搜索“编码”

→ Figma agent 应始终遵循的规则 → 这些规则的例外情况 → 应避免的错误以及应采取的替代做法 → 如何在相似的组件、变体或模式之间做选择 一旦 agent 拥有了你的库，它就知道有哪些构建块可用。但有些决策无法从库本身明显看出，比如何时使用某些组件，或者何时存在该用法的例外。 Guidelines——附加到你已发布设计库的书面说明文件——正是你编码这些判断的地方。对于任何启用了库的提示，它们都会被自动包含，为 agent 在创建新设计时提供可遵循的指导，而无需每次都有人重新说明。 当 agent 从零开始创建设计时，Guidelines 效果最好。我们正在努力改进它在编辑现有设计时应用 Guidelines 的一致性。 要添加 Guidelines，请打开你的设计库。然后前往 Library → Manage guidelines，上传包含你 Guidelines 的文件，并点击 Apply changes。 例如，假设你的库同时包含主要按钮和次要按钮，但你的团队在结账屏幕上始终为“Place order”CTA 使用主要按钮。你可以把这条规则写进 Guideline，让

匹配字段正文

报告之前修复问题 启用告警和自动修复后， Monitoring Agent 会在问题发生时收到通知。它会调查原因、验证修复，并通过电子邮件向你发送事件摘要。 自动部署修复 启用自动发布后， Monitoring Agent 可以部署经过验证的修复，并汇报改动了什么。修复是否自动发布由你决定。 迈向自主软件团队 Replit 是首个在云端实现 agentic 编码的平台。随着 agent 能力不断增强，我们的重心正从单一的编码 agent 扩展到 能够完成现代软件工程团队所能做的一切乃至更多的自主软件团队。 我们相信，软件的未来是由 agent 团队协同工作，来构建、维护、保护和优化软件，而创作者负责设定方向并保持掌控。 在过去六个月里，我们推出了业界领先的系统，用于 黑盒安全扫描, 增长, 以及现在的生产监控。这些是迈向自主 agent 团队的重要步骤，这些团队能够管理任何在 Replit 上构建的应用、工具或业务。 所有这些都服务于一个简单的理念：应该让更多人能够把想法变成现实。 构建应用只是这段旅程的一部分。保持其可靠、安全、可被发现并持续改进，历来需要一整个团队。通过让每位创作者

匹配字段正文

除了因配置损坏而无法在任何加速器上运行的模型，并筛选出数十万个具有可运行、可执行代码的模型。 在所有那些模型上评估 TorchNeuron 代码的每一个修订版本将极其耗时。然而，而且此外，其中许多模型执行相似的任务或处理相似类型的数据。 因此，我们团队的成员构建了另一个智能体，根据一组定义的架构属性对模型进行分类。例如，大型语言模型有三个主要组件：前端通常是编码器，针对不同数据类型（如文本、音频、图像、视频或其某种组合）进行专门化。主干包含主要的 Transformer 块、注意力机制和前馈层，但注意力机制可能是自注意力、交叉注意力或两者兼有，并且有多种变体，如 flash attention、ring attention 和 delta attention。最后，后端将模型的内部表示转换为可用的输出形式，这可能是任何类型的数据，通过任意数量的策略生成。 在所有模型中，无论是 LLM 还是其他模型，我们发现仅 841 个代表性模型就覆盖了 TorchNeuron 在实际中可能遇到的所有设计特征。 但即使在 841 个模型上完整评估新的代码修订版本，对于快速回归检测来说仍可能耗时过长，因

