<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[2301_82040283的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/2301_82040283</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; 2301_82040283]]></copyright><item><title><![CDATA[百度百舸多模态数据湖的设计与实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/170138058</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/170138058</guid><author>2301_82040283</author><pubDate>Thu, 05 Nov 2026 13:58:22 +0800</pubDate><description><![CDATA[大模型的迭代正在把数据推到舞台中央。当训练语料从整齐的结构化行表，变成图像、视频、音频、文本与 Embedding 混杂的资产，传统数据湖在存储格式、访问模式与计算引擎上都面临新的挑战。百舸多模态数据湖要回答的是：如何让多模态数据像结构化数据一样被高效地存、算、管。先看一条样本本身。过去做推荐或风控，一条样本通常就是这几列标量：id / user_id / item_id /label / ts，整行不过几十字节，一个 Parquet 文件装得下千万条。]]></description><category></category></item><item><title><![CDATA[百度智能云联合哈工大提出 VLDA，机器人操作从预测未来转向学习变化]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/170046216</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/170046216</guid><author>2301_82040283</author><pubDate>Wed, 04 Nov 2026 15:11:51 +0800</pubDate><description><![CDATA[近日，百度智能云联合哈尔滨工业大学（深圳）提出面向机器人操作（robotic manipulation）的新范式 VLDA（Vision-Language-Delta-Action，视觉-语言-变化-动作），并在百度百舸开源的训练框架 LoongForge 中同步开放了完整训练实现。这项工作针对的是具身智能领域的一个长期痛点：现有模型要么从观察直接映射到动作、把「该改变什么」隐含在动作监督里，要么耗费大量容量去预测整幅未来画面。VLDA 的解法是只学「任务相关的那一点状态变化」（Delta），并让它直接参与]]></description><category></category></item><item><title><![CDATA[上海交大 × 百度百舸开源 WAVE-0：无需大规模视频预训练，257M 潜空间世界模型让 π₀.₅ 真机平均成功率接近翻倍]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/170046037</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/170046037</guid><author>2301_82040283</author><pubDate>Wed, 04 Nov 2026 15:09:07 +0800</pubDate><description><![CDATA[近期，工业界的一大批世界模型工作在学术界的具身 benchmark 上不断刷新成绩。但这些性能提升往往伴随着更复杂的结构设计和更多的训练数据，很难分辨能力提升究竟来自哪里。更值得注意的是，一些第三方真机评测显示，这些榜单上成绩领先的模型，在真机性能或数据效率上并不一定超过 π₀.₅。这就引出一个问题：我们该如何更公平地判断一个模型设计是否真正有效？毕竟，我们需要的是能够迁移、泛化性更好的设计，而不仅仅是榜单上的分数。为此，上海交通大学联合百度智能云、Awaken Robotics 的研究团队发布了。]]></description><category></category></item><item><title><![CDATA[不用 NVLink，Muon 训练步时缩短 63.7%：百度百舸具身智能场景的优化实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/170045240</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/170045240</guid><author>2301_82040283</author><pubDate>Wed, 04 Nov 2026 15:05:13 +0800</pubDate><description><![CDATA[不过，训练规模扩大后，Muon 本身的开销会变得突出。2025 年，Moonlight 用 Muon 训练了 160 亿参数的 MoE 模型，实验表明，在计算最优配置下，Muon 只需约 52% 的训练计算量即可达到 AdamW 的同等表现。MuonX 用 Gram NS 降低 NS 迭代的计算量，用 DMuon 减少多卡训练中获取完整矩阵的开销，在实例内未配置 NVLink 的百舸 hpas.lgn7ib 实例上，将 LingBot-VLA 2.0 的 FSDP 训练步时缩短六成以上。]]></description><category></category></item><item><title><![CDATA[Visa持卡人请查收！你的专属Token福利来了！]