采集自各技术站点的近期文章。
本文精选了ACL 2026会议中6篇与大语言模型相关的论文，聚焦能力评测与推理优化新范式。CoreCodeBench提出细粒度代码智能评测框架，通过仓库级任务解耦评估模型编程能力，覆盖开发、修复等场景，有效性达78.55%。SOP-Maze基于真实业务数据构建复杂标准操作流程评估，分类为侧根和主根系统，揭示模型在深度逻辑推理中的不足，易犯路线盲区和对话脆弱性错误。AMO-Bench设计50道高难度数学竞赛题，确保原创性和奥数级别，评测显示最强模型准确率仅52.4%，凸显推理提升空间。研究过度思考现象，分析推理动态并提出推理完成点检测器，减少冗余生成token。MASPO针对强化学习优化，引入软高斯门控、质量自适应限制器等方法，提升训练稳定性和样本效率。FLR将隐式推理分解为多因子注意力模块，优化生成式推荐性能。这些工作共同推动了大模型在复杂任务中的评测与优化，为未来研究提供关键方向。
对象存储系统MinIO因其高性能和开源特性被广泛应用。本文记录了从基于MinIO的soulteary/minio分支到OtterIO的完整代码整理过程，遵循Apache 2.0许可证。整理工作分为十二个关键步骤：首先实现项目身份和命名的独立，确保代码线清晰可追溯；将2021年的遗留代码升级至2026年版本，使用gofiber/fiber/v3重写HTTP入口，以提高性能和现代性；缩小Bucket Notification与Gateway的维护范围，降低复杂性。安全层面，逐项纳入2021年4月后的上游CVE和GHSA，按攻击面拆解修复，并补充LDAP DN规范化与迁移机制。工程改进包括完善CI流程、自动化Release、构建多架构镜像，以及拆分控制台listener。OtterIO在保留S3兼容性的同时，诚实说明了其适用场景和风险边界，为开源社区提供了更安全、易维护的对象存储方案。这一过程突出了代码整理、安全加固和工程优化的重要性，有助于开发者理解如何系统化改进开源项目。
MinIO作为主流对象存储软件，近期开源生态发生重要变化：许可证从Apache 2.0切换到AGPLv3，官方GitHub仓库被归档并停止维护，社区版预编译二进制也不再发布。本文重新审视了MinIO的当前状态，深入比较了PGSTY/Silo和JuiceData/minio两个社区fork的定位、技术实现与许可证边界。作者基于切换AGPLv3之前的最后Apache 2.0版本（RELEASE.2021-04-22T15-44-28Z），构建了自己的soulteary/minio主线，将原有HTTP路由替换为高性能的gofiber/fiber/v3框架，优化收敛了Bucket Notification和Gateway功能，并升级Go运行时至1.26版本。这些技术修改旨在保持宽松许可证的同时，提升代码可维护性与性能，为后续OtterIO项目建立稳定基线。文章分析了许可证变更对开源社区的影响，并展示了如何通过技术选型应对软件许可问题，为开发者提供实用参考。
本文记录了一次硬件故障后Oracle数据库数据文件大小异常的故障处理案例。硬件恢复后，dbv工具报DBV-00102错误，检查v$datafile_header发现USERS02-USERS05表空间文件头记录大小约8GB，但实际恢复文件仅4GB。初步排查RAID5配置正常，判断为文件系统层面损坏。采用自研OraScan碎片扫描工具从磁盘提取数据块，重建数据文件并通过dbv验证。替换原文件后执行recover database成功，但alter database open时因redo日志序列冲突报错ORA-03113。分析alert日志发现ora-00314错误，显示redo组不一致；鉴于recover已完成，清除异常redo组后数据库正常打开，最终导出数据。此过程突出了Oracle数据文件头检查、碎片扫描技术及redo日志管理在灾难恢复中的关键作用，为硬件故障后数据文件修复提供了实用方案。
