百度搜索系统通过创新的数据打平技术和自动化分析机制，成功量化并捕获了影响搜索结果一致性的关键特征与因素，为系统优化提供了精确指导，显著降低了结果波动。

本文主要介绍了百度IM SDK的建设背景、主要工作流程、建设过程遇到的问题和解决方案。

利用大小模型结合的方式，构建多个智能体，提升业务在APP性能追踪定位的效率。

本文介绍了搜索从工程视角对大模型RLHF任务的分析与性能优化工作。

在Embedding空间中实现高效的时序异常检测，通过向量化技术捕捉用户行为变化，有效应对复杂业务场景下的异常流量检测。

本文探讨了引入缓存解决高访盘吞吐的长尾。

百度Jarvis2.0，十年磨一剑，以云原生微服务托管平台引领广告业务系统架构革新，实现微服务治理与DevOps的高效融合。

主要从工程师的视角来剖析 Transformer 的整体架构，主要分 4 个部分：

• 第 1 部分会介绍一些基础知识，帮助大家对后面讨论的内容做个铺垫。
• 第 2 部分是对 Transformer 架构的定量分析，也是今天分享的重点。在这个部分我会把 Transformer 架构打开，告诉大家它内部做了什么事情，并针对该模型做了一些定量分析，进而形成一些量化的结论。
• 第 3 部分我们会展示一些目前比较热门的 Transformer 架构变种，并从架构的视角来分析各个变种的效果和优化点。
• 第 4 部分是对一些实际案例进行分析，通过实战更好地让大家对大模型的性能和相关问题有更深入的理解。

本文在结算系统升级到了2.0，搭建了一个基于账户余额的财务系统的基础上，讨论了财务系统中较为常见的高频热点账户的现象，研究并给出了一些解决方案，并对不同的解决方案进行对比，给出不同业务场景下适用的解决方案。

物理网络中，某个设备发生故障，可能会引起一系列指标异常的告警。如何在短时间内从这些告警信息中找到真正的故障原因，犹如大海捞针，对于运维团队是一件很有挑战的事情。

在长期的物理网络运维工作建设中，百度智能云通过各种平台数据的综合分析实现了快速故障定位。近期，更是将大模型成功引入物理网络的故障定位中。相比过去传统的定位分析方法，大模型给网络故障定位的能力建设带来了很多改变。

面对数十亿的在线请求流量，如何保证系统的高可用？

本文主要介绍了百度在推荐排序方面的思考与实践，以及特征、算法和架构三个角度的介绍。百度采用了离散化特征设计，平衡了记忆和泛化效果，特别是对头部用户和稀疏长尾的处理方式不同。文章强调了用户的点击和消费决策序列在模型设计中的重要性。百度通过分层设计和联训提高模型效率，采用弹性计算法保证模型复杂性和性能。精排模型精度高，重排模型在此基础上做list wise。百度希望通过这些措施实现推荐公平和数据分布的平衡。

本文介绍了如何通过将Spark的计算模式改为按列计算，并使用C++语言重写逻辑，来提升Spark计算引擎的性能。文章详细讨论了重写Spark SQL内核的工作量和Databricks已实现的闭源C++版本SQL内核。同时，也提出了可以选择一个性能强大的开源引擎，并改造为符合要求的SQL内核，以减少人力成本。最后，文章展示了将ClickHouse作为Spark SQL的示意图。通过改造Spark引擎并利用ClickHouse的优势，可以显著提高性能。

Figma & AI相结合生成开发代码的一站式解决方案。

基于日志中台实时架构实现准确、可扩展、低成本的日志埋点监控。

本文从打点平台角度，描述日志中台在打点治理方面提供的解决方案与实践经验。