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/169465827</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/169465827</guid><author>2301_82040283</author><pubDate>Thu, 29 Oct 2026 22:25:14 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[《金发〔2026〕 8 号》落地：金融机构如何建立大模型与 Agent 全流程安全能力？]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/169146732</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/169146732</guid><author>2301_82040283</author><pubDate>Mon, 26 Oct 2026 10:40:36 +0800</pubDate><description><![CDATA[金发〔2026〕8 号》把金融 AI 安全责任延伸到数据、模型、内容、运行过程和 Agent 动作。金融机构需要建立贯穿训练、推理、运营、评测和 Agent 调用链路的安全能力，并能用日志、质检结果、评测报告和调用轨迹证明这些能力持续有效。百度智能云 AI 安全护栏金融解决方案将监管要求拆成对应的系统能力和运营动作，帮助金融机构缩短从理解条款到完成建设、从发现风险到调整策略的路径，让大模型和 Agent 在真实业务中保持可控、可追溯、可验证。]]></description><category></category></item><item><title><![CDATA[百度百舸第一时间适配 RLinf v0.4，持续建设具身智能 AI Infra 全链路能力]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/168876569</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/168876569</guid><author>2301_82040283</author><pubDate>Fri, 23 Oct 2026 15:10:04 +0800</pubDate><description><![CDATA[基于强化学习的仿真真机协同训练。对应 RLinf 团队被 CoRL 2026 接收的 RL-Co 方法：在仿真环境中用 PPO 做强化学习，同时在真机轨迹上做 SFT，两种训练信号放进同一个优化循环，既提升仿真任务成功率，又保留真机数据带来的先验。真机工程更模块化：全新模块化真机接口（rlinf.robotics）将机械臂、灵巧手、相机、移动底盘与遥操作外设抽象为即插即用的「乐高积木」，硬件驱动与任务逻辑彻底解耦，换本体、改构型或跨节点部署时，上层任务与策略代码「零改动」。]]></description><category></category></item><item><title><![CDATA[让推理服务稳定可控，从负载治理到 KVCache 全域感知]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/168653897</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/168653897</guid><author>2301_82040283</author><pubDate>Wed, 21 Oct 2026 14:56:35 +0800</pubDate><description><![CDATA[回顾整套方案，我们围绕流量、负载和 Cache 建立了三层稳定性能力。在流量侧，通过流量分级管控、冷启动加速和事件驱动弹性，将客户有感的可用性抖动次数降低 80%，并显著缩短扩容准备时间。在负载侧，通过动态分桶与 KV Cache 无感跨桶热迁移，解决静态负载不均与运行期负载漂移，使 Decode 吞吐提升约 40% 至 50%，Prefill 吞吐提升约 20% 至 30%。]]></description><category></category></item><item><title><![CDATA[面向高效推理的 MoE 专家压缩，合并与剪枝的协同设计与工程实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/168653681</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/168653681</guid><author>2301_82040283</author><pubDate>Wed, 21 Oct 2026 14:51:33 +0800</pubDate><description><![CDATA[本文整理自 26 年 9 月 22 日 SGLang Meetup 北京站活动的同名主题演讲。在技术站公众号回复「百度百舸 2609」，可以获得此次 Meetup 下午的 3 个演讲主题材料。各位嘉宾、各位社区的开发者，大家好。今天想和大家分享我们在 MoE 专家压缩方向上的一些思考和实践。MoE 模型通过 router 为每个 token 选择少量专家参与计算，在扩大模型参数规模的同时，把单 token 的计算量控制在相对可接受的范围。]]></description><category></category></item><item><title><![CDATA[TB 级模型推理服务的显存极致优化实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/168112191</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/168112191</guid><author>2301_82040283</author><pubDate>Fri, 16 Oct 2026 10:03:03 +0800</pubDate><description><![CDATA[后面三个方面主要讲系统实践，包括。]]