Daily News #2026-10-24
- 从 LOOP 到图探索 —— 算法模型的 AutoResearch 自进化系统架构演进之路
- SLM 生成式高并发推理引擎：延迟约束下的有效吞吐优化
- FlashQLA：面向 Qwen 系列模型线性注意力的高性能优化实践
- WorkForge：基于 16665 个真实职场工作区训练大模型完成长程任务
- 后知识社会的五种稀缺能力：AI 时代人类不可替代的价值
- Uber brings ChatGPT Work to all employees with OpenAI
📥 Tech News
从 LOOP 到图探索 —— 算法模型的 AutoResearch 自进化系统架构演进之路
来源：美团 · 技术团队
发布时间：2026-10-22 15:03:06
美团技术团队基于 Karpathy 的 AutoResearch 原型，经三次架构重构打造出企业级算法研究自进化系统，将单线程 LOOP 升级为 CyclicGraph Engine 图探索架构，两个建模项目单任务耗时较人工基线分别减少约 85% 与 83%。
- 三次演进路径：V1 将 LOOP 搬上企业云端；V2 引入异步触发与 JSON 状态机解决上下文爆炸；V3 以 Spawn-Converge 机制（主 Agent 拆分互斥假设、子 Agent 上下文隔离并行验证、主 Agent 收拢对比决策）实现图探索，迭代速度较 LOOP 架构提升 18 倍。
- 可信度设计遵循“能用代码表达的约束不放在 Prompt 里”：状态文件为唯一事实源、已证伪方向写入硬约束直接跳过、原始指标与代码 diff 作为不可绕过的证据锚点、Skill 草稿须经人工审核才晋升入库。
- 系统与 Agent 基座解耦（无状态触发 + 有状态文件），基座升级可无缝切换；通过业务知识库、真实线上闭环反馈与经验沉淀实现越用越好。
- 局限明确：仅适用于指标可量化、实验结果可逆、单次成本可控的场景；归因可解释性仍不足，跨业务经验迁移存在幻觉风险，需人工交叉验证把关。
SLM 生成式高并发推理引擎：延迟约束下的有效吞吐优化
来源：美团 · 技术团队
发布时间：2026-10-22 15:03:06
美团针对搜推场景的“有界生成负载”（Prefill-Only 与固定 Beam Search 两类请求）自研 SLM 高并发推理引擎，以静态 DAG 组织完整业务请求，结合 AOTInductor 编译、Packed Prefill 与选择性 FP8 等优化，在平均端到端时延低于 20ms 约束下吞吐较 SGLang 提升约 10 倍。
- 核心判断：SGLang/vLLM 等通用引擎为无界生成设计，其调度策略与优化手段在搜推的短输入、固定 decode 上界负载下是负向优化，文章基于 G/G/1 排队模型重新推导了设计约束。
- 架构分层：离线用 Python 表达模型语义并经 AOTInductor 编译为 AOTI 节点产物，在线 C++ Runtime 负责 DAG 调度与资源管理；固定 Beam Search 的逐步控制被编译进单个生成节点，消除逐 step 调度开销。
- 关键优化包括变长样本 Packed Prefill 避免 padding 浪费、请求内 shared-prefix K/V 共享、跨请求 Prefix Cache 因命中率低而被主动放弃、多级并发资源在加载阶段预分配。
- 效果：约 0.6B 的 Prefill-Only 模型有效 MFU 达 67%，Beam Search 负载 MFU 约为 SGLang 6 倍；已在搜索意图分流、相关性判断、生成式召回等场景取得显著性并支撑全量推送。
FlashQLA：面向 Qwen 系列模型线性注意力的高性能优化实践
来源：InfoQ 推荐
发布时间：2026-10-22 17:08:07
Qwen 团队开源 FlashQLA 算子库，系统解决 GDN 线性注意力在 GPU 上的并行度不足、访存冗余与 SFU 负载过重三大难题，前向提速 2-3 倍、反向约 2 倍，已成为 FLA 官方后端。