匹配字段正文

还是 FinOps 问题？ Kevin Stumpf： 良好的支出可见性要求每一次 AI 交互都流经一个集中式系统。正是这一点让你能够一致地锁定正确的信息，从而在其之上构建可靠的仪表盘和告警。AI gateway 为跨模型、智能体、工具和团队的 AI 成本管理提供了一个集中式控制点。Databricks Unity Gateway 旨在跨模型、智能体、工具和编码智能体提供这一集中式控制点。当 AI 交互流经一个共同的控制点时，组织就可以在一个地方观察使用情况、归因成本、执行预算并优化支出。 但仅有集中式系统本身还不够。你还需要一种方式来确保每个人都确实将其 AI 流量路由通过该系统。可见性只有在采用是普遍而非可选的情况下才能发挥作用。 平衡成本优化与输出质量 成本控制不能以牺牲质量或可靠性为代价。你如何判断某项优化已经走得太远，并开始损害输出？ Kevin Stumpf： 这确实因用例而异。你需要一个反馈机制，它可以是主观的，也可以是客观的。主观反馈是轶事性的，团队中有人告诉你，他们在当前预算内无法完成工作。这种反馈获取很快，但很容易被当作一个人的抱怨而不予理会。客观反馈来自自动化评估

匹配字段正文

图优先事项包括将智能体框架连接到训练系统、验证环境、提供训练配方，以及在训练期间支持任务采样、课程和评估，各项 RFC 处于不同的审查和实施阶段，而非单一的即将发布的版本。 OpenSandbox OpenSandbox 是一个面向 AI 应用的通用沙箱平台，提供多语言 SDK、统一的沙箱 API，以及 Docker 和 Kubernetes 运行时，适用于编码智能体、GUI 智能体、智能体评估、AI 代码执行和强化学习训练等用例。“虽然 OpenSandbox 是在阿里巴巴创建的，但我们不希望它的未来由单一公司定义，”阿里巴巴开发基础设施负责人徐晓斌表示。 一份介绍该项目的基金会文章指出，OpenSandbox 采用 Apache 2.0 许可证，其沙箱协议是一组 OpenAPI 规范，主要包含两部分：用于创建、检查、暂停、恢复、续期、快照和删除沙箱的生命周期 API，以及用于运行命令和代码、处理文件、保持会话打开和收集资源指标的执行 API。一个名为 execd 的执行守护进程在每个沙箱内运行并处理这些工作，Docker 和 Kubernetes 运行时后端共享同一生命周期接口，其

匹配字段正文

-5.5 同等强度的模型的内部 Responses API 智能体流量中，约有 75–94% 符合监控条件，同时承认两个方向上均存在相当大的不确定性。Responses API 为 Codex 等提供支持，而在用于内部 Codex 智能体的那部分流量中，评估者估计有 99.2% 符合监控条件。他们表示，由于访问权限和时间限制，无法估算他们所知的其他内部智能体编码流量的规模，例如在 OpenAI 内部研究推理服务上运行的智能体。 若干发现涉及该覆盖范围的缺口。演练开始时，强化学习训练运行不在监控系统的覆盖范围内，尽管评估者获悉，在 3 月至 6 月期间，一部分 RL 训练 rollout 已接受失准监控。METR 估计，不监控压缩事件很可能导致 2026 年 5 月至 7 月期间约 10% 的符合条件的内部 Codex 流量未被监控，这一缺口 OpenAI 员工在演练开始前已独立发现，并在演练期间修复。由于系统在智能体将控制权交还给用户时才会触发，智能体本可以仅通过在该期间持续行动来无限期推迟被监控；受访问限制，评估者无法核查实际上是否有任何智能体这样做过。另外，评估者看到的信息表明，在

匹配字段正文

们不禁思考： （作为用户）我能否直接在聊天中与图表交互，以探索数据并根据我所选的内容提出后续问题？ （作为开发者）我能否让我为客户构建的 AI 智能体生成交互式可视化，帮助他们探索和理解自己的数据？ 是的，这是可能的，但存在显著的实践差距。即使拥有能力强大的前沿模型，我们仍然面临： 高生成成本。智能体很少能在一轮内生成完全令人满意的交互式可视化。反复的推理、编码和调试会消耗 token 和时间。 可靠性。交互式可视化本身就颇具挑战，富有表现力的交互式图表很容易引入糟糕的布局或损坏的交互，而我们在尝试修复这些问题时又可能引入新的问题。 这些挑战有助于解释为什么在现实应用中持续生成高质量的交互式可视化仍然困难。同时，一些可视化库中的内置交互本身表现力不足，无法创建定制的交互式图表。而这些挑战的根源在于缺乏一种既有表现力又高层的语言来指定视觉交互。 视频系列 再想一想 由 Sinead Bovell 主持的视频系列，围绕大家关于 AI 都在问的问题展开。汇集微软各领域的专家声音，我们剖析这项快速变化的技术所带来的张力与前景，探索什么在演变、什么有可能实现。 Flint-interactive

