解锁你的人工智能<MBTI>身份

与此同时，在一个滴滴大规模网约车应用场景中的实验进一步显示，本文方法相较于现有基线方法取得了显著提升，其效果可与使用显著更多 RCT 数据训练得到的模型相仿。广泛的实验表明，当前最先进的智能体在这些任务中表现远不如人类，且无法通过简单的扩大规模来提升，其失败的主要原因在于上下文锁定（in-context locking）和基础能力的缺失。通过将记忆构建为一个不断进化的生态系统，DMS在无需任何额外训练的情况下，显著提升了MLLM智能体的任务成功率、执行稳定性与效率。

在 64K / 128K 级别的长序列训练中，显存的主要消耗来自“中间状态”，包括 attention 的中间激活（如 softmax 相关中间量、Q/K/V 张量等），以及反向传播必须保留的激活，包括 EAGLE-3 特有的多层特征参与训练所带来的额外激活存储，与 TTT 多步展开引入的 k 轮中间态堆叠。为缓解这一问题，EAGLE-3 在训练阶段引入 TTT 机制（见图 2），按照真实 decode 流程展开：先生成一步预测，再将该预测作为下一步输入，多步递进，从模拟真实推理过程。

它兼具技术、商业与历史视角，能帮读者建立宏大产业格局，提升认知高度。从 LoRA/QLoRA 轻量微调、RAG，到服务化部署、监控迭代，每一个技术要点都搭配可视化图表，易懂、易落地、可复用。尤其适配支付、金融等高并发场景的工程化落地，轻松打通大模型「从理解到应用」的第一步，是技术岗从入门到实战的高效进阶手册。它不只教你调 API，更聚焦如何构建健壮、可扩展的 AI 生产系统，是技术人转型 AI 工程师的通关秘籍。直指大模型与自动驾驶的伦理风险，提供长期 AI 安全的底层思路，兼具技术深度与人文思考。

在复杂场景中，AI 不再只是执行工具调用，而是开始具备一定的推理能力，例如：能够根据“22:20 落地”推算实际用车时间、主动补全你缺失的起点信息，并对整体行程进行合理规划。当你说出“帮我叫车”时，OpenClaw 会识别触发条件，并加载 didi-ride-skill 的相关内容，使 AI 能够懂得并调度滴滴的出行能力。根本的问题在于：IM 通道的异步特性本身就引入了额外复杂度，包括轮询等待、消息乱序处理、以及“如何判断回复结束”等工程问题，而这些都与测试框架本身目标无关，但会显著增加维护成本。

该论文首先构建了FaceCoT，首个面向人脸反欺诈的、百万级视觉问答式思维链数据集，通过模拟人类思维过程设计六阶段层级式思维链结构,首次引入结构化、可解释的推理标注机制，不仅给出真假标签，更明确呈现“攻击成立的依据与逻辑路径”，为模型学习“为什么是欺诈”提供清晰且高质量的监督信号。通过设计统一的视觉-语言-动作模型的框架，该方案解决了以往工作中推理速度慢与文本轨迹不稳定的问题，并且将多模态信息在隐空间中进行了统一，在保持推理能力的同时提高了模型的效率。图: GeoPredict框架示意图。

发送简历至HR邮箱，开启快速投递通道。

发送简历至HR邮箱，开启快速投递通道。

前者筛选前20%的优势词元进行训练，而STAPO则通过剔除极少数虚假词元（仅0.01%），确保数据纯洁度和训练稳定性。以六个基准测试（AIME24、AIME25、AMC23、MATH500、Minerva 和 OlympiadBench）和三个大模型（Qwen3 1.7B、8B 和 14B）的实验表明，正成为自动驾驶端到端模型、机器人具身智能模型、语言类多模态模型的重要训练算法，尤其是在大规模神经网络的微调（Fine-tuning）阶段，具有。，所采用的方案是剔除虚假词元的S2T机制。

华佗是由滴滴主导发起开源，依托中国计算机学会（CCF）孵化的操作系统深度观测项目，专注为云原生通用计算，AI 计算，云服务，基础服务等提供操作系统内核级深度观测能力。开发者可通过华佗平台，实时获取沐曦GPU的关键运行指标，这将进一步丰富华佗在异构计算环境下的可观测能力，为云原生、AI训练等场景的运维诊断提供更全面的数据支撑。滴滴开源始终以共建共享为核心，致力于携手产业伙伴共同探索技术创新与落地实践的最佳路径，促进生态资源、能力与经验的共享。有关指标的详细说明，请见后续的"指标介绍"章节。

滴滴自动驾驶将以实验室为载体，向高校研究团队开放真实场景和工业级算力，为前沿研究提供强力支持，加速研究成果的落地。清华大学车辆与运载学院、人工智能学院李升波教授表示，自动驾驶是全球科技竞争的战略高地，清华大学在汽车智能化领域拥有深厚的基础研究实力和顶尖人才资源，滴滴自动驾驶在自动驾驶关键技术研发和应用上已有近十年的积累。双方的深度合作，将进一步提升科研成果工程化落地效率，共同服务国家科技自立自强与产业高质量发展。展望未来，滴滴自动驾驶将持续加大AI领域的研发投入，加强自主创新，深化与清华大学的产学研合作。

