ITPub博客

2026年10月13日 - 链接博客 在 Anthropic 重新设计源代码控制（via）一篇来自 Anthropic 的有趣文章，描述了他们在过去六个月代码变更速度急剧增加后，为何以及如何构建自己的 Git 自定义替代方案。 2026年5月，Anthropic 平均每天合并约 2,500 个代码变更；截至9月，我们每天合并超过 30,000 个。 他们附上了一张展示这些变更的图表。我让 Claude 修改了他们的图表（代码在此），为他们在 2026 年每个模型的公开发布添加了标记： 这显示的是公开发布日期，而非模型可供 Anthropic 内部使用的日期。我的猜测是，Fable/Mythos 级模型的引入是编码速度提升的关键因素。 "Antique" 是他们新的代码审查系统。

在管理时间和成本的同时，从 GPT‑6 模型获得最佳结果的实用技巧 GPT‑6 是我们迄今为止最先进的模型套件，为你提供适用于不同类型工作的模型选择。 无论你是将想法转化为可运行的原型、构建和测试功能，还是跨代码仓库、数据库和外部 API（应用程序编程接口） 编排多步骤工作流，本指南都将说明如何选择 GPT‑6 模型、给出有效指令、管理长时间运行的工作，并为生产环境做好准备。 GPT-6 Astra 我们最智能的模型，可获得最佳结果。输入 $10.00 输出 $50.00 缓存输入 $1.00 GPT-6.1 Sol 接近 Astra 的智能水平，价格仅为其五分之一。输入 $2.00 输出 $10.00 缓存输入 $0.10 GPT-6 Luna 快速高效，适合大规模日常工作。

pwasm 是我的一个业余项目——一个完全由氛围编程（vibe-coded）生成的纯 Python WebAssembly 引擎，是我在一月份第一次陷入 AI 狂热时构建的。 自一月份以来我就没再碰过它，所以我决定让 Claude Opus 5.5 放手一试，看看它能否做出任何重大改进： 评估 pwasm 的当前状态——然后考虑需要什么才能让研究仓库中的 MicroPython 和 micro JavaScript 实验在它上面运行——以及需要什么才能加速它 经过 42 次提交（几乎没有后续提示），它现在几乎处理了所有 WASM 规范，并且来自 PyPI 的 wheel 包捆绑了可用的 MicroPython、QuickJS 和 Micro QuickJS 的 WASM 构建。

对于在 AWS 上运行生产工作负载的组织而言，缩短事件检测、调查和修复之间的时间是一项关键优先事项。当问题出现时，值班工程师通常需要快速诊断跨应用程序组件的问题、确定根本原因并应用修复，而且往往是在深夜进行。 AWS DevOps Agent 是一个由 AI 驱动的智能体，它基于关联的指标、日志和应用程序拓扑，全天候自主分诊事件，通过提供根本原因分析（RCA）和解决建议，解决了这一优先事项的前半部分。然而，为了保持控制并帮助防止意外更改，组织通常将其可观测性智能体（包括 AWS DevOps Agent）保持在观察和报告模式，即智能体诊断问题但不直接修改生产资源。

一种新的视觉广告形式帮助人们探索产品和服务，并扩展了衡量工具，帮助企业了解广告效果。 我们在 ChatGPT 中引入了一种新的视觉广告形式，扩展了我们的衡量工具和合作伙伴关系，并开发新的方式来理解品牌适宜性。 ChatGPT 每周触达 12 亿人，使其成为全球最大的 AI 原生消费者平台。广告帮助我们让更多人受益于 AI。这种广泛的触达是我们使命的核心，也是我们业务的优势。它使我们能够服务于比仅靠订阅大得多的市场，同时为企业提供一种新方式，在人们探索想法、做出决策并发现与其目标相关的产品和服务时触达他们。 我们新的视觉广告形式帮助人们想象产品和服务如何融入他们的生活。通过展示产品灵感、产品使用方式或它们所带来的体验的图片，人们可以发现新品牌、理解某个产品的独特之处，并决定购买什么。

