尽管微服务架构长期以来被视为云原生应用的事实标准，但在 2023 这一年，来自各方的反思声音逐渐增多。去年 3 月，AWS 分享了一个案例，Prime Video 团队将其 Serverless 应用程序中的部分微服务调整成为了一个单体，称此举节省了 90% 的运营成本。DHH 对此评论道：“亚马逊也无法理解无服务器或微服务。”谷歌也于去年开源了一个名叫 Service Weaver 的框架，在相关论文中，他们表示这种方法可以将发布式系统带来的延迟降低 15 倍，成本降低 9 倍。 那么，微服务到底有没有什么问题？Service Weaver 是否能够成为微服务架构的“新解”呢？在年终盘点之际，InfoQ 采访了字节跳动服务框架团队架构师、CloudWeGo 开源负责人罗广明，探讨了微服务发展十几年来的进展和关键技术演变。
该论文介绍了一种可传输的实时体积视频解决方案：Live4D。该技术利用了深度学习和计算机视觉技术，通过将多个摄像机的图像进行同步处理，重建出捕获对象带有纹理信息的网格模型，将其进行压缩编码传输后分发给各个客户端进行渲染显示。 Live4D可以根据应用场景和精度需求配置不同数量和位置的双目RGB相机，能以更低的成本实现体积捕获系统，并能够实时地将重建出的数据发送给用户；同时还支持互动和沉浸式体验，用户可以通过与视频进行互动，获得更加身临其境的体验。该技术在全息通信、虚拟现实、增强现实和远程教育等领域具有广泛的应用前景。
CSS 中有三个概念是必须要掌握的：层叠、继承和权重。今天我们主要来了解 CSS 中的层叠和继承，对于 CSS 权重这一部分将放到 CSS 的选择器中来介绍，因为这一部分和 CSS 的选择器耦合的更为紧密。不管是初学者还是有一定工作经验的同学，花点时间阅读这篇文章都是很有必要的，这样有利于你对 CSS 更清楚的了解和理解。 在很多 Web 开发人员眼中，CSS 不是一门程序语言，但它真真切切的是一门计算机语言。主要用来为结构化文档，比如 HTML、XML 等添加样式，其主要由 W3C 定义和维护。而 CSS 是由 Cascading Style Sheets 三个词的首字母缩写，很多人将其称为层叠样式表或者级联样式表。接下来要聊的第一个概念就是 CSS 中的层叠，也对应的是 CSS 中的第一个字母 C 。看到这里，或许你就知道为什么会说层叠是 CSS 的重要概念之一了。
随着互联网和物联网的高速发展，产生了大量的结构化、半结构化数据。在百度集团内部， BTS（Baidu Table Storage） 成为处理这些半结构化数据的关键产品。随着技术的不断发展和业务需求的多样化，BTS 在百度内部经历了从支持单一 Table 能力到支持宽表、时序等多模能力的演进。 BTS 是百度智能云的半结构化存储产品，对内支撑百度核心业务（搜索、Apollo、凤巢、feed、系统监控等），对外提供高性能、低成本的 NoSQL 表格存储服务。 BTS 可用于丰富的场景，比如横向业务场景（分布式存储、结构化、聚合、高性能检索）、纵向行业场景（互联网、广告、feed、物联网、大数据、时序）以及一体化解决方案（大数据分析生态，监控）等，支撑业务创新。并且提供了多种 API、SDK 和可视化的 Web 管理平台供研发人员快速接入。通过 Batch 写、并发读、多级 Cache 加速等方式，打破性能瓶颈。通过热备副本、实时 Failover 和表回收站技术保证数据库高可用。另外，BTS 还提供企业级安全保障，服务可用性高达99.9%，数据可靠性达到了 99.99999999%（1
随着公司接口自动化应用逐渐深入，老自动化方案弊端日渐凸显（线下脚本&自动化框架 + Jenkins + 平台[调度 + 报表 + ...]），如：技术栈&框架&三方库差异大、用户兼容性差、用例编写效率低、平台接入复杂、平台化适配性差、用例脚本不可控、用例维护成本高、执行耗时长等。为此我们将自动化平台由“半平台化”转型为“全平台化”，实现了轻量高效、功能完备、使用简单、标准化程度高的自动化平台，支持“在线可视化、组件化(可复用)、全代码、低代码、零代码”编写用例。在用例执行方面，新平台没有被传统的自动化框架所束缚，自研了更适合平台化的“自动化用例执行器”。 自动化执行器是自动化平台自研的自动化用例执行器，负责具体执行平台编写的自动化用例和脚本，支持单独调试和按测试计划批量执行用例。主要提供串/并行跑用例、占位符、系统方法、环境变量(只读)、变量空间(读/写)、解释执行API.步骤、原生执行代码脚本等能力。 执行器是参考了优秀接口测试工具（Jemerer、Postman、eolink、MeterSpher等）和主流单元测试框架（TestNG、PyTest、unittest等）后进行自主
大型语言模型（Large language models,LLM）是基于大量数据进行预训练的超大型深度学习模型。底层转换器是一组神经网络，这些神经网络由具有 self-attention 的编码器和解码器组成。编码器和解码器从一系列文本中提取含义，并理解其中的单词和短语之间的关系。 当前 LLM 模型推理的主要瓶颈是 GPU 显存资源不足。因此，各类加速框架主要集中于降低 GPU 显存峰值和提高 GPU 使用率两大目标。 TensorRT-LLM[1]是 NVIDIA 推出的大语言模型（LLM）推理优化框架。它提供了一组 Python API 用于定义 LLMs，并且使用最新的优化技术将 LLM 模型转换为 TensorRT Engines，推理时直接使用优化后的 TensorRT Engines。 TensorRT-LLM 主要利用以下四项优化技术提升 LLM 模型推理效率。