></description><category></category></item><item><title><![CDATA[百万小时具身数据，先过数据管线这一关：百度百舸 Egocentric 视频相机轨迹恢复加速实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/168028257</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/168028257</guid><author>2301_82040283</author><pubDate>Thu, 15 Oct 2026 18:50:14 +0800</pubDate><description><![CDATA[算力预算不变时，数据管线的效率决定了能产出多少训练数据。按本文的端到端结果，在同样的 GPU 时间内，MegaSaM 能处理的视频时长提高到原来的 1.75 倍，Droid-W 提高到 1.45 倍。具身 AI Infra 的效率评估不应止于模型训练。从原始数据到可训练数据，整条数据管线的处理吞吐、单位数据算力成本和端到端交付周期，都需要纳入统一评估。本文对相机位姿恢复环节的优化表明，数据管线本身同样存在显著的系统优化空间。上述优化，均在搭载国内主流 GPU 的实例上完成。]]></description><category></category></item><item><title><![CDATA[极致 KVCache 推理服务效能优化与多芯软硬协同实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/168028229</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/168028229</guid><author>2301_82040283</author><pubDate>Thu, 15 Oct 2026 18:44:02 +0800</pubDate><description><![CDATA[本文整理自 26 年 9 月 22 日 SGLang Meetup 北京站活动的同名主题演讲。在公众号回复「SGLang-Kunlun 2609」，可以获得此次 Meetup 上午的 3 个演讲主题材料。大家好，我是来自百度智能云的张彦哲。今天我和同事王凯一起，分享我们在前缀缓存方向上的一些经验。今天的分享分为三部分。首先，我会介绍百度百舸在 KVCache 命中率和 KVCache 性能损耗优化两方面开展的一些通用工作；接下来由王凯介绍百度百舸在多芯适配工作。]]></description><category></category></item><item><title><![CDATA[多芯插件机制与 SGLang-Kunlun 最佳实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/166842692</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/166842692</guid><author>2301_82040283</author><pubDate>Tue, 29 Sep 2026 15:02:45 +0800</pubDate><description><![CDATA[SGLang 社区现在已经上百万行代码。目前支持 CUDA、ROCm、NPU、XPU、MUSA 等多种硬件后端，社区还在不断接新的进来。听上去很繁荣，但后端一多，主仓就被拖得越来越重。每加一种硬件，attention、KV pool、graph runner、量化、通信这些实现就散落主仓各处，改一处通用逻辑得照顾所有硬件，新功能想进来也越来越难。同时，要让一个后端持续可用，需要完整的持续集成覆盖率和维护者持续投入，社区很难为每个后端都提供这样的保障。]]></description><category></category></item><item><title><![CDATA[百度沧海·存储：新一代技术架构体系设计与实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/166787790</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/166787790</guid><author>2301_82040283</author><pubDate>Mon, 28 Sep 2026 14:47:14 +0800</pubDate><description><![CDATA[最后做一个总结。我们的核心思路，是将共性能力沉淀为统一底座，针对不同场景组合适配，并通过跨层协同优化关键路径。第一，统一底座。我们将过去分散在各产品中的基础能力，沉淀为统一的元数据底座 MetaDB 和数据底座 Aries。对象、文件和块存储可以按需复用这些能力，让底层能力的改进能够惠及多个产品。第二，场景适配。不同存储产品有各自的语义和 IO 特征，因此需要在共享底座之上组合不同的组件。]]></description><category></category></item><item><title><![CDATA[Agent 想用但不敢用？百度智能云企业级 Agent 安全落地实践]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/166787432</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/166787432</guid><author>2301_82040283</author><pubDate>Mon, 28 Sep 2026 14:31:59 +0800</pubDate><description><![CDATA[本文整理自百度智能云云安全架构师林道正在 AICon 大会上的主题演讲《Agent 想用但不敢用？百度智能云企业级 Agent 安全落地实践》。]]></description><category></category></item><item><title><![CDATA[PFS L3 技术架构解析：为 AI 生产负载全新设计的并行文件存储]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/166590240</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/166590240</guid><author>2301_82040283</author><pubDate>Thu, 24 Sep 2026 14:03:49 +0800</pubDate><description><![CDATA[前面介绍的五大升级路径，已经在后训练等真实生产场景中完成规模化落地。