基于此次战略合作，双方将共同推进Agent场景落地和大模型领域人才培养，深化出行场景的意图对齐与推理能力建设，推动Agent在更复杂业务场景中的验证与落地。近年来，滴滴持续加大在大模型与智能体方向的技术投入，依托真实复杂出行场景，逐步推进了AI出行助手、商旅助手等智能体的创新应用。滴滴与智谱宣布达成战略合作，双方将围绕通用人工智能（AGI）关键技术及其在出行领域的智能体应用开展前瞻性协同探索。滴滴相关负责人表示，期待双方充分发挥各自优势，共同推动通用人工智能在更广阔真实场景中的应用与发展。

基于此次战略合作，双方将共同推进Agent场景落地和大模型领域人才培养，深化出行场景的意图对齐与推理能力建设，推动Agent在更复杂业务场景中的验证与落地。近年来，滴滴持续加大在大模型与智能体方向的技术投入，依托真实复杂出行场景，逐步推进了AI出行助手、商旅助手等智能体的创新应用。滴滴与智谱宣布达成战略合作，双方将围绕通用人工智能（AGI）关键技术及其在出行领域的智能体应用开展前瞻性协同探索。滴滴相关负责人表示，期待双方充分发挥各自优势，共同推动通用人工智能在更广阔真实场景中的应用与发展。

而泛前端从业者自带 “懂交互、懂服务串联、懂用户体验” 的基因，在打造 AI Agent 驱动的无页面方案时，反而更具天然优势，如：在开发 “无页面化” 的服务场景时，泛前端能更快理清 “用户需求 - Agent 交互逻辑 - 后端 API 调用” 的链路，更精准地规避无页面场景下的体验痛点（如交互断层、反馈不及时），甚至能将过往跨端、组件化的技术经验，复用到 AI Agent 的功能模块设计中，让无页面方案更稳定、更易扩展。这意味着，单纯 “会写代码”“能套用方案” 的能力，正在逐渐失去稀缺性；

而泛前端从业者自带 “懂交互、懂服务串联、懂用户体验” 的基因，在打造 AI Agent 驱动的无页面方案时，反而更具天然优势，如：在开发 “无页面化” 的服务场景时，泛前端能更快理清 “用户需求 - Agent 交互逻辑 - 后端 API 调用” 的链路，更精准地规避无页面场景下的体验痛点（如交互断层、反馈不及时），甚至能将过往跨端、组件化的技术经验，复用到 AI Agent 的功能模块设计中，让无页面方案更稳定、更易扩展。这意味着，单纯 “会写代码”“能套用方案” 的能力，正在逐渐失去稀缺性；

Mpx是一款增强型跨端开发框架，以小程序原生语法和技术能力为基础，借鉴Vue框架的优秀语法设计，通过静态转译与运行时适配相结合，实现“一份源码，多端运行”。滴滴开源与CCF（中国计算机学会）重点孵化的HUATUO项目基于eBPF技术实现低损耗、零侵扰的内核数据采集，覆盖TCP/IP协议栈、CPU调度、内存管理等核心模块，并构建异常事件驱动诊断与全自动化追踪（AutoTracing）两大核心引擎，能够自动捕获softlockup、oom、网络延迟等关键事件，精准定位云原生场景下的偶发与突发故障。

作为一个针对开源操作系统的深度可观测性项目，在滴滴内部，HUATUO 实现了超大规模部署，覆盖通用计算、AI 计算、大数据、存储、消息队列等核心场景，并与阿里云龙蜥、华为欧拉、腾讯、麒麟软件等主流生态合作，联合多家科技企业共建开源生态，实现技术共享与协同创新。秉承这一精神情怀，钱一峰积极引领开源文化生根发芽，鼓励更多内部技术同学参与开源贡献，让开源不再只是技术成果的输出，更成为连接个人与社区、企业与行业的重要桥梁，让“共建共享”的理念真正融入开源技术创新的每一步。OSCAR开源+安全及风险治理。

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。

这套离线仿真系统将在后续开源，敬请关注。我们的方法（FCA-RL）相较于传统基线方法大幅降低了出行服务商在动态市场环境下的投资预算控制误差且提升了订单的获取效率，但依然存有局限，比如暂未考虑建模乘客对于投资的长期心智变化及长期供需变化，在未来的工作中，将会尝试将这些考虑进来。在我们的背景设定下，站在我方RSP视角，其他RSP不定期投资幅度变化会导致市场环境动态变化，这会导致在原问题下的求解出的最优解在后续竞争的过程中发生偏移，使得最终花费偏离最初的预算约束，以及原始最优解的钱效变低。