匹配字段正文

配置，从而离线识别帕累托最优策略。 2. 三层协同进化（APEX): 挑战： 单层提示调优只能提供脆弱的权宜之计，而无约束的代码自我修改则存在系统不稳定性风险。 机制： 智能体进化被划分为三个受治理的时间尺度： 第 1 层（临时热补丁）： 合成并挂载内存中间件工具，在数秒内中止正在发生的故障。 第 2 层（原则蒸馏）： 将经 Cloud KMS签名的经验教训编码至 Agent Platform Vector Search ，以便在未来告警时阻止禁忌操作。 第 3 层（拓扑重连）： 将永久性专家子智能体编入活跃的多智能体有向无环图（DAG）。 3. 步骤级 Shapley 归因（AgentEvolver): 挑战： 在混乱的事件中，多个干预措施会依次发生；粗粒度的结果奖励无法区分哪一步治愈了服务、哪一步造成了附带损害。 机制： AgentEvolver 利用干预前后的遥测增量（P99 延迟、HTTP 5xx 率和数据库连接池饱和度），计算每个执行跨度上的边际 Shapley 信用，从而将有益的补丁与错误的补丁区分开来。 3. 四阶段参考演练：自我进化的实际运作 我们 将此架构实现 为 G

匹配字段正文

a25330df36af7a1db16e8fb55529 64，用于追踪目的。 此次演练与METR对Hugging Face事件的调查相互独立，后者恰巧在此次演练的第一天被公开报道。↩ 一份经OpenAI删减的38页版本已与METR和Redwood的领导团队共享。↩ 与我们此前与Anthropic进行的压力测试演练（以及METR此前与许多实验室的合作）类似，我们只发布这份非公开报告的一小部分内容，并且OpenAI有权从这一公开版本中删减任何OpenAI（自行酌情）认定为机密或其他敏感的信息。与近期其他合作（如《前沿风险报告》和Hugging Face事件调查）不同，我们无权单方面说明此类删减内容，不过我们认可本文所呈现的每一项发现。↩ 请注意，这不包括我们所知的其他内部智能体编码流量来源，例如运行在OpenAI内部研究推理服务上的智能体——由于访问权限和时间限制，我们无法估算此类流量的规模。↩ 符合监控条件的流量本应被发送至监控器，但原则上，负载削减、监控器错误或实现缺陷可能导致部分符合条件的流量无法走完整个监控流程。↩ 由于访问权限限制，我们无法核查智能体在实践中是否利用了该漏洞。↩

匹配字段正文

ateway 一起，API Gateway 是 Google Cloud AI 网关能力的轻量级入口。 您可以流式传输的内容 API Gateway 现在支持现代 API 所依赖的全套流式传输模式： 服务器发送事件（SSE） ——将模型输出流式传输到浏览器或客户端 SDK 的事实标准，也是大多数 OpenAI 兼容聊天补全 API 背后的传输方式。 分块传输编码和 HTTP 响应流式传输 ——包括换行分隔 JSON（NDJSON）以及任何其他逐步交付的响应体。响应会随着您的后端生成而透传，而不是被缓冲并在最后交付。 WebSocket ——用于聊天、协作、实时仪表盘、通知和交互式会话的全双工连接。 gRPC 流式传输 ——服务器端流式传输和双向流式传输，因此您可以将网关置于此前无法代理的 gRPC 服务之前。 流最长可保持打开一小时。与任何长连接一样，客户端应实现重连逻辑，以便会话在流结束后仍能存续——行为良好的 WebSocket 或 SSE 客户端本来就应该这样做。 您的 API 契约不会改变 这是最令我们满意的部分： 没有任何新东西需要学习。 流式传输不是不同的产品、不同的资源类

