AI 基础设施

Fortress：通过时序数据增强与特征剪枝稳定搜索推荐

搜索推荐系统最头疼的不是精度不够，而是今天好用明天崩盘。苹果这篇实战论文直接告诉你，问题出在输入特征的时间不稳定性上，并用一个叫 Fortress 的四步法，优雅地剪掉了那些最会“捣乱”的特征，让模型效果既准又稳。

Tom Tunguz 拆解了搜索技术从关键词到语义再到Agent的进化路径，点出了当前系统在意图理解和实时执行上的硬伤。混合搜索加MCP协议的架构让检索准确率提升的同时延迟降到毫秒级，值得每个做AI应用的人细读。

Nexus SDV 是个开源的车载AI平台，用Arm计算和Bigtable降成本，拿Gemini模型做实时代理，安全从底层到应用层都做了硬隔离。汽车厂商想低成本试水智能网联，这个方案值得一看。

Photoroom公开了他们训练PRX模型的数据管道全流程，从混合数据源、VLM重标、格式选择到过滤去重，每一步都有实测数据和经验教训。特别值得一提的是他们对JPEG与PNG的严格对比测试，以及灵活的跳过列表设计，对做生成模型训练的同学很有参考价值。

传统MoE在每层独立选专家，效率极低。PathMoE发现token会自发聚类到少数路径上，于是通过简单共享跨层路由参数来强制放大这种模式，在0.9B和16B模型上效果显著，还省掉了麻烦的辅助损失函数。思路直接，证据扎实。

LeRobot v0.6.0 把机器人学习的闭环真正打通了：世界模型策略在训练时学会想象未来，推理时零成本；奖励模型自动判断成败；部署时出错的瞬间就能采集纠错数据，直接用于下一轮训练。整个流程就像装上了飞轮。

Hugging Face 正在解决自定义 GPU 内核的安全分发难题：通过新仓库类型、受信任发布者和代码签名机制，让恶意内核无机可乘，同时为 AI Agent 自动编写和迭代内核铺平了道路。

别再替 Claude 操心了。Anthropic 用实验数据证明：让模型自己用代码编排工具调用，比你在 harness 层硬写逻辑更高效。同一个任务，Sonnet 3.5 还困在第二关，Opus 4.6 已经拿到三个徽章还会总结经验了。信任模型，拆掉无用边界。

Anthropic推出Claude Managed Agents，将agent部署从数月压缩到数天。内置编排引擎、沙箱执行、会话持久化和多agent协作，聚焦业务逻辑而非基础设施。定价透明，Notion和Rakuten已验证一周内完成部署。