依意思最接近的 13 筆
一份演示用約 25 行只表達樸素 attention 的 SQL，自動推匯出了 FlashAttention 核心。這依賴作者正在建置的三個可移植 SQL 擴充套件：xarray-sql 把雲上 PB 級陣列資料集表示為關係表，ddx 為 SQL 加入 JAX 風格的自動微分，einfold 是面向 SQL 張量收縮的模組化查詢規劃器。作者的主張是把張量程式的邏輯層與物理層分離，用關係代數來形式化「苦澀的教訓」，並招募資料庫理論與 ML 系統交叉方向的人。
OpenAI 與 Oracle 擴大合作，將把 Oracle 應用與資料接入 ChatGPT，Oracle 正在開發 Oracle AI Workspace。該工作區讓員工用自然語言查詢財務、採購與計劃資訊，並在組織權限與審批範圍內完成業務流程；
Cockroach Labs 用名為 MOLT Sinai 的智慧體流水線，在不到兩天內為遷移工具 MOLT 加上 IBM Db2 源支援，token 花費 4172 美元；2024 年為 MOLT 加 Oracle 支援則用了 9 個月、約 16 萬美元工程時間，即快 164 倍、便宜 38 倍。
NVIDIA 發布預訓練關係型基礎模型 Kumo Relational，可直接在企業資料庫上做預測，無需任務訓練、特徵工程或把多表合併成一張表。它在 15 個資料庫的 41 項任務上超過監督式關係深度學習和基於專家特徵的梯度提升樹，在 RelBench V1 分類任務上平均高出約 4 個 AUROC 點；在 SAP SALT 基準上，它的 MRR 比 AutoGluon 整合高 8%，比 XGBoost 高 7 點，微調後高 13 點。
ServiceNow CoreAI 團隊發布 AutoSynthData，用目標模型的失敗案例和更強教師模型的成功軌跡定位能力缺口，再自動生成並驗證新任務用於後訓練。任務由系統規範、使用者提示和驗證器三部分組成，需滿足可行性、真實性與難度要求，驗證器則要求一致、可靠且不繫結單一參考軌跡。團隊在 EnterpriseOps Gym 資料集上演示了該流程，模型提升後課程會轉向仍難完成的任務。
MiniLake 是 MIT 許可的本地 Databricks API 模擬器，能在本機真實執行 SQL、寫出真實 Delta Lake 檔案並執行 spark-submit 作業。用 pip 或 Docker 一條命令即可在 8000 埠啟動，databricks-sdk、Databricks CLI、Terraform 與 Asset Bundles 只需改 host 即可接入，接受任意 token、無需帳號。
Floqer 宣布計劃開源其自主客戶知識資料庫，目標 2027 年初發布，需先通過安全審查。該平台用 AI agent 持續調研企業、聯絡人與客戶互動資訊，呼叫 100 多個第三方資料來源補齊信箱與電話，客戶稱潛客調研時間最多縮短 70%。
OpenAI 開發者帳號披露，其與 Azure Cosmos DB 合作改造儲存架構，全球讀取延遲中位數改善 12 倍。該架構支撐其在 40 個地理區域、面向超過 12 億使用者的毫秒級資料服務。帖文只給出了延遲改善倍數和使用者規模，未說明具體延遲數值、改造週期和涉及的產品線。
Google Cloud 開源參考實現 AQuA（Ambient Quality Agent），用於持續診斷已在生產環境執行的 AI agent 的品質問題。它與生產 agent 並排執行，掃描失敗聚類並對照對話記錄逐條驗證，再把根因定位到當時實際部署的原始碼快照。它針對的場景是：agent 做到 80% 之後難以繼續改進，且靜默的品質回退仍然返回 HTTP 200 OK。
SLDBench v2 把「做哪些實驗」也交給 AI，8 個前沿模型需要自主選擇實驗後，成績全部下滑，預測誤差擴大到原來的 1.5 至 4.7 倍。該基準把 30 個任務的真實訓練記錄做成一份標價目錄，AI 按當年實際消耗的算力付費購買結果，再據此預測從未見過的更大規模實驗。表現最好的 Claude Opus 5.5 只花全量成本中位數 4.01%，R² 中位數 0.570，仍超過經典冪律公式用全部資料擬合的 0.455。
Oracle 已有逾 10 萬名員工使用 ChatGPT Work 與 Codex，其中 ChatGPT 活躍使用者 13 萬、Codex 活躍使用者 9.5 萬以上。招聘團隊用 ChatGPT Work 搭建人才市場情報工具，把原本需 2–4 天完成的崗位調研壓縮到 15–20 分鐘，該環節耗時下降 98%；Applications Lab 用 Codex 把自然語言的業務問題轉成可靠 SQL 查詢，SRE 處理簡單事故從 1 小時縮短到幾分鐘。
開源專案 Jukebox-OS 發布，用 Rust 編寫的執行時為 AI agent 加上資料庫級 ACID 事務語義與確定性時間旅行回放。它把每次 LLM 請求、token 流、MCP 工具呼叫和檔案寫入經 BLAKE3 雜湊記錄到可移植的 .jbx 磁帶，副作用先暫存在 copy-on-write 的 WASI 沙箱，只有呼叫 commit 才真正落地，rollback 則不留痕跡。
作者以親歷說明 AI 讓「更敢做」變得可行：藉助 SOTA 模型，他只花個位數小時就做出可用的正則引擎、ripgrep 分支和更快的 Rust 建置，而這類工作過去要一年以上。他還為常被當成 AI 生成垃圾的 pgrust（用 Rust 重寫 Postgres）辯護，指出其維護者在測試中發現了多個真實 Postgres bug，涉及數值、格式快取、pgcrypto 與 money 溢位。