匹配字段正文

独作为更小的嵌入使用。视觉 transformer 读取卫星数据，Attention Pooler 将输出 token 池化为每块土地一个向量，再由一个线性层将该向量降为 128 个数字。技术报告描述了一种 Matryoshka 式蒸馏，其学生模型是一个单线性层，与主干网络在同一次前向传播中联合训练，报告称这使得蒸馏基本没有额外成本。 报告指出，以 20 米编码器分辨率运行视觉 transformer 和 Attention Pooler 并输出 10 米结果，比以 10 米分辨率运行 transformer 便宜 7.7 倍：每个窗口分别为 308 和 2,378 GMACs。训练使用了与 OlmoEarth v1.2 相同的数据和配方——Sentinel-1、Sentinel-2 和 Landsat-8 观测，以及 WorldCover、WorldCereal、SRTM 和 OpenStreetMap 等地图目标——采用 AdamW 优化器，批大小为 512，训练 667,200 步。 基准测试结果与 PLANTEUR 数据集 Ai2 报告称，在覆盖六大洲的 27 项评测中，将 v

匹配字段正文

数据中心中的计算。 正如 Google 的两位杰出工程师 Rohit Jnagal 和 Ramanathan Venkatapathy 在一篇技术深度解析中所指出的，传统 VM 为开发者提供了大量控制和灵活性，但代价是在启动、挂起和恢复机器方面的速度。鉴于智能体启动和关闭的速度之快，这不是一个可行的选择。 他们指出，容器解决了其中一些问题，“但有许多例子，如编码智能体和开发者助手，需要完全隔离以及对智能体环境的内核级和根级控制。” Jnagal 和 Venkatapathy 写道，借助 Agent Compute Engine，团队回归第一性原理，构建了“一个统一的、面向 Google 的智能体计算平台”（现在也面向其客户）。 为每个智能体提供一台持久计算机 其核心基本上是为每个智能体提供一台持久的、沙箱化的计算机来工作。这使智能体能够使用 shell 脚本、使用无头浏览器，并在可能持续数周的智能体循环中编写代码（对该机器拥有 root 权限）。 但团队也为大规模用例构建了它，例如前沿实验室用于测试其模型的评估循环、AI 基准测试和强化学习。 此外，团队还将 Agent Compute

匹配字段正文

金和现金，并购买手摇式应急收音机。 而所有这些帖子都出现在人们使用 AI 驱动的工具发现 PHP 漏洞之前——PHP 是支撑互联网很大一部分的编程语言。过去几天里，eMudhra（一家提供网站安全证书的印度实体）、Node.js（PHP 的替代方案）、Gitlab（软件开发平台）、Plex（媒体服务器软件）、Railway（云服务提供商）、OpenCode（编码智能体平台）以及其他几家公司和服务中都被发现了重大漏洞或问题，不过，理所当然地，这些都没有像 PHP 漏洞那样受到如此多的关注。该漏洞被称为 PHP2Shell，由加州 Wiz 和 OpenAI 的研究人员利用 AI 发现。 Cloudflare 首席执行官 Matthew Prince 发帖说：“在 [PHP2Shell] 公开宣布前的 10 个小时里，我们在整个 Cloudflare 网络上看到了数千次利用尝试。宣布后的 45 分钟内，这一数字跃升至数万次，2 小时内达到数十万次，现在已是数百万次。”Cloudflare 这项服务对互联网的整体健康状况有着广泛洞察。 发生的事情如此之多、如此之快，以至于对我这个报道和编辑安全

匹配字段正文

n Gabrisko，首席营收官 了解更多 NVIDIA “Cursor 在我们的工程环境中广泛使用，并正在加速我们在 NVIDIA 的构建方式。通过与合作伙伴和客户分享我们的突破，NVIDIA 和 SpaceX Super Intelligence 将大幅提升企业大规模构建和运行智能体开发的方式。” 了解更多 Snowflake “在生产环境中部署 AI 编码智能体的最大障碍不是代码生成，而是安全性、权限和运营完整性。智能体的可靠性取决于其背后的企业上下文。SpaceX Super Intelligence 提供了构建者想要的自主工作流，而 Snowflake 作为企业 AI 平台，确保每一项操作都遵循组织逻辑、系统护栏和严格的审计轨迹。它让工程组织能够加速交付周期，同时完全保持其企业标准不变。” 了解更多 Galatiq “我们是一家由Grok驱动的前置部署工程公司，专为SpaceXSI打造，帮助客户将Grok转化为业务成果，而不是又一个试点项目。我们不会把路线图交给客户就一走了之。我们的工程师深入业务，与问题负责人坐在一起，在数周内将生产系统交付到他们的真实工作流程中。界定工作范

