阅读

Databricks 的 Bruno Tafur 和 Tushar Madan 在 2026 年 11 月发布了一篇面向应用构建者的扩展指南，讨论当一个 Databricks App 从几个用户增长到成百上千时，如何让它保持快速响应和高可用。文章的核心判断是：直觉答案「加更多计算资源」只有在你知道请求的时间花在哪里、以及应用本身是否具备扩展能力之后才有效。

作者将扩展过程分为四个阶段：设计、构建、测试部署和运维。在架构设计阶段，最关键的决策是把应用状态分成两类。软状态是临时工作数据，比如内存中的上下文、缓存和进行中的工作，丢了可以从硬状态重建；硬状态是业务记录、检查点和用户偏好，必须持久化在 Lakebase 或 Unity Catalog 表中，让任何实例都能恢复会话。这个分类决定了水平扩展是否真正可行——如果会话状态只存在内存里，实例重启或迁移时用户就会丢失工作。

文章给出了一个具体的零售商场景来演示如何估算负载：2000 名店长在黑色星期五最忙的一小时里，200 人同时使用库存查询应用，每人每分钟两次查询，每次执行三条 SQL 语句，结果是每分钟 1200 条语句、平均每秒 20 条。作者强调这估算的是查询速率而非并发数，测试时需要验证突发流量和增长，并且单独预算数据库连接。

在连接预算方面，文章给出了一个可操作的公式：当每个 worker 维护一个连接池时，连接数的上限是实例数乘以每实例 worker 数乘以池最大连接数。例如五个实例、每个八个 worker、池上限十，最多可打开 400 个连接。加上其他客户端和代用户打开的连接后，需要与数据库文档限制对比并留出部署期间的余量。对于需要以用户身份查询 Lakebase 的场景，每个用户需要独立的 Postgres 角色，而 Lakebase 每个分支限制 500 个角色，添加实例不会改变这个上限。

构建阶段的核心建议是使用异步代码。大多数应用的时间花在等待外部服务上——SQL 查询、模型调用、外部 API。阻塞调用会让一个等待占住一个执行槽位，少量慢调用就能耗尽容量。当 handler 用 await 等待模型和数据库调用时，一个 worker 可以在等待期间继续服务其他请求。文章还建议用 asyncio.gather 或 Promise.all 并行启动独立查询，让请求耗时接近最慢的那条查询而非所有查询之和，同时限制并行数量避免压垮后端。

关于优雅关闭，Databricks 在重新部署时发送 SIGTERM，如果应用未在 15 秒内退出则发送 SIGKILL。这个窗口用于最终检查点保存，但作者强调重要工作应该在正常运行期间就已保存。对于 FastAPI 应用，建议将 Uvicorn 的 --timeout-graceful-shutdown 设为 15 秒以下（例如 10 秒），防止长时间请求吃掉检查点时间。

在测试部署阶段，作者推荐用 Locust 等工具在预期峰值下用真实用户旅程做负载测试，逐步增加并发用户直到吞吐量不再增长或延迟和错误率突破目标。文章列出了一个决策表帮助选择实例规格：如果请求慢但应用 CPU 低，说明在等后端，应该先修查询或连接池而不是加计算；如果 CPU 接近上限且服务器运行多个 worker，可以升级到 Large；如果是单进程应用（如 Streamlit 或默认配置的 AppKit），CPU 接近上限时应该加实例而非升规格，因为更大的实例只在应用能用上额外核心时才有用。

运维阶段建议保持遥测开启，用自定义 span 包裹 SQL、模型和 API 调用来定位时间消耗，通过 trace 和 request ID 跨实例追踪单个用户的请求。当出现慢请求时，文章提供了从症状到原因的对照表：空闲后首次请求慢指向冷启动，CPU 或内存接近上限指向应用本身是瓶颈，数据库连接超时指向池竞争或长事务。

整套方法的关键前提是：应用计算只负责服务 UI 和协调调用，重活交给专门的服务。长时间运行的工作应该放到后台任务中，让 UI 轮询状态或接收流式更新，而不是让一个请求一直挂着。如果应用需要运行用户编写或代理生成的代码，应该放到 Databricks Sandbox 隔离环境中，使其 CPU 和内存消耗不影响服务用户的实例。