下面分享一个来自大模型后训练强化学习场景的实践案例，主题是从本地准备加手工同步，走向统一共享存储加自动容错。先看旧模式。在早期使用方式下，用户提交作业、占用 GPU 卡之后，第一件事是从远端把代码、数据、模型手动下载到本地，这一步大约要一个小时；下载完还要人工把数据从一个节点同步到其他所有节点，才能启动训练。这里有三个系统性的问题：一是准备期 GPU 占着卡但完全空转；二是漏同步某台机器这类低级错误很常见，排查起来却要花大量时间；]]></description><category></category></item><item><title><![CDATA[数据规模跨过百万小时之后，具身智能开始真正考验 AI Infra]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/166571249</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/166571249</guid><author>2301_82040283</author><pubDate>Thu, 24 Sep 2026 09:56:48 +0800</pubDate><description><![CDATA[Dyna-2 留下的核心启示，不是百万小时训练需要一套更大的基础设施，而是随着模型和数据规模变化，系统瓶颈会不断迁移。模型的读取模式约束着数据如何编码、分块和缓存；数据管线与容错能力决定采购的 GPU 有多少真正转化为有效训练；基础设施能否支撑更大规模的实验，又影响团队是否有足够证据判断一个研究方向。]]></description><category></category></item><item><title><![CDATA[GPU 在等数据，具身模型训练中常被忽视的 DataLoader]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/166483674</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/166483674</guid><author>2301_82040283</author><pubDate>Wed, 23 Sep 2026 15:02:54 +0800</pubDate><description><![CDATA[随机访问场景下，每次打开视频并构建解码对象，都会产生一次固定开销，一个样本涉及多个相机或多个分段时，这笔开销累积得越明显。原有流程中，抽帧位于数据处理链路下游，解码层不知道下游需要哪些帧，仍会将 33 帧全部解出，其中 24 帧随后被丢弃。把所有可能的窗口提前裁出来解码存好并非做不到，但存储会成倍膨胀，采样方式也随之固定，所以实际训练通常保留原始 episode，训练时随机确定采样窗口，再在线定位关键帧、解码、逐帧处理。与解码优化合并后，解码直接输出 9 帧，不再回填，后处理也只处理这 9 帧。]]></description><category></category></item><item><title><![CDATA[如何把 HPN 多平面的带宽，真正转化为 AI 任务的通信效率？]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/166340799</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/166340799</guid><author>2301_82040283</author><pubDate>Tue, 22 Sep 2026 09:42:07 +0800</pubDate><description><![CDATA[同一个通信流里的包或 Cell，可以按序依次轮询到不同的服务器端口上，再依次轮询到不同的网络链路上，而不是像逐流模式那样，整条流被 HASH 固定在一条路径上。而 AI 任务的通信流数量本就有限，多条流一旦被 HASH 到同一条路径，就极易出现 HASH 极化，即少数路径持续拥塞，多数路径相对空闲。围绕这一问题，百度智能云面向典型的 AI 集群网络基础设施场景，整合通信库、网卡、交换机等软硬件能力，为 HPN 多平面负载均衡提供两类优化方向：一是细化负载粒度，二是优化逐流选路策略并实现端网协同的动态调度。]]></description><category></category></item><item><title><![CDATA[《百度天池超节点系统架构设计规范》正式开放下载]]></title><link>https://blog.youkuaiyun.com/2301_82040283/article/details/165852941</link><guid>https://blog.youkuaiyun.com/2301_82040283/article/details/165852941</guid><author>2301_82040283</author><pubDate>Fri, 18 Sep 2026 10:42:52 +0800</pubDate><description><![CDATA[计算节点和网络节点是超节点中的最小单元，其架构设计直接影响超节点系统的运维与管理效率。《设计规范》给出了从机柜级到节点级的分层带外管理架构，并基于统一的硬件数据模型，覆盖电源、液冷、主板、AI 加速卡、网卡等部件的状态监控、故障定位和固件运维，让整柜复杂硬件具备统一的可观测、可控制、可恢复能力。通过这份《设计规范》，产业伙伴不仅可以了解百度天池超节点的设计细节，更可以直接复用经过验证的规格与接口要求，借鉴它在空间、功耗、散热、互联与运维之间的权衡思路，在设计自己的超节点产品时，省去从零探索的成本。]]></description><category></category></item></channel></rss>