出空间，我们挪出了近期没有发生太多变化的技术条目，但 略去某项技术并不表示我们不再关心它。 暂缓 评估 试验 采纳 采纳：我们强烈主张业界采用这些技术。我们会 在适当时候将其用于我们的项目。 试验：值得追求。重要的是理解如何建立这种能 力，企业应该在风险可控的项目中尝试此技术。 评估：为了确认它将如何影响你所在的企业，值 得作一番探究。 暂缓：谨慎推行。 新的 挪进 / 挪出 挪出 没有变化 雷达一览 技术雷达持续追踪有趣的技术是如何发展的，我们将其称之为条目。在技术雷达中，我们使用象限和环对其进 行分类，不同象限代表不同种类的技术，而圆环则代表我们对它作出的成熟度评估。 软件领域瞬息万变，我们追踪的技术条目也如此，因此您会发现它们在雷达中的位置也会改变。 © Thoughtworks, Inc. All Rights Reserved. 5 贡献者 技术顾问委员会（TAB）由 107 103 86 24 25 27 28 26 88 83 94 2 13 15 3 18 42 43 44 51 54 56 61 45 暂缓 暂缓 评估 评估 试验 试验 采纳 采纳 本期雷达 新的 挪进 / 挪出 没有变化 © Thoughtworks, Inc. All Rights Reserved. 采纳 1. 设计系统 2. 轻量级的

findings 3 Project Summary 4 Audit Scope 4 Threat model formalisation 5 Fuzzing 14 Issues found 16 SLSA review 38 Conclusions 40 1 Vitess Security Audit, 2023 Executive summary In March and April 2023 audit the remaining Vitess code base. 4. Assess and improve Vitessʼs fuzzing suite. 5. Carry out a SLSA compliance review. These five goals are fairly different. While they allowed the auditors to evaluate CVE-2023-29195. 37 Vitess Security Audit, 2023 SLSA review In this section we present our findings from our SLSA compliance review of Vitess. SLSA is a framework for assessing artifact integrity and

Fuzzing 9 Threat model 11 Issues found 17 Review of fixes for issues from previous audit 50 Istio SLSA compliance 52 1 Istio Security Audit, 2023 Executive summary In September and October 2022 Ada the issues found in an audit from 2020. 4. Review and improve Istio's fuzzing suite. 5. Perform a SLSA review of Istio. The audit was started with a kickoff meeting, and following that, Ada Logics had affected by. 51 Istio Security Audit, 2023 Istio SLSA compliance Ada Logics follows the specifications of SLSA v0.1 that are outlined here: https://slsa.dev/spec/v0.1/requirements. This version of compliance

Executive summary 2 Project Summary 3 Audit Scope 4 Threat model 5 Fuzzing 15 Issues found 17 SLSA 43 Supply-chain mitigations 45 1 Dapr security audit 2023 Executive summary In May and June 2023 assets in scope. 3. Evaluate Daprs fuzzing suite against the formalised threat model. 4. Perform a SLSA review of Dapr. Our overall assessment of Dapr is highly positive. Dapr follows security best practices of the audit. An area for future work on Daprs security posture is its so�ware supply-chain. The SLSA review showed that Dapr is lacking a compliant provenance attestation alongside release artifacts

的确吸引人，值得升级体验。在这里也特别推荐我在负责的 GreatSQL 分支，无 论从功能还是性能上说都比 MySQL 更实用、更放心。可能会有人推荐选择 MariaDB，从生态完善及成熟度等多方面评估来看，我是持反对意见的。 3.对于需要所谓原厂服务保障的场景，这种只能跟着 MySQL 官方走了，没啥说的。 15 / 87 1 1 B 站（哔哩哔哩）崩了两次 生产事故“名场面” 冥场面！速来围观 估量有尺，开源有道。2023 年 2 月 21 日，开源指南针 OSS Compass 发 布会在北京顺利举行。OSS Compass 的发布，标志着我国首个开源生态健 康评估平台正式诞生。 OSS Compass 是一个用于开源生态健康评估的平台，面向 GitHub、Gitee 等平台所有开源项目开放。 2023 年 6 月 11 日，腾讯正式宣布将打磨多年的编译器软件 OpenKona JDK 捐 家公司生产实践环境。 成为 ASF 顶级项目 35 / 87 1 1 渠成开源社区成立两周年 字节跳动开源 Shmipc 开源开发者事件回顾 CNCF 社区首个，KubeEdge 达到软件供应链 SLSA L3 等级 Kuasar 是华为云全新的云原生开源项目。 在保留传统容器运行时功能的基础上，Kuasar 通过全面 Rust 化以及优化 管理模型和框架等手段，进一步降低管理开销、简化调用链路，灵活扩展

Twins：重新思考高效的视觉注意力模型设计 339 目录 iv > 2022年美团技术年货 美团获得小样本学习榜单 FewCLUE 第一！ Prompt Learning+ 自训练实战 353 DSTC10 开放领域对话评估比赛冠军方法总结 368 KDD 2022 | 美团技术团队精选论文解读 382 ACM SIGIR 2022 | 美团技术团队精选论文解读 391 CVPR 2022 | 美团技术团队精选论文解读 版本，我们的量化方案应用于 2.0 版 本。更详尽的关于量化部署实践的相关内容，近期会在美团技术团队公众号上进行推 送，敬请期待。 完备的开发支持和多平台部署适配 YOLOv6 支持检测模型训练、评估、预测以及模型量化、蒸馏等全链路开发流程， 同时支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN） 等不同平台的部署，极大简化工程部署时的适配工作。更详细的教程指引请移步 二部分为时间序列问题，跟第一部分的重要差别在于预测的是未来的多点序列，而非 推荐系统的单点预估；第三部分为自动化机器学习问题，该问题比赛输入不为单一数 据集，而是多问题的多数据集，并且在最终评估的 b 榜数据集问题也是未知的。因 此，对于方案的鲁棒性要求非常高。如表 1 所示，后续将具体介绍七个比赛赛道的获 胜方案，但会合并为五个核心解决方案进行具体的介绍。 表 1 竞赛及解决方案

