ITPub博客

博客 热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 查看这份包含答案的高级SQL面试问题合集。 所有数据库使用的标准语言是结构化查询语言（SQL）。 它在从数据库中获取所需数据方面发挥着关键作用。所有大数据平台，如Hadoop和Spark，都使用SQL作为其组织的高级语言。 数据科学是研究和分析数据的唯一领域。数据的输出结果应准确无误，以便进行调查。 这就是SQL与数据科学结合的方式。尽管某些组织已转向NoSQL，但其基础仍在于SQL。 正在准备数据科学面试？ 一些你必须掌握的SQL面试问题及答案。 规范化是一种组织数据库中数据的方法，旨在从一组关系中最小化冗余。

发布于 2026 年 9 月 21 日 作者：Felix Pultar，高级研究科学家；John Gardner，高级研究员；Guoqing Liu，高级研究员；Marwin Segler，高级首席研究经理 我们报道了我们的逆合成模型 RetroChimera 近期在《Nature》期刊（在新标签页中打开）上的发表。 该论文描述了模型的架构以及广泛的验证研究，包括模型召回罕见反应类型的能力，以及在专有数据集上成功的零样本迁移和微调。 我们开源了 RetroChimera 的实现和权重，希望它能帮助研究人员加速开发具有药用价值的新分子和先进材料。 开发新药和新材料需要制造新分子，但规划如何制造它们在很大程度上仍然是手工的、耗时的且成本高昂的。RetroChimera 自动提出高质量的合成路线。

对天气敏感的行业越来越多地能够获取观测数据，从而更早、更本地化地了解不断变化的条件。能源公司在风能和太阳能资产中收集测量数据，应急管理团队依赖雷达和本地传感器，卫星提供商持续观测地球。这些数据帮助资本市场、保险、农业和物流等行业的组织理解和管理物理风险。 借助 NVIDIA Earth-2 中的 AI 数据同化工具，您可以更高效地处理这些观测数据。通过整合专有或第三方数据，您可以使用这些工具更频繁地发布预报，使估计值与实时条件保持一致，并针对特定区域和应用定制您的预报流程。 本教程涵盖两种技术： 使用点观测约束扩散模型，通常用于区域模型。 将不同数据集同化为一致状态，通常用于全球模型。

博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 Pomegranate 是一种美味的水果。它也可以是一个用于统计分析的超级有用的 Python 库。我们将在本文中展示如何做到这一点。 首先，它是一种美味的水果。 但对于热爱水果的数据科学家来说，这是双重喜悦！ 它也是一个 Python 包，实现了快速且灵活的概率模型，从单个概率分布到组合模型，如贝叶斯网络和隐马尔可夫模型。 这个包背后的核心思想是，所有概率模型都可以被视为一个概率分布。这意味着它们都为样本产生概率估计，并且可以根据样本及其相关权重进行更新/拟合。

通用智能体能够处理广泛的任务，但你仍然需要它们遵循驱动业务运行的流程：合规检查、文档处理工作流、升级策略、工程规范。将所有这些内容编码到一个系统提示词或应用程序逻辑中会变得难以维护和更新。技能是一种模块化的替代方案。技能是一组可复用的指令，通常存储在 SKILL.md 文件中，用于教会智能体执行特定领域的任务，例如编辑合同、核对发票或遵循团队的拉取请求规范。由于技能遵循开放的 Agent（智能体） Skills 标准，它们可以在兼容的执行框架之间移植，并且智能体在运行时只加载所需的技能，而不是将所有流程都携带在核心指令中。 一个技能将一个或多个工具与智能体正确使用它们所需的上下文打包在一起： 指令：注入智能体上下文的领域特定指导和约束。

Anthropic 最新的 Claude 模型旨在让前沿 AI 更便宜、更快速、更安全，同时为订阅用户提供更多缓冲空间，避免触发那些令人沮丧的使用限制。 高级特约编辑 高级特约编辑 2026 年 9 月 22 日，美国东部时间下午 12:30 Claude Opus 5.5 对高级用户来说可能是一大福音。 开发者可能体验到更快的编码速度和更少的步骤。 Anthropic 表示此次升级更安全、更便宜、更简洁。 在 Claude Opus 5 发布不到两个月后，Anthropic 又推出了 Opus 5.5。Opus 5 的主要卖点是以一半的价格实现“接近 Fable”的性能。而这一次，核心亮点是主力 AI 模型 Opus 5.5 在大多数工作中能提供 Fable 5.1 的性能，运行成本却降低了约 40%。

Anthropic 希望开发者使用 Claude 及其系列工具来处理完整的编码任务。该公司于周二推出了 Claude Opus 5.5，旨在覆盖软件应用开发生命周期的更多环节：从设计规范创建到调试，再到代码生成和测试。 作为 Claude 5.5 模型家族的首个版本，Anthropic 表示 Claude Opus 5.5 在“大多数工作”任务上的表现达到了 Claude Fable 5.1 的水平，而运行成本比 Opus 5 低约 40%。 Anthropic 的发布公告中引用了 GitHub 首席产品官 Mario Rodriguez 的话，阐述了软件工程师目前在使用前沿模型进行代码自动化方面的处境。他表示，开发者想要的是智能体（Agent（智能体））。