在线旅游平台Airbnb在其第三季度股东信及财报电话会议中宣布，公司正在开发的定制AI旅行代理（AI travel agent）计划于2027年上半年向消费者推出。这一时间表比此前模糊的“明年某个时候”更为具体，标志着Airbnb在人工智能产品化上的关键进展。

Airbnb首席执行官Brian Chesky强调，该代理并非传统的文本密集型聊天机器人，而是基于“生成式UI”（generative UI）理念构建。Chesky指出，旅行规划具有启发性和视觉依赖性，80%的旅行者享受研究行程的过程。因此，该代理将根据用户查询实时组合地图、照片、比较工具、日历和行程单等数百种旅行专用界面组件，以提供更具沉浸感的体验，而非仅通过文字回答。

除了预订功能，Airbnb表示该代理还将协助处理行程中的其他事务，如更改预订、解决支付问题、退款支持以及24小时安全援助。公司认为，这些深度整合的服务是外部通用AI代理难以独立实现的壁垒。

此次产品路线图更新伴随着强劲的财务表现。Airbnb第三季度营收同比增长19%至48.7亿美元，超出华尔街预期。基于此，公司将2026年全年营收增长预期从“中等 teens”上调至“高位 teens”。Chesky称：“Airbnb已重回增长模式”，并表示这是该公司三年来最快的季度营收增速。

对于投资者而言，明确的2027年上线时间和独特的“生成式UI”架构提供了评估Airbnb AI战略执行力的具体锚点。然而，实际市场反应和用户接受度仍需在产品发布后验证，目前尚无法量化其对转化率或长期竞争格局的具体影响。

AI教育初创公司Mindmax宣布完成330万美元的种子前融资，本轮由Concept Ventures领投，Redrice Ventures、Daybreak Ventures和Lerer Hippeau跟投。天使投资人包括Depoplo前CEO Maria Raga以及国防AI公司Helsing联合创始人Torsten Reil。

Mindmax由Memrise联合创始人Ed Cooke和Daniel Zohar创立。Cooke曾是记忆大师，Zohar则是Memrise的前CTO。该公司开发了一款针对职业考试和技能提升的AI导师应用，目前已在全球App Store和Play Store上线。其核心主张是解决AI时代出现的“认知投降”问题，即人们过度依赖AI而放弃主动思考。

与传统的单向视频教学不同，Mindmax强调实时互动，用户可以随时打断、提问或引导课程方向。创始人表示，该工具利用大语言模型结合Memrise的记忆技术，旨在提高信息保留率。目前团队仅有8人，分布在巴黎、拉脱维亚、伦敦和印度。尽管公司声称其产品优于传统课堂，但尚未公布具体的错误率数据或第三方验证结果。

澳大利亚协作软件公司Atlassian在发布2027财年第一财季业绩后，尽管各项财务指标超出分析师预期，但其盘后股价仍下跌超过17%。这一剧烈反应主要源于公司对未来订阅年度经常性收入（ARR）增长速度的下调指引，显示市场对其核心SaaS业务长期增长动能的担忧压倒了短期盈利表现。

截至9月30日的季度中，Atlassian报告调整后每股收益为1.65美元，高于去年同期的1.04美元及分析师预期的1.43美元；营收达到17.72亿美元，同比增长24%，同样超过17.1亿美元的预期。增长主要由云业务驱动，该部分营收上升31%至13.02亿美元。然而，即将于2029年3月退役的数据中心（Data Center）产品线增长放缓至约5%，营收为3.91亿美元，公司称这部分客户在向云端迁移过程中扩张速度减缓。

引发股价下跌的关键在于指引修订。Atlassian目前预计本财年订阅ARR增速将放缓至约18.5%，而刚刚报告的季度增速为22.5%。尽管公司的剩余履约义务（RPO）激增44%至47.46亿美元，且企业客户交易规模扩大、周期拉长，但投资者显然更关注订阅收入的即时增长轨迹是否出现结构性减速。此外，公司连续第二个季度实现非调整后的净利润（9100万美元），自由现金流增至4.63亿美元，并通过股票回购向股东返还了5.81亿美元。