匹配字段正文

个错误。 § 2025年初，我在Politico上警告说，我们将面临网络安全领域的一场完美风暴，原因有四。 第一，生成式AI日益普及且价格不断下降，是网络攻击者的完美工具。尽管它不可靠且容易产生幻觉，但它在以几乎零成本生成听起来可信的文本（例如诱骗人们泄露凭据的网络钓鱼攻击）和深度伪造视频方面极为出色，使攻击者能够扩大攻击范围。一个网络犯罪团伙已经骗取了香港一家银行2500万美元。 第二，大型语言模型众所周知容易受到越狱和“提示注入攻击”等手段的影响，而对此尚无已知的解决方案。 第三，生成式AI工具正越来越多地被用于编写代码；在某些情况下，这些编码者并不完全理解所写的代码，而自动生成的代码在某些情况下已被证明会引入新的安全漏洞。 最后，在这一切之中，美国新一届政府似乎决心尽可能放松监管，削减成本，甚至公开羞辱员工。尽职尽责的联邦雇员可能会感到恐惧，许多人会倾向于另谋出路；执法和调查的质量与数量几乎必然会下降，使世界极易受到愈发肆无忌惮的攻击。 好吧，我们到了这一步。 § 以下是另外三项预测： 无论生成式AI造成多大的混乱，AI行业都不会承担真正的责任 特朗普政府几乎不会追究他们的责任。

匹配字段正文

影响的可视化表达 人改完路线，最想知道的是"我这一改，代价是什么"。 4.1 增量指标对比 4.2 冲突与约束提示 AI 重算后若新路线触发了限行、时间窗冲突或车辆载重约束，前端应以黄色警示条 + 地图虚线圈提示，而不是静默覆盖。推荐方案是在 routes 返回对象中携带 warnings 字段，前端按类型渲染。 五、可视化辅助图汇总 5.1 方案对比的视觉编码规则 图 3：视觉编码规则。用线宽 + 颜色饱和度双重编码推荐度，降低阅读门槛。 5.2 组件结构与数据流 图 4：组件与状态数据流。单一数据源（waypoints/routes）驱动地图与卡片双向联动。 清理函数中 removeLayer/removeSource 限制 ≤12 个途经点，超量走 Optimization API Mapbox Directions API 单次请求最多支持 25 个坐标点，使用 driving-traffic profile 时最多 3 个途经点；超过规模应改用 Mapbox Optimization API 或自建 OSRM 服务。 6.2 优化策略 增量渲染：只更新变化的方案 Source

匹配字段正文

、研究人员、企业以及希望在不从零构建一切的情况下试验 AI 的人们运行以开放权重和开源为主的 AI 应用。今年 9 月，英伟达同意以近 130 亿美元收购该公司。（今年早些时候，Hugging Face 还处于 OpenAI 模型发起的一次重大黑客攻击的中心。） DNA 更像计算机代码，而不是自然语言。不过，它不用 0 和 1，而是用 A、C、G 和 T 来编码信息。人类基因组包含 60 亿个这样的字母。尽管人类基因组已被端到端测序，科学家们仍不了解其中大部分是如何运作的。 如今，AI 模型正在帮助研究人员解开其中一些谜团。去年，Google DeepMind 发布了 AlphaGenome，它可以预测 DNA 序列和基因突变的影响，但以数字格式呈现。它还需要更多算力。Evo 2 是由 Arc Institute 和英伟达与学术合作伙伴共同开发的模型，它使用 DNA 的语言，可以从零生成完整的基因组。 Carbon-X 在对话式界面中同时整合了 DNA 和自然语言。可以把它想象成 DNA 版的 ChatGPT。 该团队从现有语言模型入手，扩展其词表，以每六个字母为一组读取 DNA。随后