希腊总理基里亚科斯·米佐塔基斯周一晚间来到旧金山为希腊做宣传，但他还做了一件贸易访问中的国家元首通常不会做的事。在大约250名创始人、投资者和运营者面前，他公开表示，对于世界各地领导人私下更多在讨论的许多AI问题，他并没有答案。 这位总理在由Endeavor Greece主办的一场活动上与本文编辑对话时，将他的湾区之行部分描述为一次调研之旅。Endeavor Greece是一家全球非营利组织在当地的分支机构，致力于支持新兴和成长市场中的创业者。他当天上午参观了特斯拉和红杉资本等地点，并计划本周前往纽约参加联合国大会。但此行也意在搭建桥梁；事实上，他正在向任何可能考虑在希腊设立业务的科技界人士推介希腊。希腊将于明年从有影响力的指数提供商MSCI手中重新获得发达市场地位。

更新于美国东部时间2026年9月22日21:30 域名注册公司Identity Digital Inc.认为它知道如何让人工智能智能体更加负责任，为此它正在创建一家全新的公司，名为Known Systems AI Inc. Known是Identity Digital旗下初生的AI智能体身份计划的衍生公司，该计划于今年早些时候以Innovation Labs的名义启动。不久之后，Innovation Labs发布了一个名为DNSid的开放神经框架，用于实现可问责的AI身份，它被描述为一种“AI智能体的出生证明”。 该公司表示，DNSid构建在域名系统、公钥基础设施和不可篡改的区块链账本之上，使智能体问责能够跨组织边界互操作。

今天，我们很高兴地宣布 Claude Opus 5.5 在 Amazon Bedrock 和 AWS 上的 Claude Platform 上推出，这是 Claude 5.5 模型家族的首个模型。Claude Opus 5.5 是 Anthropic 功能最强大的 Opus 模型，适用于智能体编码、知识工作和长时间运行的任务。 本文将介绍 Claude Opus 5.5 的改进、实用指南，以及如何在 Amazon Bedrock 上开始使用该模型进行构建。 据 Anthropic 称，Claude Opus 5.5 相比 Claude Opus 5 能用更少的 token 完成更多工作，新的定价将这些收益直接传递给客户。更低的每 token 价格和大幅降低的缓存读取成本叠加在效率提升之上。

发布于 9月23日 • AI辅助 几个月前，我还分不清 Cloud Function 和 Firestore trigger 的区别。如今，Veyl——一个匿名责任伙伴匹配应用——已上线生产环境，处理实时聊天、语音笔记、支付和匹配逻辑。 我并非出身于传统工程背景。我通过与 AI 工具紧密协作，逐步学习 Firebase 和 React，达到能够自行调试和扩展应用的程度，一次解决一个问题。 用户使用化名注册（而非真实个人资料），与目标相似的人匹配，通过文字和语音签到互相监督。没有头像，没有公开的连续打卡记录——匿名性正是核心所在。

GPT-6 Sol 和 GPT-6 Luna 现已在 Amazon Bedrock 上正式可用，为您提供更多选择，以便将智能与效率匹配到每个工作负载。 大规模 AI 的价值取决于两个维度：模型能做什么，以及您能多频繁地将其投入使用。更强的智能扩展了模型可处理的复杂度，从细微的编码问题到跨工具的多步骤流程。效率则决定了这种智能能在多大范围内支持日常活动和可重复任务，在这些场景中，每一个额外的 token、重试和延迟秒数都会在请求之间成倍放大。 GPT-6 Astra 确立了 GPT-6 系列面向最宏大项目的上限，在这些项目中，实现最高质量的结果比成本更重要。组织还需要先进智能来支持那些维持产品和运营运转的重复性任务。GPT-6 Sol 为贯穿全周的复杂任务带来强大的推理和编码能力，其经济性适合常规使用。

发布于9月23日 • 最初发表于 aisideincomelab.blogspot.com 我一直在为 Claude Code 尝试各种 MCP 服务器。经过一年多的反复试验，我将自己的配置精简为两台机器上的四个活跃服务器：工作笔记本电脑上两个，Mac mini 上两个。我还移除了其他几个不符合我工作流程的服务器。 在我的工作笔记本电脑上，Context7 是必备工具。这个 MCP 会向模型提供最新的库和框架文档，防止 Claude 基于其训练截止日期编写过时的 API（应用程序编程接口） 代码。为了优化这一点，我在全局 CLAUDE.md 中添加了特定规则，指示 Claude 在代码生成、配置、迁移或示例验证时自动使用 Context7。仓库中的本地文档优先，Context7 用于补充。