- 痛点根源：GDN 的 chunk 递推存在序列依赖，每个 head 只能占用一个 SM，小模型头数少时 GPU 利用率严重不足；FLA 原实现的 W、U、S 中间变量写回 HBM 造成纯带宽浪费；Triton 无法精细编排流水线。
- 三项核心优化：auto CP 卡内序列并行以“计算换访存”打破依赖，并发现 60%-80% 的注意力头因遗忘门衰减天然具备滑动窗口性质，可直接复用序列并行算子；代数改写将大 Gamma 从矩阵求逆中提取，归并 O(C²) 次 EXP 运算以降低 SFU 压力；用 TileLang 手写 warp specialization 算子，四个 warp group 分工形成 two-stage 乒乓流水线。
- 基准覆盖 Qwen3.5/3.6 系列、GDN 头数 8-128，支持 Hopper 与 Blackwell 全家族，pip install 即用，vLLM 集成已由社区完成。
- 适用于大模型预训练、端侧推理与 TP 长序列部署，正推进卡间序列并行以支持 PD 分离超长序列推理。
WorkForge：基于 16665 个真实职场工作区训练大模型完成长程任务
来源：BestBlogs.dev - 精选文章
发布时间：2026-10-22 17:05:00
- 框架采用四步流程：专家撰写场景蓝图、收集真实材料搭建工作区、定义任务与验证标准、执行并打分；坚持使用真实材料，避免合成环境的”过度整理”，让智能体接触真实职场的复杂性；
- WorkForge-16K 数据集覆盖 40 个领域、60 种文件类型，工作区平均含 42.3 个文件、279 KB，任务平均 21.9 条验证标准；真实工作区文件数是合成工作区的 5.4 倍，证据分布在整棵目录树中，迫使智能体先探索再判断；
- 训练得到的 WorkForge-27B 在 GDPval 基准上达到 82.4 分，超过 397B-A17B 模型；模型行为发生明显变化，如每任务平均访问 6.52 个外部网站域名（基座的 5.3 倍），定向检索调用占比从 5.9% 提升至 16.2%；
- 实验表明真实工作区中的长程轨迹可有效迁移到不同评测场景，模型学会定位关键文件、交叉核对证据并生成高质量交付物，为 AI 智能体进入真实职场奠定了基础。
后知识社会的五种稀缺能力：AI 时代人类不可替代的价值
来源：BestBlogs.dev - 精选文章
发布时间：2026-10-22 17:15:00
腾讯研究院发文指出，在 AI 普及的”后知识社会”，人类的核心价值不再是以标准化技能给出正确答案，而是转向五种机器难以替代的稀缺能力。
- 提出好问题的能力：AI 能快速作答但难以自主发现新问题，从新角度提出问题需要创造性想象力，这才是拓展知识边界的关键；
- 犯错的勇气：AI 训练以规避错误、逼近标准答案为导向，本质上是保守的；重大科学发现往往源于意外失败，探索未知需要人类承担试错风险；
- 信息洪流中的判断力：面对海量数据，区分信号与噪声、确定研究重点的直觉，是 AI 目前难以模拟的复杂决策能力；
- 跨界迁移的灵活性：AI 可在单一领域达到专家水平，但将不同领域知识结合、创造全新方案是人类的独特优势；
- 同理心：真正的同理心是一种”存在状态”，需要时间与真实的情感投入，无法被训练或模拟。
文章主张利用 AI 处理日常事务，释放而非替代这些人类特有能力，适合关注个人成长与 AI 时代职业方向的读者阅读。
Uber brings ChatGPT Work to all employees with OpenAI
来源：OpenAI News
发布时间：2026-10-22 08:00:00
Uber 宣布与 OpenAI 合作，向超过 30,000 名员工全面推出 ChatGPT Work。
- 部署规模覆盖 Uber 全部 3 万余名员工，属于 ChatGPT Work 在大型企业中少见的全员级落地案例
- 应用场景包括：辅助团队开展研究、分析数据、制作演示文稿，以及完成复杂的多步骤工作流
- 消息属于企业 AI 采用动态类新闻，技术细节有限，适合关注大模型商业化与企业落地进展的读者快速浏览
- 原文为简短公告，未披露部署节奏、定价、使用成效数据或后续计划等进一步信息