标签
FARS是一个全自动研究系统，使用阶段特定的AI代理来处理构思、规划、实验和写作，在其首次公开部署中产生了166篇完整的研究论文，涵盖67个AI/ML主题。
Rohan Paul 引用 Perplexity 首席执行官 Aravind Srinivas 的观察：现在，个体高级用户消耗的算力相当于整个团队，标志着 AI 使用模式的转变。
推荐一本开源书《The Accidental CTO》，作者分享了从零到百万用户的架构演进实战经验，涵盖扩展、分布式选型、可观测性等核心内容。
@system_monarch的一条推文列出了27个核心系统设计概念（从入门到高级），推荐用于顶级科技公司（如Google、Meta和Uber）的高级软件工程面试。
探讨了AI的真正影响不是替代工作，而是通过消除瓶颈来扩展专业知识，引用了Perplexity、GitHub Copilot和Rilla等工具。
一篇博客文章分析了M/M/c队列模型，并表明在负载均衡系统中增加服务器数量，在恒定每服务器负载下可以改善延迟，这是云经济学中一个有益且有些违反直觉的结果。
本文认为，像 Harper 语法检查器这样的本地优先软件通过在设备上运行代码来避免扩展问题，使其能够在无需额外服务器成本的情况下轻松应对流量高峰。
本文解释了为什么在Postgres中进行大规模DELETE操作效率低下且会增加额外工作，并建议使用DROP TABLE或TRUNCATE作为批量数据删除的更可扩展的替代方案。
本文提出RACES，一种递归自动组合框架，将可验证环境视为可组合的构建块，以扩展LLM的强化学习规模，通过组合算子实现高效的推理泛化。
本文扩展了MST-Direct方法（一种使用Sinkhorn最优传输进行多元地质统计模拟的方法），从双变量无条件小网格设置扩展到多元、条件和大规模设置，精确保持联合分布，并优于现有方法。
亚马逊讨论了扁平数据中心网络拓扑结构的演进，从理论上的扩张图到实际实现（如VL2和Jellyfish），以及在AWS中基于彭罗斯铺砌设计的当前研究。
匿名爆料称某机器人公司因算法规模化成本过高且尝试VLA、world model和RL均无效，已放弃科研投入，转而制造大型机器人玩具欺骗投资者。
讨论AI代理是否应基于用户当前需求推荐工具，还是考虑未来的可扩展性，以及如何沟通潜在的长期限制。
本文认为，表示学习（而非基于模型的规划）是可扩展多任务深度强化学习的关键。文章介绍了MR.Q，一种简单的无模型算法，通过辅助预测目标，在多种连续控制任务上优于之前基于世界模型的方法。
作者讨论了在规模化处理非结构化数据时，代理集群/工作流的使用日益增长，并指出当并行部署超过30个子代理时，可靠执行会显著下降，同时预告了一种将智能决策与可靠任务执行相结合的解决方案。
研究人员提出了一种用于图生成的轻量级自回归框架，该框架使用结构引导的拓扑排序实现了接近对数线性的复杂度，解决了现有扩散和自回归方法在可扩展性和新颖性方面的局限性。该方法同时支持LSTM和Mamba风格的主干网络，在分子和非分子基准测试中展示了改进的新颖性，同时保持了有效性和独特性。
一个全面的系统设计大师树，涵盖从基础知识到实际应用的各个方面，包括架构模式、数据库、缓存、消息系统、API设计和部署策略。旨在作为软件工程师的结构化学习指南。
介绍了MASC（边际自校正），一种用于大型语言模型的高效遗忘方法，采用在线停止规则，以降低的计算成本实现有竞争力的遗忘-保持权衡，并在TOFU和MUSE基准上得到验证。
马丁·卡萨多的一条推文，强调了一种解决方案，该方案解决了大规模向AI智能体暴露追踪数据这一难题，并平衡了成本与AI的杠杆作用。