一台性能略低于目标的 GPU 可能不会报错，不会触发 Xid 事件，也不会让监控面板上的利用率指标出现异常。但它能让整个分布式训练任务慢到最慢的那个 rank，运维人员可能几小时后才从用户投诉中发现。NVIDIA 技术博客作者 Sowmyan Soman 和 Kai Wombacher 在 2026 年 11 月 5 日发布的文章中，以这个问题为起点，解释了为什么 GPU 集群的就绪性验证不能只在交付时做一次。

他们的论点是：集群在交接时通过了就绪检查，但随着节点替换、驱动打补丁和容量扩展，原始认证不再反映集群的实际状态。这种可见性缺口浪费故障节点上的算力，也让健康节点因保守策略而闲置。作者提出用 goodput（成功完成的工作量）而非利用率来衡量集群效率，并认为维持就绪性需要在整个运维生命周期中持续验证——配置变更后、容量增长时、修复节点返回服务前。

文章将 NVIDIA DSX OS 的三个开源组件对应到这三个验证时机。AICR（AI Cluster Runtime）提供版本锁定的配置配方，将网络、存储、驱动等组件的兼容版本和依赖关系记录为可审查的文件，渲染为 Argo CD、Flux 或 Helm 可用的部署工件。NVCRE（Cluster Readiness Engine）在集群交付前运行 NCCL 通信测试和训练负载，通过可配置的性能阈值判断节点是否达标，并在失败时二分法缩小可疑节点范围。NVSentinel 在集群运行期间持续监控 GPU、节点和网络健康信号，发布节点状态，并在启用后隔离、排空和修复故障节点。

真正构成增量的是这三个组件之间的自动衔接机制。NVSentinel 的生命周期控制器在节点加入集群或修复后返回时，自动创建 ValidationRequest，用 cordon 或 taint 门控调度，然后调用 NVCRE 运行测试。测试通过后控制器移除门控；重试后仍失败则节点保持隔离。这意味着修复节点不会静默回到池中。作者特别指出，对于驱动升级、运维操作或 fabric 变更这类不会触发生命周期事件的情况，AICR 的漂移检测（aicr diff --fail-on-drift）可以在 CI 管道中失败，从而在同一变更流程中触发认证运行。

文章也明确划定了各组件的职责边界。NVCRE 只负责测试和归因——记录哪些节点失败及原因，不改变节点状态；NVSentinel 负责隔离和修复。作者解释这一分离是为了避免两个系统同时 cordon 同一节点导致双重隔离和清理不同步。NVSentinel 默认以监控模式安装，只报告故障为节点状态，不执行 cordon、驱逐或修复，运维团队在信任信号质量后才启用自动处置。

需要保留的边界是：这是 NVIDIA 对自身平台设计意图和组件交互机制的说明，不是独立验证的性能报告。文章未提供该闭环在生产环境中实际捕获性能退化的统计数据、误报率或与其他集群管理方案的对比。阈值默认不配置，意味着性能退化检测的有效性取决于运维团队是否主动设定了合适的 busBandwidthGBps 等标准。文章描述的自动化程度需要同时启用 lifecycle manager 和 fault-quarantine validation 两个独立开关，且当前开源许可为 Apache 2.0，尚待外部采用验证。

微软于2026年11月5日宣布，Azure Developer CLI（azd）的Microsoft Foundry扩展包（microsoft.foundry）达到版本1.0并正式可用。该扩展将AI智能体的配置、本地测试（Agent Inspector）、评估和部署集成到azd工作流中，开发者无需切换工具即可管理托管智能体的完整生命周期。需安装azd 1.37.0或更高版本及Azure订阅。

美国芯片公司高通（Qualcomm）在11月5日开幕的第九届中国国际进口博览会（CIIE）上，首次公开展示了全球首个符合3GPP最新定义的6G终端原型机。这是该原型机首次走出实验室，向公众实物展出。

据智东西报道及进博会官方新闻，该原型机作为迈向6G商用的重要测试验证平台，目前已用于与中国移动、中兴通讯等中国产业伙伴进行的联合6G技术测试和互操作性测试（IoDT）。今年9月，高通与中国移动完成了基于3GPP最新定义射频规范的IoDT测试，实现了不同厂商设备间的上下行链路互通。