SmartPerfetto v1.0.28 更新于2026年5月17日至6月4日，将工具从AI助手转向可复用Trace分析平台。新功能包括Smart模式，通过场景库存识别startup、scrolling、ANR等范围，用户可选择性深挖；选区快问利用Perfetto UI选择上下文，执行限定范围分析；CLI入口（smp capture/analyze）支持终端采集和分析，复用后端逻辑。证据规则扩展到Power、ANR、Input、Display、IO、Network、Observability等场景，确保报告结论基于结构化证据如SQL查询和Skill输出。引入四条Agent runtime：claude-agent-sdk、openai-agents-sdk、pi-agent-core、opencode，通过Provider Manager和环境变量选择，共享输出规范化流程。报告质量提升，包括最终报告检查、claim验证和诊断信息分离。改进包括trace processor预编译、Node 24硬化、Docker健康检查等。发布前进行严格E2E测试和验证。工具提供Docker、免安装包、源码、CLI等运行方式，适合Android性能分析团队使用。反馈指南强调版本、运行时和证据定位信息。
本文旨在探索一个纯CSS实现饼图的解决方案，以回应此前一篇将JavaScript使用最小化的文章。作者的核心目标是在不依赖任何JavaScript的情况下，构建一个语义化、易于HTML定制化且完全由CSS驱动的饼图。文章首先指出了CSS因继承机制无法让子元素获知兄弟元素状态的限制，这是实现累计角度计算的根本障碍。为了解决这一问题，作者提出了一种创新性的标记结构：将所有饼图切片的数据百分比（data-percentage-N）从各个
CatReader是一款基于AI的RSS阅读器，旨在解决信息过载问题，通过智能助手AskCat提供上下文感知的阅读体验。产品使用Claude Code和Codex进行Vibe Coding开发，初始版本为前端离线应用，缓存数据于浏览器，后续迭代增加了AI助手功能。为产品化给墨问会员，进行了前后端分离、独立桥接程序、数据分离、用户系统改造、跨域和安全处理等工程挑战。技术栈涉及AI辅助开发、RSS桥接、知识库构建和智能交互，如快捷键支持和记忆系统。文章类型为产品发布和方法论分享，强调AI时代如何高效获取一手信源，并探讨从个人工具到生产系统的复杂性。整体聚焦于AI在软件开发中的应用实践。
本文分享了一个团队在90%代码由AI生成、系统代码量膨胀至31万行的背景下，如何通过实践管理AI Coding并完成大规模重构的实战经验。文章指出，若无统一规范约束，AI Coding会加速代码腐化。团队提出了三个核心经验：一是借鉴Agent评测的“人人对齐→人机对齐”理念管理AI Coding，先通过规范拉齐团队共识，再将共识转化为AI可执行的约束；二是AI正在重新定义“经验”价值，从依赖人力“看全”代码转向借助AI快速识别问题并由人判断优先级；三是技术债可像业务需求一样，通过拆解到日常迭代中渐进式消化。重构执行路径包括：利用AI辅助定向梳理技术债、制定AI友好研发规范（如工程分层规约）并落地为AI Rule、通过SOP指导AI完成工程解耦、借业务需求平滑升级数据模型，以及建立Pre-PR机制和AI辅助测试用例生成规范以保证质量。整个过程强调规范是AI Coding时代阻止系统腐化的基础设施，为类似场景提供了可复用的方法。
美团开源的LongCat-Next探索了物理世界AI的统一建模路径，旨在让AI像处理语言一样原生处理图像、语音和文本。核心创新在于DiNA（离散原生自回归架构），将所有模态映射为同源的离散Token，并通过下一个Token预测范式进行统一建模，打破了传统多模态模型的拼凑式架构，实现理解与生成的对称优化。dNaViT视觉分词器支持任意分辨率图像编码，利用8层残差向量量化实现28倍像素压缩，同时保持细节保真。语义对齐完备编码器通过大规模视觉-语言监督学习高信息密度表征，结合多级RVQ减少离散化损失，确保离散Token的语义完整性。实验表明，LongCat-Next在细粒度视觉理解、图像生成和音频任务上达到或超越专用模型，如OmniDocBench和MathVista基准上表现优异，同时保持语言能力，在工具调用和代码生成上也有提升。模型开源促进社区发展，推动原生多模态智能走向更远。
LongCat-AudioDiT 是美团 LongCat 团队推出的端到端文本转语音模型，专注于零样本语音克隆。传统 TTS 系统依赖梅尔频谱等中间表征，导致信息损失和误差累积。该模型创新性地在波形潜空间直接生成，使用 Wav-VAE 将波形压缩为 64 维隐向量，帧率 11.7Hz，通过多级 Oobleck 块和非参数捷径实现高效下采样与稳定训练，优化目标融合多分辨率 STFT 损失等对抗损失。扩散 Transformer（DiT）在隐空间学习条件流匹配，文本编码采用 UMT5 并结合第一层和最后一层隐藏状态以增强语义对齐，同时引入 ConvNeXt V2 模块细化表征。推理机制有双重突破：强制重置提示区域隐变量解决训练-推理不匹配问题，自适应投影引导（APG）替代传统无分类器引导，通过分解引导信号避免音质过饱和。实验表明，在 Seed 基准测试中，LongCat-AudioDiT 取得当前最优的说话人相似度，例如 Seed-ZH 测试集达 0.818，同时保持高可懂度，错误率低。模型以纯波形建模证明绕过中间表征的可行性，并开源促进技术发展。
