agent、检查结果、处理 PR”这段碎片化工作迁到手机上。 这次变化的核心不是 iOS App 本身...
# AI # LLM # 全栈
阅读全文

别再刷 Token 了：AI 使用率该从消耗转向产出

来源: oschina.net 42
去年有公司把员工的 Token 消耗量写进绩效考核，结果并没有自动带来生产力，反而催生了荒诞操作：有人让两个 Agent 互相聊天一整天，只为了把用量刷上去。这个现象被称为 tokenmaxxing：用行政指标逼团队“用 AI”，哪怕消耗本身没有任何业务意义。 更有意思的是，复盘者的判断不是“AI 没用”，而是“第一阶段的 tokenmaxxing 已...
# AI # LLM # 全栈
阅读全文

PostgreSQL 表太多时，内存和元数据查询会先撑不住

来源: postgr.es 43
“表很多”听起来像是建模风格问题，但在 PostgreSQL 里，它也可能变成实打实的内存和 CPU 问题。一次故障排查中，Linux OOM killer 会偶发杀掉 PostgreSQL，另一些长查询则持续占用 CPU、拖慢应用；最后问题都指向同一个根因：单个数据库里有成千上万张表以及随之膨胀的元数据对象。 排查 PostgreSQL 内存问题时，...
# AI # Go # LLM
阅读全文

ACL v1.0：当 AI Agent 开始读仓库，商业许可证也要补课了

来源: oschina.net 42
AI 编程工具已经不只是“看几行代码给补全”了。Copilot 在 IDE 里联想，Codex 类工具能重构项目，企业内部 agent 还会轮询仓库、索引依赖、生成补丁。问题是：很多商业源码许可证诞生时，并没有认真描述“AI 可以拿这些代码做什么”。 ACL v1.0 的发布，正是冲着这个空白来的。它试图回答一个新问题：在 AI 时代，代码“可见、可用...
# AI # LLM # 全栈
阅读全文

TaiXu-Admin V0.1.1：把 Skill、RAG 和 Agent 的工程边界补齐

来源: oschina.net 56
TaiXu-Admin V0.1.1 的更新重点不在“又接了一个模型”，而在应用系统真正跑起来后会遇到的工程问题：技能怎么加载，知识库怎么重构，历史记忆怎么管，RAG 和 Agent 出错时怎么兜底。这些能力看起来不如模型参数醒目，却直接决定一个 LLM 应用能不能稳定交付。 这次发布实现了 skill 技能加载，并支持在 YAML 中配置全局 ski...
# AI # LLM # Python
阅读全文

Hugging Face 模型页展示 Every Eval Ever：选模型时少翻几张表

来源: huggingface.co 48
Hugging Face 模型页开始展示 Every Eval Ever 的评测结果，这件事对日常选型很实际：开发者不用只靠模型卡里的自述、排行榜截图或社区帖子来判断模型能力，而是可以在模型页面附近看到更多结构化评测信号。它不会替你做最终决策，但能把“先筛一轮候选模型”的成本降下来。 大模型选型最麻烦的地方，不是找不到模型，而是同名、同尺寸、同架构变体...
# AI # Hugging Face # LLM
阅读全文

走进 Genebench-Pro：如何用更工程化的方式评测基因组 AI 工具

来源: openai.com 43
Genebench-Pro 这个名字透露出两个关键信号：它面向基因相关任务，且强调“Pro”级别的评测。由于来源摘要没有提供更多实现细节，本文不把具体能力包装成既成事实，而是从工程视角讨论：如果你正在引入基因组 AI、LLM 生物信息助手或自动化分析代理，类似 Genebench-Pro 的专业评测体系应该关注什么，以及团队可以怎样搭建一个可复用的最小...
# AI # LLM # OpenAI
阅读全文

GeneBench-Pro：用真实基因组学任务检验 AI 的科研能力

来源: openai.com 41
AI 在生命科学里的热度很高，但真正难的是：模型能不能处理复杂、真实、带噪声的科研数据，而不是只在整理过的问答题上表现漂亮。GeneBench-Pro 的意义就在这里——它把评测重点放到基因组学、生物学和科学研究场景，用更接近真实工作的数据集测试 AI 的能力边界。 很多通用 AI benchmark 擅长衡量语言理解、代码生成、数学推理，但生命科学任...
# AI # LLM # OpenAI
阅读全文