本文是 QQ 25 周年技术巡礼系列的最终章，在前两篇文章中，我们以《QQ 25年技术巡礼丨技术探索下的清新设计，打造轻盈简约的 QQ9 》和《QQ 9“傻快傻快”的？！带你看看背后的技术秘密》为题，介绍了QQ 团队在视觉打磨、性能优化背后的探索，本文则将重点介绍手机 QQ 技术架构升级背后的技术故事。 手机 QQ 经过20多年发展，功能不断增加，代码不断累积，架构已经变得越来越臃肿，影响到协作团队开发效率，对用户体验、质量稳定都有较大风险，因此手机 QQ 亟需技术架构的升级。但是对如此庞大的项目进行架构升级，在行业内也是少有的，手机 QQ 架构升级面临的困难和挑战都十分巨大，本文将围绕项目背景、项目历程、项目挑战、项目成果等方面进行深入介绍。
Apache SkyWalking 团队今天宣布发布 SkyWalking 10。SkyWalking 10 提供了一系列突破性的功能和增强功能。Layer 和 Service Hierarchy 的引入通过将服务和指标组织成不同的层次，并提供跨层无缝导航，从而简化了监控。利用 eBPF 技术，Kubernetes 网络监控提供了对网络流量、拓扑和 TCP/HTTP 指标的详细洞察。BanyanDB 作为高性能的原生存储解决方案出现，同时扩展的监控支持包括 Apache RocketMQ、ClickHouse 和 Apache ActiveMQ Classic。对多标签名称的支持增强了指标分析的灵活性，而增强的导出和查询功能简化了数据分发和处理。 本文简要介绍了这些新功能和增强功能以及其他一些值得注意的变化。
生成式人工智能“顾名思义”就是用来生成创作内容的，所以作为内容领域定分止争的版权法一直为各界高度关注。目前，关于生成式人工智能版权议题的讨论也愈发聚焦，主要涉及三个方面：第一，大模型训练对于作品的利用，是否适用版权法上“合理使用”等限制与例外制度；第二，利用大模型生成的内容，能否受到版权保护；第三，大模型输出内容发生侵权的情形下，服务提供者的责任承担和注意义务的界定。本文希望基于国内外相关立法规则和司法实践的最新动态，并结合当下生成式人工智能产业与技术的发展现状，就上述三个议题涉及的争议关注焦点和应对解决思路加以分析、探讨。
为打包后的文件提供传统浏览器兼容性支持，实现对现代构建和传统构建的控制，提高项目的兼容性和稳定性。 能够实现将现代JavaScript代码向传统浏览器兼容的代码转换，实现降级处理 能够通过配置的目标浏览器环境，对现代JavaScript代码进行转换，生成对应目标浏览器的兼容代码 能够通过配置，自主控制是否生成传统构建、现代构建的代码产物
菜品作为到店餐饮各相关业务的基石，提供了更细粒度的视角理解餐饮供给，为到餐精细化运营提供了抓手。 美团到店研发平台/数据智能平台部与天津大学刘安安教授团队展开了“基于多模态信息抽取的菜品知识图谱构建”的科研合作，利用多模态检索实现图文食材的识别，扩展了多模态菜品食材识别的范围，提升了食材识别的准确性。该项工作提出了一个跨模态食材级数据集，该数据集提供食材及其关系有助于增强对中国烹饪的理解。介绍该工作的论文《Toward Chinese Food Understanding: a Cross-Modal Ingredient-Level Benchmark》被IEEE Transactions on Multimedia（多媒体领域权威期刊之一）收录。
部署时长不仅影响线上问题的解决恢复能力，也严重影响了我们日常的开发效率。本文记录了作者部署时的一些提效手段和最终的效果。
字节跳动内部有着非常浓厚的数据文化和实验文化，数据中台已经成为研发流程中的新基建，A/B测试也基本上是整个研发链路上的必经一环。那么如何将数据驱动有效应用在研发体系中呢？ 本文基于字节的多年实践从“研发流程中无处不在的数据驱动”、“如何建立可持续的数据驱动文化”、“数据驱动的ROI”三个方面，剖析构建数据驱动的新型研发体系，充分展现A/B测试如何“嵌入”技术研发的流程及其效果。
几天前，K8s Network SIG 发布了 Gateway API（简称 gwapi）的 v1.1 版本[1]，这个版本的发布包含了多项重要功能的 GA（一般可用），以及一些实验功能的引入。这两部分分别通过标准渠道和实验渠道发布。
本文整理自 4 月 16 日的 2024 百度 Create 大会的公开课分享《百舸 AIAK-LLM：大模型训练和推理加速实践》。 今天要分享的主题是 AI Infra 相关的内容，主要内容分为四部分。 首先和大家一起讨论大模型给基础设施带来的挑战。 第二部分则是向大家介绍一个大模型训练和推理过程中的关键性能指标 MFU，以及为了提升这个 MFU 业界已经做的一些技术和手段。 第三部分则是从百度百舸 AIAK-LLM 实际落地过程中遇到的一些问题出发，通过解决这些问题我们将大模型训练和推理的 MFU 提升到了一个非常好的状态。 最后一部分则是从产品维度简单介绍下相关能力和理念。