匹配字段正文

芯片累计出货近46亿颗，拥有自主研发核心专利260余项，服务全球300余家终端客户。其中，加速度传感器全球安卓设备市占率超过30%，设计出货超过20亿颗；AMR磁传感器全球安卓设备市占率超过40%，设计出货超过25亿颗。 在工艺与产品层面，公司采用Fab-Lite模式，AMR等核心工艺自主可控，产品线覆盖热式与电容式加速度计、AMR 3D地磁传感器、AMR磁编码器、六轴IMU、eOIS影像稳定驱动芯片、霍尔开关等七大类，可提供从传感芯片、信号调理、算法、软件、系统解决方案到模块的一站式服务。目前，公司产品已广泛应用于智能汽车、具身智能与工业自动化、医疗健康、AIoT与消费电子、手机等多个主流赛道，服务国内外众多知名终端品牌。 面向未来：以标杆为起点，再启新程 面向未来，全球MEMS市场持续增长，AI算力、机器人、低空经济等新兴应用正在带来新的增量空间。在具身智能领域，传感器约占人形机器人BOM成本的15%～20%，是产业发展的关键环节。美新半导体的高精度AMR磁编码器角度测量精度达±0.07°，处于国际领先水平，已在机器人关节控制、高端工业伺服等场景实现应用。 站在新的起点上，美新半导

匹配字段正文

近日，联想新视界与全球领先的通用世界模型公司极佳视界正式签署战略合作协议。双方将以世界模型为核心，共建技术与算力协同体系，打通「数据—模型—硬件—场景」产业闭环，共同打造国内具身智能联合创新标杆。 01行业拐点：物理 AI 加速演进 当前，物理AI正加速从规则驱动向神经网络驱动演进。传统机器人的动作依靠人工硬编码规则，仅能适配固定工位，一旦面对真实世界复杂多变的工况，泛化能力、应变能力便会遇到明显瓶颈；而搭载世界模型这颗“大脑”的机器人，可以在虚拟空间预演物理世界、预判环境变化，自主推理决策，二者之间存在显著的智能化代差。 随着神经网络技术成熟，世界模型已成为具身智能与通用物理 AGI 的关键路径。想要实现具身智能大规模商业化落地，既需要底层世界模型与具身大脑的算法根基，也离不开稳定可靠的算力调度、部署运营与产业场景落地能力——这正是本次战略合作的交汇点。 02优势互补：两块关键拼图 联想新视界是国家级高新技术企业、国家级专精特新「小巨人」企业，依托联想集团全产业链资源优势，深耕深度视觉算法、领域大模型、空间计算、具身智能本体硬件，聚焦产业真实痛点，专注攻克具身智能落地「最后一米」，具

匹配字段正文

：领域专家和分析师通过标准化接口使用这些数据产品，以填充仪表盘、执行即席分析或训练机器学习模型。对数据的解读——理解关联关系、概念边界和业务逻辑——基本上仍由人类承担。 世界模型：AI 如何学习预测行为的后果 面向 AI 智能体的数据架构是否需要联邦式 Knowledge Layer？ 从脑部扫描到图像：AI 如何重建人们当前所见 OpenWiki 实测：为编码智能体提供记忆 教程：用来自互联网的最新事实丰富本地 AI 模型 链式操作如何演变为风险：AI 智能体中的传话游戏 Saskia Untiet-Kepp 博士是一位拥有博士学位的信息科学家，也是 Sopra Steria Custom Software Solutions GmbH 的高级经理。她的重点领域是数据架构、数据管理和数据治理。在专业上，她专注于构建面向未来的数据生态系统，作为高效 AI 应用的基础，以及运用 AI 支持的方法优化企业数据治理流程。她陪伴企业从战略架构设计、联邦式运营与角色模型的搭建，一直到语义数据与知识基础设施的可持续实施，作为高效 AI 生态系统的基础。 新的消费者：当 AI 智能体接管数据平台 随

匹配字段正文