在当今技术限制内促进透明度。 内容溯源帮助人们了解内容的来源、创建或编辑方式，以及是否包含与我们模型相关的信号。我们已公开提供工具，用于识别由我们模型生成的图像和音频。今天，我们分享针对欧盟《人工智能法案》的文本水印方案，以及它如何融入我们更广泛的工作。 欧盟《人工智能法案》要求生成式人工智能提供商以机器可读的方式使生成的文本可识别。文本水印和检测仍是早期技术，存在显著局限性，关于其益处和负责任使用的观点仍在发展中。我们的分阶段方案既反映了欧盟《人工智能法案》的要求，也反映了该技术的局限性，并强调对文本水印能与不能告诉人们什么保持透明： 从今天起，全球 API（应用程序编程接口） 客户将能够为部分模型选择启用文本水印。文本水印在 API 中默认保持关闭。

在这篇博客文章中，我们介绍了在 NVIDIA Blackwell (B200) 上关于 Jagged Flash Attention (JFA) 的工作——这是 Meta 的生成式广告模型 (GEM) 背后的注意力内核——该内核使用 TLX (Triton Low-level Extensions) 构建，TLX 在 Triton 高层次的、基于 tile 的编程模型之上增加了显式的、硬件感知的控制。 注意力是 GEM 中最慢的单个内核，而要在 Blackwell 上达到峰值性能，传统上需要手写 CuteDSL 或 CUDA（NVIDIA 并行计算平台和编程模型）——开发缓慢且难以扩展到新的变体。我们展示了 TLX 在这两方面都弥补了这一差距。

智能体自动化，即能够推理并适应以完成任务的软件，正出现在人工智能卓越中心（AI CoE）的路线图中。但企业论证自动化投资的标准方式——节省的工时乘以人力成本再减去构建成本——是为基于规则的工具（如机器人流程自动化（RPA））设计的。该模型忽略了智能体所创造的大部分价值。 在本文中，我们介绍一个框架，AI CoE 领导者可用其构建能够捕捉智能体自动化全部价值的商业论证。您将了解为什么 RPA 时代的 ROI 模型存在不足、如何衡量它所遗漏的价值，以及哪些工作流值得用智能体来自动化。 经典的投资回报率（ROI）模型是为稳定、大批量、基于规则的工作而构建的：统计交易数量、测量分钟数、乘以综合费率、减去构建成本。RPA 正是凭借这些条件赢得了自己的地位。 该模型假设了它所服务的世界。

Cloudflare 现已成为全球 1,000 个最大网络中 74% 的最快提供商，高于 2026 年 4 月的 60%。这一巨大提升意义重大，因为每一毫秒都会影响用户访问其依赖的应用程序、API（应用程序编程接口）和网站的速度。在本期生日周性能更新中，我们将回顾如何获取测量数据，介绍一种使用 Cloudflare Challenge Pages 的新测量方法，并讨论这些改进在哪些方面对客户产生了最大影响。 8 月，Cloudflare 在 74% 的顶级网络中是最快的提供商，较 4 月智能体周期间的上次更新提升了 14 个百分点。下图展示了 Cloudflare 成为最快提供商的国家。

一项在合同领域的合作研究如何帮助我们训练和评估 AI 智能体完成复杂的专业工作。 当我们推出 GPT‑6 Astra 时，我们展示了模型在将计算机用于专业工作方面取得了多大进展，从准备文档到测试网站。我们的下一个目标是让智能体在使用专业软件解决复杂业务问题时更加有能力、更高效。我们正在探索如何训练模型理解公司的业务规则、执行多步骤工作流，并验证其工作是否满足原始要求。 为了加速这项研究，我们直接与少数最了解这些工作流的软件公司合作。我们共同识别具有挑战性、高价值的任务，并将其转化为用于训练和评估我们模型的研究问题，最终使我们的模型在真实业务应用中更有能力、更有用。 我们的第一个合作伙伴是 Ironclad，AI 合同领域的领导者。

