随着 AI 技术加速融入软件研发流程，AI 已经成为新时代的“代码贡献者”。在显著提升研发效率的同时，AI 生成代码也对软件安全、漏洞治理和工程责任边界提出了新的挑战。 围绕“AI 生成代码在真实世界中的表现与安全性”这一问题，腾讯安全平台部悟空代码安全团队联合北京大学 Narwhal-Lab 与复旦大学系统软件与安全实验室，基于开源项目与真实漏洞（CVE）数据，开展了系统性的实证研究，分析 AI 生成代码的使用趋势、安全风险及其在漏洞生命周期中的角色演变，并提出面向工程实践的治理思路。
从静态页面到模块化开发，前端工程化经历了怎样的演进？Webpack、Vite、Rspack 这些打包工具各自解决了什么问题，在实际项目中又该如何选择？
从 2010 年至今，Android 架构的迭代始终围绕“解耦、可维护、可测试”的核心目标，一步步从“代码堆砌”走向“规范化设计”。本文将通过 7 个阶段梳理这段进化史。
在人工智能领域，"One Model"（单一模型）范式正在成为一种新的技术信仰。从GPT系列统一自然语言处理任务，到DALL·E统一图像生成；从国内快手 OneRec 再到如今腾讯广告提出的GPR（Generative Pre-trained Recommender）——这种范式转变背后的核心理念是：用一个端到端的生成式模型替代传统的多阶段级联系统，实现目标一致、流程简化和全局最优。 本文将深度解读腾讯广告与清华大学联合发表的这篇突破性论文，重点关注GPR如何首次在工业级大规模广告推荐业务中落地了端到端生成式框架，以及这一范式为何能在微信视频号广告系统中取得显著的商业成功。
在我们的业务中，一个基于Vision Transformer (ViT)微调的色情图片分类模型扮演着关键角色。它在线下评估中表现出色，然而，当我们将它部署到生产环境提供在线推理服务时，真正的挑战才刚刚开始。 我们最初采用训练时的PyTorch框架 + Flask提供WEB服务的方案，但性能测试结果给我们敲响了警钟：单张图片的端到端平均延迟 53.64ms。令人困惑的是，GPU核心、显存等关键资源的利用率始终不高。在业务压力下，我们首先依靠增加服务副本、利用多进程并发的方法来支撑，这显然不是一个可扩展、高效率的长期解决方案。 那么，如何榨干GPU的每一分性能？本文将完整复盘我们的优化之旅，记录我们如何通过七个阶段的迭代，跟随性能瓶颈的不断转移，将单张图片的平均处理时间从 53.64ms 极致压缩到 8.34ms，最终实现了超过 6.4倍 的性能提升。
本文来自携程刚刚上市的《全球化技术架构与实战》一书。携程集团自2016年起启动全球化战略，在全球化进程中，技术团队在挑战中学习，在磨砺中成长，积累了许多值得借鉴的经验。全书以“全球化业务落地”为主线，深入剖析了从架构设计、流量调度、数据合规、基础设施，到体验优化、支付建设、客服系统及IT运维的完整技术实践，希望帮助出海企业规避技术陷阱，助力业务在海外平稳落地。 本月起，我们将推出4篇出海主题系列文章，带大家一起抢先看看新书中的部分精华内容。
美团LongCat Interaction团队联合上海交通大学听觉认知与计算声学实验室，以及香港科技大学的研究者，共同完成了大模型剪枝方法的创新研究，提出了名为DenoiseRotator的新技术。通过首先对参数矩阵进行变换，“将知识和推理能力浓缩到由少量参数组成的子网络内”，“再裁剪掉子网络外的参数”，实现了大模型剪枝的新范式。DenoiseRotator能够与现有的剪枝算法快速集成，有效缓解模型压缩带来的性能损失。这一研究成果已在2025年的NeurIPS会议上发表。