美团开源LongCat-Video-Avatar 1.5，这是一个商业级数字人视频生成模型，在唇形同步、长视频稳定性、多人互动和推理效率上实现全面升级。模型通过将音频编码器从Wav2Vec2升级为Whisper-large，提升音素捕捉精度，使唇部运动更精准平滑，全身动作协调性增强，减少长视频中的抖动和身份漂移。数据体系采用多阶段处理，包括离线标注和在线验证，并构建多人、静默和情绪数据增强，提升模型在复杂场景中的泛化能力。推理优化引入DMD蒸馏技术，将生成步骤从50步压缩至8步，效率提升约15倍，并使用LoRA适配器降低显存开销。逐帧级GRPO偏好对齐进一步优化手部稳定性和动作连续性。性能评测基于EvalTalker基准，由770名评估者参与，结果显示模型在物理合理性、时间稳定性、身份一致性和音视频协调性上领先闭源系统，单人场景得分3.336，多人场景得分2.730，主体变形问题率23.1%，跳帧问题率0.8%。开源旨在促进社区共建，推动数字人视频技术从实验室走向真实应用。
美团LongCat团队开源General 365，这是一个针对大语言模型通用推理能力的创新基准。当前大模型在学科推理任务如数学和编程中表现优异，但面对日常逻辑问题时却常缺乏常识，暴露了评测体系的缺陷：过度依赖专业知识记忆，而非真实逻辑推演能力。现有基准如BBH面临模板化和性能饱和问题。General 365通过365道人工原创题目及1095个扩展变体，系统覆盖复杂约束、分支枚举、时空推理等八大挑战类型，知识范围严格限定在K-12水平，以解耦推理与知识检索，纯粹评估模型的逻辑能力。基准设计强调高多样性、高挑战性，并经过严格人工质检和混合评分确保可靠性。实测26款主流模型显示，Gemini 3 Pro以62.8%准确率领先，但仅2款模型及格，揭示了模型在语义干扰和最优策略维度上的普遍短板。跨基准对比表明，模型在该基准上准确率显著下降，输出长度增加，证实其难度源于深层逻辑链条。该项目旨在树立推理评测新标尺，推动大模型向具备通用推理能力的智能体演进，填补了现有评测空白。
具身智能领域面临带动作标注数据稀缺的挑战，机器人泛化能力受限。LARYBench 作为首个系统化评测基准，针对隐式动作表征进行量化评估，旨在从大规模人类视频中学习通用动作语义。该基准通过多粒度动作定义，包括本体动作、原子语义动作和复合语义动作，覆盖超过100万段视频、151种动作类型和11种机器人形态，构建了多样化数据集。评测采用浅层探测头验证表征质量，涵盖动作回归和分类任务。实验对比了隐式动作模型、通用视觉编码器等四类范式，结果表明通用视觉模型如 DINOv3 在动作泛化和控制精度上显著优于专门模型，揭示了动作表征可从海量视觉预训练中涌现。这一发现验证了人类视频数据在驱动规模化学习中的潜力，为具身智能突破数据瓶颈、走向数据驱动范式提供路径。LARYBench 开源了数据集和代码，促进社区协作，加速动作表征研究迭代。
LongCat-Flash-Prover是专为数学定理证明设计的大语言模型，旨在从“猜答案”转向“严谨证明”。它采用形式化语言Lean4，将证明过程拆解为自动形式化、草稿生成和证明生成三大原子能力。通过混合专家迭代框架，模型在冷启动和迭代阶段训练不同专家，并结合工具集成推理（TIR）来优化证明质量。在数据合成中，采用课程学习模式，从简单完整证明过渡到复杂引理式草稿证明，提高推理效率。模型还引入多个验证工具，如Lean4 Server、语义一致性检查和Theorem一致性，确保生成证明的语法正确性和语义一致性，防止作弊行为。实验结果表明，LongCat-Flash-Prover在MiniF2F-Test上以72次预算达到97.1%通过率，超越现有开源模型；在MathOlympiad-Bench等竞赛级任务上也取得显著进步。该模型已全面开源，不仅受到AI研究者关注，还引起了数学界的兴趣，有望成为数学研究和教育的基础设施，促进形式化数学的范式创新。