在性能参数方面，去年年底高通与中兴通讯在西安实验室进行的测试显示，该原型机使用了400兆赫兹的下行带宽和400兆赫兹的上行带宽。其下行带宽是目前5G频谱带宽的4倍，下行峰值速率约为14Gbps。除了连线方式的射频校准测试，高通表示将逐步进入空口测试（OTA）阶段。

目前，3GPP的6G标准仍在演进中，首个6G标准版本Release 21预计要到2029年才能最终完成。在今年3月的世界移动通信大会（MWC）上，高通已与包括近20家中国伙伴在内的全球近60家合作伙伴达成共识，推动6G从2029年起逐步走向商用。高通计划根据标准进展不断对这台原型机进行配置和升级，以积累实际经验。

SemiAnalysis于2026年11月5日发布了TPUv7（Ironwood）在InferenceX/AgentX智能体推理基准上的首批跨模型结果。AgentX模拟多轮、长上下文、高前缀复用的真实智能体工作负载，与单轮聊天场景有显著差异。此次覆盖四个模型：Meta的Muse Spark Open（816B参数）、智谱GLM-5.2/5.3（744B参数MoE）、阿里Qwen3.5 397B、以及月之暗面Kimi K3（2.8T参数）。

在FP8精度下，各模型结果需要分别看待。GLM-5.2上，在60至300 tok/s/user的交互区间内，TPUv7每美元token产出达到B200、B300和AMD MI355X的1.2至2.7倍。Qwen3.5 397B上，SemiAnalysis报告TPUv7 FP8的每美元性能为GB300 NVL72 FP4的1.67倍——这是Google自己提交的首个AgentX模型结果。Kimi K3上，由vLLM创始团队创办的Inferact提交的结果显示TPUv7每美元token产出为GB200、B200、B300和MI355X的1.15至2.5倍。Muse Spark Open由SGLang维护者RadixArk提交，在一个理论上对TPU不友好的GPU优化架构上仍实现了有竞争力的decode性价比。

但SemiAnalysis同时指出，NVIDIA FP4在纯性能每美元上仍保持领先。在GLM-5.2上，GB300和GB200 FP4在100 tok/s/user时分别达到TPUv7的3.6倍和3.5倍token每美元。原因在于FP4将权重字节减半，而小批量decode受内存带宽限制。TPUv7目前没有原生FP4支持，需等到2027年一季度的TPUv8。NVIDIA在Qwen3.5上提交了FP4反制结果，虽在decode性能上超过TPUv7 FP8，但以牺牲prefill为代价，端到端性能仍不及TPUv7 FP8。

SemiAnalysis的核心论点在于：TPUv7的竞争力并非仅来自硬件规格，而是通过与vLLM（Inferact、RedHat）、SGLang（RadixArk）、llm-d、PyTorch和Ray等上游维护者的生态合作实现。Meta已在生产环境使用SGLang-TorchTPU部署TPUv7。Kimi K3.1 Pro发布当日即获得TPUv7支持。SemiAnalysis认为，NVIDIA的护城河正在从软件生态被侵蚀，其官僚流程（如驱动功能审批需三个月法律审查）是结构性风险。

需要强调的是，上述结果的提交方各不相同：Qwen3.5由Google直接提交，Muse Spark Open由RadixArk提交，Kimi K3由Inferact提交。所有数据均为第一方结果，由SemiAnalysis分析发布，尚未获得独立复现。NVIDIA方面，Rubin NVL72的预览提交显示其每美元性能可能达到TPUv7的6倍，但SemiAnalysis指出这属于不公平对比，Rubin应对标TPUv8i而非TPUv7。对于正在做算力采购决策的读者，这些数字提供了方向性参考，但在做出承诺前应要求独立验证。

美国AI编程工具公司Factory于周三宣布收购HumanLayer，这是其在不到一个月内完成的第三起针对AI编程初创公司的收购。此次交易旨在将更多软件工程生命周期整合到单一的自主平台中。随着对智能体编程工具的需求以少数企业产品从未见过的速度增长，推动构建这些工具的公司加速合并。

