NeurIPS 2026 | 小红书智创 AIGC 团队提出视觉文本生成新方法 GlyphAnchor
GlyphAnchor 通过位置锚定字形先验，提升文生图与图像编辑模型在长文本、复杂密集文本和生僻字场景中的文字准确性，同时保持图像质量。
阅读全文 ：NeurIPS 2026 | 小红书智创 AIGC 团队提出视觉文本生成新方法 GlyphAnchor
公众号
小红书技术REDtech
小红书技术团队官方账号,小红书技术创新与问题解读的分享平台,与你共前进.
这个来源的文章
拆解小红书存储底座 03｜从存得下到读得快：小红书自研对象存储实践
从多云统一接入到 HDD、SSD 引擎优化，看小红书自研对象存储 ROS 如何兼顾容量、带宽与成本，支撑多媒体、大数据和 AI 训练。
阅读全文 ：拆解小红书存储底座 03｜从存得下到读得快：小红书自研对象存储实践如何让 35B 模型做好财报分析与复杂办公？小红书 AllSpark 提出 Navalia
读财报、找证据、做多步计算、交付成果，AI如何学会完成复杂的专业与办公任务？小红书AllSpark团队提出Navalia，通过可验证任务合成与长程后训练，让模型在五项基准上均优于基座模型，得分提升13.07–23.06个百分点。
阅读全文 ：如何让 35B 模型做好财报分析与复杂办公？小红书 AllSpark 提出 Navalia拆解小红书存储底座 02｜让 AI 成为团队的一员：存储数据库助理实践
存储数据库团队的 AI 助理 SDBP 上线两个多月，独立解决数千个问题，日均独立解决的问题数量达到单名专家的 五倍以上，为团队提供了额外的问题处理能力。本文拆解它如何从一个答疑工具变成团队的一员。
阅读全文 ：拆解小红书存储底座 02｜让 AI 成为团队的一员：存储数据库助理实践揭秘小红书自研稀疏训练引擎 SparseGear：面向搜广推模型 Scaling Up 的资源协同与 HBM-Friendly 架构
为支持搜广推模型持续 Scaling Up，小红书自研稀疏训练引擎 SparseGear 重新设计了稀疏参数的计算、存储与通信方式，构建 HBM-Friendly 高性能多级稀疏参数存储架构，提升参数供给效率，为 Dense 扩展释放显存空间。
阅读全文 ：揭秘小红书自研稀疏训练引擎 SparseGear：面向搜广推模型 Scaling Up 的资源协同与 HBM-Friendly 架构QECon北京2026｜小红书创新产品的 AI Native 质量工程实践
小红书 Lab1327 打造了 QE Agent，目前已覆盖多个 App 和 PC 端产品，每月完成150余次完整测试。
阅读全文 ：QECon北京2026｜小红书创新产品的 AI Native 质量工程实践拆解小红书存储底座 01｜多源数据传输总线 RedDTS 2.0
一篇看懂 RedDTS 如何从单源传输走向统一数据总线，让多源数据高效、可靠地流转，支撑多样化业务需求。
阅读全文 ：拆解小红书存储底座 01｜多源数据传输总线 RedDTS 2.0小红书 X Rokid 智能眼镜：让 Personal Agent 走进真实世界
让 Personal Agent 走进真实世界。当下交流、任务期间与长期相处，由协同能力共同支撑；Personal OS 表示持续服务个人的系统愿景。
阅读全文 ：小红书 X Rokid 智能眼镜：让 Personal Agent 走进真实世界拆解小红书存储底座 00｜从孤岛走向融合：小红书存储与数据库架构进化
一篇看懂小红书存储与数据库，如何从烟囱式建设走向统一、分层、贴合业务的融合架构。
阅读全文 ：拆解小红书存储底座 00｜从孤岛走向融合：小红书存储与数据库架构进化怎么让大模型更好地利用上下文？小红书 AllSpark 提出增强上下文学习能力的数据管线
让模型读一份几十页的手册，再据此回答问题、执行操作，是真实业务中最常见的用法之一。
阅读全文 ：怎么让大模型更好地利用上下文？小红书 AllSpark 提出增强上下文学习能力的数据管线小红书推荐系统评测 Agent：上下文驱动的 LLM-as-Judge 实践
随着 Agent 逐步具备理解上下文、调用工具和持续执行复杂任务的能力，推荐系统研发开始探索新的工程范式。
阅读全文 ：小红书推荐系统评测 Agent：上下文驱动的 LLM-as-Judge 实践小红书 NeurIPS 2026｜用推理模型自己的思维链作 hint，1000 条数据教会模型“少想”
简单题直接答，难题再深度思考，让推理模型按题目难度分配思考长度。
阅读全文 ：小红书 NeurIPS 2026｜用推理模型自己的思维链作 hint，1000 条数据教会模型“少想”提速不降智，小红书DoSA将首token延迟无损减少近一半
百万 token 输入，首字还要等多久？小红书 DoSA 保持原始评分函数下的精确 Top-K，在三款模型上将首字等待缩短约 37%～48%。
阅读全文 ：提速不降智，小红书DoSA将首token延迟无损减少近一半训练中自己生成的 Rollout，模型还能学到什么？小红书 AllSpark 提出 ROSS
从自己生成的经验中学习，已成为大语言模型后训练的重要方式。 强化学习与 on-policy 蒸馏都依赖模型在训练中生成的 rollout。
阅读全文 ：训练中自己生成的 Rollout，模型还能学到什么？小红书 AllSpark 提出 ROSS【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