在大数据处理和存储中，"小文件" 通常是指文件大小远小于HDFS（分布式文件系统）中块（block）大小的文件。一般公司集群的block大小在128MB/256MB这二者的居多，因此，公司对小文件的大小没有一个统一的定义，通常小的不足1MB，大的甚至达到32MB或更大。
我们是阿里云大模型技术服务团队，专注于通过专业技术服务，推动大模型技术在各行业的场景落地，涉及大模型的整体技术链路、PE调优，模型微调以及迁移支持等工作。
本文讲述了 Spring Cloud 应用中结合 Nacos 实现了运行期配置动态更新的功能，以及在此基础上结合 KMS 在不改动代码的情况下对应用使用的敏感配置进行保护，解决将配置迁移到 Nacos 中可能存在的数据安全顾虑，并对其底层工作原理做了简单介绍。
随风潜入夜，润物细无声，TencentOS内核团队今年4月在Linux社区提交的2个commit，在社区正式重视 Page Cache 问题前的几个月前，默默完成了 Bug 的修复并优化了性能。TencentOS内核团队的 Patch 被公认为最佳修复， Linus Torvalds 更评价其"不明觉赞，祝顺利" 。本文将由浅入深解析底层原理，厘清问题的来龙去脉。
本文将从两个常见的大模型翻车问题入手解析这些问题背后体现的大模型技术原理（Tokenization与预测下一个Token），并解释了为什么会导致这些问题，接着我们利用CoT（思维链）方法解决这些问题并基于上述原理试图剖析CoT方法起作用的可能原因，最后提出【理由先行】风格这一简单有效的Prompt Trick！
为了高效地发现、定位和解决预发问题，闲鱼团队研发了一套异常日志问题自动追踪-定位-分发机制。这套机制通过自动化手段，实现了异常日志的定时扫描、精准定位和自动分发，显著降低了开发和测试的成本，提高了问题解决的效率。
强化学习（Reinforcement Learning, RL）有两种基础的训练范式：在线强化学习（Online RL）和离线强化学习（Offline RL）。在线强化学习需要让智能体和环境进行交互，利用收集到的数据同步进行训练，但在环境中进行探索的开销很大；离线强化学习不需要和环境交互，直接利用已有的离线数据进行训练，但这种范式训练的智能体会受限于离线数据的质量和覆盖范围。 基于此，研究者提出了离线到在线强化学习（Offline-to-online RL）训练范式，先利用已有的离线数量训练得到离线策略，然后将其应用到在线环境进行少量步数的微调。这种范式相比于前两者，一方面通过收集少量的在线数据，能够突破离线数据的限制，更贴近实际场景；另一方面在线阶段的微调是以离线策略为起点，相比于从零开始的在线强化学习，只需要非常少量的交互就能快速收敛。这一研究领域主要研究两个问题，一个是分布偏移引起的性能下降，就是如果直接将离线策略应用到在线环境进行微调，会在微调初期出现性能的急剧下降；另一个是在线优化效率，由于在线交互的开销很大，需要用尽可能少的交互次数实现尽可能大的性能提升