根据双方公告，HumanLayer的创始人Dex Horthy和Kyle Mistele将加入Factory，同时带来协调多个编程智能体并协同工作的技术。Factory联合创始人兼首席执行官Matan Grinberg在X平台上表示欢迎，称他们是他见过的最有抱负的通才之一。

对于现有用户而言，Factory承诺退还过去几个月的付费客户费用，但两家公司均未设定HumanLayer托管服务的关闭日期，也未说明哪些功能将延续。为不愿迁移的用户提供退路，HumanLayer已于10月23日将其核心软件在Apache 2.0许可下开源，尽管部分流程仍需第三方API密钥。

此次收购是Factory近期一系列快速交易的顶点。10月9日，Factory收购了专注于通过模型路由、上下文压缩和支出分析提高编程智能体成本效益的Y Combinator初创公司Mentlio。三周后的10月30日，它又收购了Typedef，该公司构建用于理解数据模型、管道和仪表板之间关系的工具，Factory计划将其用于企业数据迁移和重构。

Factory的编程智能体（称为Droids）处理从规划、编写代码到测试和维护的所有工作。HumanLayer的创始人则专注于团队同时运行多个编程智能体时的情况，包括管理上下文、协调任务和审查结果。Horthy和Mistele还帮助普及了“研究/计划/实施”工作流，将编码任务分解为独立的阶段。

美国投资机构Belvedere Trading LLC于2026年11月5日向美国证券交易委员会（SEC）提交了2026年第三季度Form 13F-HR申报文件。该文件显示，截至2026年9月30日，Belvedere Trading持有的可报告美国证券市值总计约为1707.74亿美元。需要注意的是，这一数字仅代表其在美股市场的特定股票持仓价值，并不等同于该机构的总资产管理规模（AUM），后者未在13F文件中披露。

在人工智能相关领域，Belvedere Trading展示了显著的机构配置。申报明细显示，其持有大量英伟达（NVIDIA Corporation）、超威半导体（Advanced Micro Devices Inc）和美光科技（Micron Technology Inc）的股票及期权头寸。例如，仅英伟达的看涨期权对应股份价值就接近35亿美元，而美光和AMD的持仓价值也分别达到数十亿美元级别。此外，该机构还持有亚马逊、苹果、Meta Platforms以及博通（Broadcom Inc）等科技巨头的头寸。

13F申报是大型机构投资者每季度必须提交的持仓快照，反映的是季度末时点的持股情况，而非实时交易记录或完整的资产组合（如不包含空头、衍生品细节或非美国资产）。尽管存在滞后性，Belvedere Trading如此规模的持仓披露，为观察顶级机构资本在AI基础设施板块的配置趋势提供了具体的量化依据。

美国人工智能公司OpenAI于2026年11月4日发布报告，称其开发了一个自主漏洞发现、利用和修补流水线。该流水线使用其即将发布的网络模型，在Linux内核中动态复现了1724个漏洞，并生成了948个本地提权（LPE）利用程序和候选补丁。整个运行过程的API成本为121.343万美元，平均每个LPE利用程序的成本约为1279美元。

OpenAI表示，该流水线分为五个阶段：漏洞发现、动态验证、可利用性评估、补丁生成和人工审查。在发现阶段，代理识别出5034个高价值审计目标，约占内核代码的7%。在分析阶段，代理在12小时内产生了2308个候选发现。随后，验证代理在隔离环境中复现了其中1724个漏洞，成功率约为74.7%。

为了评估经济影响，OpenAI将结果与历史赏金计划进行了比较。Pwn2Own和TyphoonPWN等网络安全竞赛历史上为Linux内核LPE利用程序提供2万至7万美元的赏金。如果将这948个利用程序按此标准估值，总价值可能在1890万至6630万美元之间，约为流水线成本的16倍到55倍。此外，在针对Google kernelCTF计划的测试中，流水线发现了21个LPE利用程序，成本约为3.29万美元，若被接受可获得约150万美元赏金，约为成本的45倍。

OpenAI还指出，该流水线使用了至少10种新的Linux利用技术，这些技术在第三方内核利用专家看来也是新颖的。该公司强调，随着模型能力的提升，自动补丁生成对于保护软件至关重要，并呼吁防御者主动分析其软件，使攻击者的利用成本变得高昂。