操作XuperDB 操作Distributed AI 案例应用-线性回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 案例应用-逻辑回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 系统详解 部署架构 计算需求方(Requester) 任务执行节点(Executor Node) 数据持有节点(DataOwner Node) Node) 存储节点(Storage Node) 区块链节点(Blockchain Node) Distributed AI 服务组件 多方安全计算框架 可信联邦学习 模型评估 动态模型评估 接口与消息定义 配置说明 命令行工具 XuperDB 背景和目标 特点和优势 架构设计 功能介绍 如何使用 Crypto 数据隐私保护 机器学习算法 纵向联邦学习 团队 我们的团队 参与开发 参与开发&测试 结 果。 模型评估 PaddleDTX中的模型评估同样经过分布式改造。如果用户指定执行模型评估， 并设置评估方式和参数，任务执行节点本地实例化评估器，评估器会划分训练 样本、创建并运行训练任务、创建并运行预测任务，最后计算评估指标。任务 执行节点各自持有部分训练集和验证集，在训练和预测过程中，任务执行节点 之间会进行多轮复杂交互。 此外，PaddleDTX还支持动态模型评估。训练任务进行计算的过程中，可指定

2.7 模型评估 PaddleDTX 中的模型评估同样经过分布式改造。如果用户指定执行模型评估，并设置评估方式和参数，任务 执行节点本地实例化评估器，评估器会划分训练样本、创建并运行训练任务、创建并运行预测任务，最后计 算评估指标。任务执行节点各自持有部分训练集和验证集，在训练和预测过程中，任务执行节点之间会进行 多轮复杂交互。 此外，PaddleDTX 还支持动态模型评估。训练任务进行 还支持动态模型评估。训练任务进行计算的过程中，可指定轮次触发模型评估，并获得当 前轮次训练结束后的评估指标。训练过程中，可以获取每个阶段模型的评估结果，以此判断是否停止训练； 当训练任务结束时，可获得一系列评估指标，展示训练效果变化趋势。 2.7. 模型评估 5 PaddleDTX Documentation 6 Chapter 2. 基本概念 CHAPTER3 正在进行中 我们即将支持的主要功能如下: 1. �→72a682a46fc1" -e "executor1,executor2" # 命 令 行 返 回 TaskID: fdc5b7e1-fc87-4e4b-86ee-b139a7721391 如果希望执行模型评估，增加‘–ev’、’–evRule’等参数： $ ./requester-cli task publish -a "linear-vl" -l "MEDV" --keyPath './keys' -t

“先解释电车难题的定义，再对比 两种伦理观的差异” 一次性提问复杂逻辑 如何向AI表达需求 需求类型 特点 需求表达公式 推理模型适配策略 通用模型适配策略 1. 决策需求 需权衡选项、评估风险、 选择最优解 目标 + 选项 + 评估标准 要求逻辑推演和量化分析 直接建议，依赖模型经验归纳 2. 分析需求 需深度理解数据/信息、 发现模式或因果关系 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 通过迭代调整提示语，优化输出质量 设计评估标准，量化提示语效果 跨域整合能力 将专业领域知识转化为有效的提示语 利用提示语桥接不同学科和AI能力 创造跨领域的创新解决方案 系统思维 设计多步骤、多维度的提示语体系 构建提示语模板库，提高效率和一致性 深入分析任务背景和隐含需求 考虑文化、伦理和法律因素 预测可能的误解和边界情况 抽象化能力 识别通用模式，提高提示语可复用性 设计灵活、可扩展的提示语模板 创建适应不同场景的元提示语 批判性思考 客观评估AI输出，识别潜在偏见和错误 设计反事实提示语，测试AI理解深度 构建验证机制，确保AI输出的可靠性 创新思维 探索非常规的提示语方法 结合最新AI研究成果，拓展应用边界 设计实验性提示语，推动AI能力的进化

“先解释电车难题的定义，再对比 两种伦理观的差异” 一次性提问复杂逻辑 如何向AI表达需求 需求类型 特点 需求表达公式 推理模型适配策略 通用模型适配策略 1. 决策需求 需权衡选项、评估风险、 选择最优解 目标 + 选项 + 评估标准 要求逻辑推演和量化分析 直接建议，依赖模型经验归纳 2. 分析需求 需深度理解数据/信息、 发现模式或因果关系 问题 + 数据/信息 + 分析 方法 触发因果链推导与假设验 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 通过迭代调整提示语，优化输出质量 设计评估标准，量化提示语效果 跨域整合能力 将专业领域知识转化为有效的提示语 利用提示语桥接不同学科和AI能力 创造跨领域的创新解决方案 系统思维 设计多步骤、多维度的提示语体系 构建提示语模板库，提高效率和一致性 深入分析任务背景和隐含需求 考虑文化、伦理和法律因素 预测可能的误解和边界情况 抽象化能力 识别通用模式，提高提示语可复用性 设计灵活、可扩展的提示语模板 创建适应不同场景的元提示语 批判性思考 客观评估AI输出，识别潜在偏见和错误 设计反事实提示语，测试AI理解深度 构建验证机制，确保AI输出的可靠性 创新思维 探索非常规的提示语方法 结合最新AI研究成果，拓展应用边界 设计实验性提示语，推动AI能力的进化