发布于 2026 年 10 月 5 日，作者 Onkar Raghunath Shelke。SRE。在四个 KubeStellar 导师项目中担任 CNCF/LFX 导师（2025 年第 2 和第 3 学期）。GSoC 2026 贡献者，就职于 Red Hat，从事 JBoss Web Server 工具开发。CKA、RHCSA、AWS SAA。印度浦那。 本文重点介绍的 CNCF 项目 一个工作节点因 NodeFilesystemFilesFillingUp 触发告警。它即将耗尽 inode。你先检查磁盘，因为这是所有人都会先检查的，结果显示已使用 83%：已用 103G，可用 22G。然后你检查 inode：已使用 67%，已用 11M，可用 5.3M。

了解如何使用执行轨迹来理解智能体行为，并判断测试框架的变更是否改善了任务结果。 智能体可以完成任务，但仍可能走低效路径。一次失败的搜索可能触发另一次搜索。一次被截断的文件读取可能导致命令再次获取相同内容。正确的最终答案会掩盖这些额外步骤，尽管它们会增加延迟并消耗 token。低效会带来更多失败的机会。 要改善智能体的行为，开发者必须了解任务是否成功以及智能体是如何完成任务的。仅靠成功检查无法解释智能体为何从工具错误中恢复、为何提前停止，或为何需要额外的模型调用。 在本教程中，你将使用 NVIDIA NeMo Relay 运行两个 Hermes Agent（智能体） 示例。你将使用生成的轨迹来检查模型和工具调用、错误、重试、持续时间以及 token 使用情况，然后将这些证据与每个任务的验证结果进行比较。

AI 基础设施工程师、存储开发者和云服务提供商需要快速、安全地访问高容量文件和对象存储，以支持 AI 工作负载。 AI 工作负载越来越需要高速数据访问，用于训练、微调、推理上下文、工具调用、搜索和数据库查找。这些数据大部分位于本地和云端的文件和对象中。计算加速器——包括 GPU（图形处理器）、TPU 和 XPU——需要远程直接内存访问（RDMA），该技术使用 NIC 或 DPU 加速的数据传输（如 NVIDIA ConnectX NIC 或 NVIDIA BlueField DPU），并且不通过服务器 CPU 控制的内存复制数据。随着 GPU 架构速度的提升，对 RDMA 加速、零拷贝数据传输的需求也在增长。 构建文件和对象存储直接访问的开发者不得不应对不同提供商之间的不同 API（应用程序编程接口） 和协议。

此次升级建立在 OVHcloud 十多年来对开放基础设施、互操作性和云可移植性的承诺之上 OVHcloud 已将其 CNCF 会员资格提升至白金级，深化了对 CNCF 生态系统和云原生社区的承诺。 OVHcloud 向 Harbor 贡献了一个 Kubernetes（容器编排平台） Operator，并参与了 Certified Kubernetes AI Conformance Program。 OVHcloud 在 Cilium 上运行着数千个生产 Kubernetes 集群，在 20 个公有云区域中为其多租户网络、可观测性和安全性进行扩展。

Nikita Cano、Hugo Vicente 和 Alessandro Frigerio 我们在 2021 年推出 Quick Tunnels，让开发者能够轻松分享他们在本地开发环境中运行的最新服务、应用程序或项目。自那以后发生了很多变化，但核心用例始终如一。 你的编码智能体刚刚完成了功能开发。开发服务器已在 localhost:5173 上运行，还没等你开口，智能体就主动提出让你在手机上试用。它运行一条命令，然后递给你一个链接： 该命令会启动一个 Quick Tunnel。cloudflared 是 Cloudflare 的轻量级连接器，它会将你的本地服务发布到一个随机的 trycloudflare.com URL 上。无需账户、无需域名、零成本。