随着 Kubernetes（容器编排平台） 采用率的增长，讨论已从运行容器转向管理日益复杂的应用生命周期。现代平台支持无状态 Web 服务、有状态数据库、批处理、AI 工作负载和平台服务。与此同时，它们必须在升级、扩缩容事件和基础设施故障期间保持可靠。 每个 Kubernetes 用户都依赖 SIG Apps，无论他们是否意识到这一点。Deployments、StatefulSets、DaemonSets、Jobs 和 CronJobs 构成了应用在 Kubernetes 生态系统中部署、更新、扩缩容和运维方式的基础。 SIG Apps 专注于提升工作负载韧性、完善应用生命周期管理，并解决应用遇到节点故障、发布中断以及日益复杂的基础设施环境时出现的运维挑战。

发布于 9 月 23 日 • 最初发表于 wayknow.tech 我刚刚发布了 SnapCal，一个我独自用大约两周时间构建的条形码卡路里追踪器：SwiftUI、iOS 17+、零第三方依赖、85 个单元测试。构建它还算顺利。把它发布出去教会了我一些任何教程都不会涉及的东西。 以下就是真正让我踩坑的清单——五个陷阱，附带代码和命令。 SnapCal 扫描条形码，向 Open Food Facts 查询相关信息，然后让你记录它。我的 HTTP 层是标准形态： 而 APIError.httpError 被渲染为 "Server error (404)"。

将前沿智能融入你日常工作的更多方式。 本月早些时候，我们推出了 GPT‑6 Astra，这是世界上最智能、最对齐的模型。尽管最严苛、最重要的项目仍然需要 Astra 的完整深度，但工作会以不同的规模、节奏和预算发生。 因此，我们通过 GPT‑6 Sol 和 GPT‑6 Luna 扩展 GPT‑6 宇宙。GPT‑6 Astra 引入了新一代智能——这些模型通过在成本效率上推进前沿，帮助分配这种智能带来的益处。我们使用与 GPT‑6 Astra 类似的方法训练了 GPT‑6 Sol 和 Luna，将 Astra 在专业工作、事实性、编程、计算机使用和对齐方面达到最先进性能背后的进步，带到了更快、更实惠的模型中。

更高的缓存命中率，以及帮助持久化智能体运行更快、成本更低的新工具。 GPT‑6 使持久化智能体能够处理复杂任务数小时之久，从重构代码库到生成经过充分研究的文档和演示文稿。这些智能体背后的应用程序会发出一系列相互构建的 API（应用程序编程接口） 请求，通常会沿用之前轮次中的相同指令、工具定义和上下文。OpenAI 会缓存这些共享上下文，以便在多个请求之间复用计算，从而缩短响应时间，并为开发者提供高达 90% 的缓存输入 token 折扣。 借助 GPT‑6 系列，我们推出了改进的提示缓存系统，默认提供更高的缓存命中率。我们现在为在 30 分钟窗口内复用的符合条件的共享前缀提供缓存折扣。我们还引入了新工具，帮助开发者监控缓存性能、诊断未命中，并选择要缓存多少提示内容。

Claude Opus 5.5 是 Anthropic 最强大的 Opus 模型，现已在 Snowflake Cortex AI 上开放公共预览。它在 CoCo、Cortex Agents、AI Functions、Cortex Inference 和 CoWork 上实现同日可用。所有调用均保持在 Snowflake 的安全与治理边界内 Claude Opus 5.5 是 Anthropic 最新的 Opus 模型，在复杂编码和知识工作方面较 Opus 5 有所提升。 对 Snowflake 用户而言重要的数据： 编码：Anthropic 报告称，一位早期测试者在不到一天内完成了 680,000 行代码迁移。

2026年7月16日，作者 Sebastian Raschka Thinking Machines Lab 发布了 Inkling，这是一个拥有 9750 亿参数的开源权重混合专家（MoE）模型。每个 token 激活 410 亿参数，并支持高达 1,048,576 个 token 的上下文窗口。 这些数字使 Inkling 与 Kimi K2.5 和 GLM-5.2 处于大致相同的规模级别。然而，该架构有几个我较少见到的细节，包括每个解码器块内部的短卷积，以及用可学习的相对位置偏置替代 RoPE。 Inkling 有 66 个解码器层，隐藏维度为 6,144。前两层使用稠密前馈块。其余层包含 256 个路由专家和 2 个共享专家。每个 token 选择 6 个路由专家，且两个共享专家始终处于激活状态。

2026年7月26日，作者：Sebastian Raschka 是的，开源/开放权重模型对于健康的AI生态系统非常重要。这样我们才能验证事物、核实声明，并在闭源实验室之外保持跟进。此外，如果我们还不准备通过使用闭源实验室的模型来分享个人数据和知识产权，它也给了我们在自己的硬件上运行AI的自由。（并不是说专有模型不好，实际上我也经常使用它们，但如果没有替代方案，那就不健康了。） 总之，虽然几乎所有人都在等待Kimi K3和Ling 3.0的权重随时登陆模型中心，但过去一周还有不少其他有趣的开放权重模型发布。是的，就是这样的一个星期！ 所以，这里是架构图以及一些我觉得最有趣的笔记： 1) Nanbeige 4.2 3B使用了循环深度共享。这基本上意味着它将同一个22层（=Transformer块）堆栈运行两次。