Kakapo 是一个本地桌面翻译工作台，基于 Wails v3、Go 和 Echo 构建，集成多个 OpenAI 兼容模型如 Kimi、DeepSeek 和 OpenAI，支持多模型并行翻译、结果比较、回译、系统朗读和本地历史记录。项目配置存储在 settings.json，API Key 通过 macOS Keychain 安全保存，历史记录存储在 history.json。文章详细记录了从零开始实现 Kakapo 的过程，探讨了 Wails v3 框架如何结合 Go 语言和系统 WebView 构建跨平台桌面应用，以及 Echo Web 框架在处理后端逻辑和 API 集成中的作用。文中分析了在桌面工具场景下使用 OpenAI 兼容接口进行多模型翻译的实践，包括并行处理模型响应、比较翻译结果、实现回译功能和集成系统朗读的实现方式。同时，讨论了数据存储策略、安全性考虑（如使用 Keychain 管理敏感信息）以及在实际开发中遇到的技术取舍和优化方案。通过本文，读者可以了解如何利用现代技术栈构建功能丰富的本地 AI 辅助工具，获取设计和实现方面的经验。
CSS offset-path 属性用于定义元素在动画中跟随的移动路径，源自早期的 motion-path 属性，现已在规范中统一重命名为 offset-* 系列。文章详细介绍了使用 SVG path 语法指定路径，例如 path("M 5 5 m -4, 0 a 4,4 0 1,0 8,0 a 4,4 0 1,0 -8,0")，并通过 CSS 动画使元素沿路径移动，结合 @keyframes 和 offset-distance 控制动画进度。offset-rotate 属性提供方向调整，支持自动对齐、反向或固定角度旋转，增强动画表现力。文章还探讨了 Web Animations API 的集成，允许通过 JavaScript 控制动画，提升灵活性。多个 CodePen 示例直观演示了效果，包括从 SVG 编辑器导出路径的直接应用，以及浏览器支持情况。此外，提及了 SMIL 和 GreenSock 作为替代方案，帮助开发者根据需求选择工具。整体内容覆盖了 offset-path 的语法、动画控制、相关属性如 offset-anchor 和 offset-distance，以及实战示例，为前端开发者提供了全面且实用的指南。
CSS @function at-rule 是CSS自定义函数模块的核心功能，允许开发者定义可复用的函数块，提升样式表的动态性和模块化。该规则通过指定函数名（以双破折号开头，如 --my-function）、参数列表（每个参数可带类型声明如
本文系统介绍了CSS Media Queries Level 5规范中的`@custom-media` at-rule，它允许开发者为复杂的媒体查询条件定义可复用的别名。其核心语法使用`
本文深入解析CSS中的::search-text伪元素，这是一个用于样式化浏览器“查找在页面”功能匹配文本的新特性。文章从基础概念出发，详细介绍了::search-text的语法和基本用法，如通过它选择匹配文本并应用背景色、颜色、文本装饰等样式。特别说明了与:current伪类的结合，允许开发者单独样式化当前聚焦的匹配项，提升交互体验。内容涵盖支持的CSS属性，包括background-color、color、text-decoration及其子属性、text-shadow和自定义属性，并强调限制在特定值内。通过代码示例，展示了如何针对特定元素使用::search-text以及样式继承链的工作原理，确保一致性。此外，文章提供了可访问性建议，如遵循WCAG对比度标准，并推荐主要使用text-decoration属性以避免干扰用户。还提到了:past和:future伪类的不支持情况，以及规范状态和浏览器支持。整体上，这是一个全面的前端技术教程，帮助开发者定制搜索高亮效果，增强网页可用性。
CSS contrast-color()函数是专为无障碍访问设计的颜色计算工具，基于WCAG最小对比度原则，自动为给定背景色选择白色或黑色文字，确保对比度充足以避免色弱用户阅读障碍。文章解释了函数语法，如contrast-color(red)，并通过实时demo展示其效果，当背景色变化时文字颜色自动切换。浏览器兼容性良好，主流浏览器均已支持。作者指出，传统实现需要复杂代码，而此函数简化了过程，但局限性明显：仅返回黑白两色，需显式传递色值，无法自动识别图片等复杂背景，因此实用性受限。文章进一步反思国内前端开发忽视无障碍的现象，以抖音Web端UI问题为例，批评了缺乏追求的工程态度，强调工程师自觉对推动无障碍Web的重要性。最后，作者认为contrast-color()目前更像玩具，期望未来增强智能识别能力。整体而言，文章结合技术介绍与社会评论，突出了函数在无障碍设计中的价值与当前不足。