Oliver Roup、Justin Hutchings 和 Chase Catelli 一年前，Cloudflare 首席技术官 Dane Knecht 宣布了我们的目标：让每一位用户都能使用 Cloudflare 的所有功能。多年前，当大型客户找到我们，希望获得信用卡之外的采购方式——如发票、定制合同和专属支持——时，Cloudflare 推出了企业版。这些服务满足了客户需求，但随着时间的推移，一套双层体系逐渐形成：我们一些最先进、最强大的功能仅对企业版客户开放。我们的目标就是弥合这一差距。 如今，各种规模的团队都在使用 Cloudflare，从财富 100 强企业到小型企业、开源项目和个人用户。在整个平台上，我们致力于确保每一位用户或团队都能利用 Cloudflare 的全部能力，帮助其组织蓬勃发展。

Mar Witek、Dan Lapid、Nevi Shah 和 Daniel Walsh 今天，我们推出 Cloudflare Traces 公测版，将自动追踪从 Workers 扩展到请求路径的其余部分。在一次追踪中，你可以看到受支持的安全规则、转换、缓存决策、路由、Worker 执行和源站处理，然后继续追踪在 Cloudflare 上、你的源站或技术栈中其他位置运行的服务。这是对 OpenTelemetry 的长期投入，也是让 Cloudflare 成为你技术栈中可观测性最强部分的长期投入。 自动追踪跨 Cloudflare 的请求：在单个请求级时间线中捕获受支持的平台操作，无需额外设置。 控制哪些请求被追踪：设置基线采样率，然后使用 Trace Rules 为匹配的流量覆盖该采样率。

Michelle Chen、Sam Else 和 Gabriel Massadas 有趣的事实：当你使用一个智能体（Agent（智能体））并且它需要获取一个实时网页时，智能体通常只是猜测该页面的 URL，然后发起一次工具调用来 curl 它。这就是为什么你有时会看到网页抓取返回 404 Not Found，如果智能体错误地猜测了该信息的 URL，就会发生这种情况。可以想象，一直随机猜测 URL 并不是非常高效。 有更好的方法。如果你的智能体能够真正浏览互联网，就像人类在寻找信息时从搜索引擎查询开始一样，会怎么样？这正是网页搜索被设计来做的事情——它使智能体能够在互联网上搜索相关数据，并基于实时信息为智能体的响应提供依据。

GPU（图形处理器） 应用程序越来越多地由多个独立组件组成，这些组件在同一进程内同时运行：一个延迟敏感的算子与一个面向吞吐量的后台内核并存；一个数据预处理阶段与模型推理并存；或者一个处理工作流的多个阶段共享同一块 GPU。 控制它们之间如何共享 GPU 资源仍然很困难。各组件可能以不可预测的方式相互干扰，而现有工具对资源进行分区的能力有限。 Green contexts 通过让应用程序显式选择 GPU 执行资源的子集，并将工作直接定向到这些资源，从而解决了这一问题。传统的 CUDA（NVIDIA 并行计算平台和编程模型） 上下文并非为此使用模型而设计。它们重量级、会引入硬件上下文切换开销，并且反映了早期时代的假设——当时 GPU 规模更小，应用程序通常作为单一主导工作负载运行。

数据中心选址 法规 能源与电力供应 可持续发展 评论 来自行业思想领袖对数据中心领域的洞察与分析。 数据中心开发如今需要应对电网成本、水资源使用和社区效益等问题。仅确保电力供应已不足以获得批准。 过去三年，北美超大规模和企业数据中心的选址遵循一条简单且单一的规则：找到电力。随着人工智能工作负载推高电力需求，开发商争相在可获得兆瓦级电力的地方锁定互联容量。但那个单变量选址的时代已正式终结。 2026年9月下旬，美国各州州长、公共事业委员会和环境监管机构发起了一波同步行动，收紧对数据中心的监管。来自加利福尼亚州、得克萨斯州、纽约州、马萨诸塞州和新泽西州州议会的信号明确无误：获得公用事业电力承诺不再是保证获批的绿灯。数据中心开发已转变为一场横跨电网成本责任、水资源透明度和地方土地使用问责的三线监管战役。