KEEP THE THREAD GOING
来自同一个声音
【世界杯专题03】让 4K 抵达每一块屏幕:世界杯音画质保障实战
球员动作连贯、画面细节清楚,精彩瞬间更有临场感。结合世界杯实践,拆解音画质增强、编码转码与多端播放的技术突破。
阅读全文 ↗:【世界杯专题03】让 4K 抵达每一块屏幕:世界杯音画质保障实战如何把 Skills 变成 Agent 的训练场?小红书 AllSpark 提出 Skill2Env
一份 Skill 能告诉 Agent 如何使用工具,但怎样把它变成有挑战、能执行、可评估的训练任务?小红书 AllSpark 提出 Skill2Env,从能力需求出发合成环境,再根据执行反馈逐步增加挑战。使用 1.5K 条轨迹微调,模型在七项 Agent 基准上均获提升。
阅读全文 ↗:如何把 Skills 变成 Agent 的训练场?小红书 AllSpark 提出 Skill2Env从单服务到跨应用工作流:小红书 AllSpark 提出 CompoWorld,探索组合式环境扩展
从数据库检索信息,到阅读文档、更新记录和发送通知,Agent 如何学会完成跨应用业务流程任务?小红书 AllSpark 提出 CompoWorld,在组合层面扩展环境,将 448 个可复用服务组合成训练环境,在八项 Agent 基准上较基座模型平均提升 9.17 分。
阅读全文 ↗:从单服务到跨应用工作流:小红书 AllSpark 提出 CompoWorld,探索组合式环境扩展从海量用户行为中挖掘 LLM 智能,十项基准全线提升
AllSpark 团队联合商业算法提出 Vela,探索将经过匿名化、脱敏处理的行为数据转化为更有挑战性的训练任务。实验中,35B 模型在用户理解主基准上提升 11.5 分,五项通用基准平均提升 4.0 分,并为后续强化学习提供了更强的能力基础。
阅读全文 ↗:从海量用户行为中挖掘 LLM 智能,十项基准全线提升从规则匹配到情境决策——小红书提出面向复杂情境决策的 Agent 学习框架AdaptEvo
小红书联合复旦大学、中山大学提出 Agent 学习框架 AdaptEvo,帮助 Agent 从规则匹配走向有证据支撑的情境决策。
阅读全文 ↗:从规则匹配到情境决策——小红书提出面向复杂情境决策的 Agent 学习框架AdaptEvoRED OHC 开源:刷新 Java 堆外缓存 SOTA,多线程性能最高达基线 3.38 倍
本文从搜推广链路的访问特点出发,介绍 RED OHC 如何处理并发读取、写入和内存回收,并给出基准测试结果。
阅读全文 ↗:RED OHC 开源:刷新 Java 堆外缓存 SOTA,多线程性能最高达基线 3.38 倍