通过修复历史遗留的Crash漏报问题（包括端侧SDK采集的兼容性优化及Crash平台的数据消费机制完善），得物Android端的Crash监控体系得到显著增强，使得历史Crash数据的完整捕获能力得到系统性改善，相应Crash指标也有所上升，经过架构以及各团队的共同努力下，崩溃率已从最高的万2降至目前的万1.1到万1.5，其中疑难问题占比约90%、因系统bug导致的Crash占比约40%，在本文中将简要介绍一些较典型的系统Crash的治理过程。
在3D网页应用中，高质量的阴影渲染对于营造场景的真实感至关重要。作为广泛采用的 WebGL 框架之一，three.js 为开发者提供了多种阴影渲染选项，使得创建生动逼真的光影效果成为可能。然而，实现这些视觉上的增强往往伴随着性能开销，尤其在处理复杂场景或运行于低端设备时更为明显。因此，在确保画面质量的同时优化阴影渲染，以提升用户体验和保持流畅性，便成了一个核心挑战。本文将解析 three.js 中的阴影渲染机制，并提供一系列实用的优化策略，助力开发者在不同应用场景下达成最佳平衡。
本文重点介绍使用微调框架unsloth，围绕DeepSeek R1 Distill 7B模型进行高效微调，并介绍用于推理大模型高效微调的COT数据集的创建和使用方法，并在一个medical-o1-reasoning-SFT数据集上完成高效微调实战，并最终达到问答风格优化&知识灌注目的。
从 ChatGPT 到 DeepSeek 再到最近大热的 Manus，AI 技术从模型端的破圈进一步扩展到了 Agent 方向。拥有一个定制化的、能够理解你业务需求的 AI 助手不再是科幻，而是触手可及的现实。 然而，市面上的通用大模型往往难以深入理解特定领域知识，更不用说完全掌控数据隐私。本文将带你走进 AI 定制化的世界，从模型微调到功能开发，从技术探索到产品思考，一站式解决你的 AI 落地难题。
自从ChatGPT问世以来，大模型凭借其强大的语义理解和生成能力开始在多个领域引领技术变革。但大模型在房产推荐场景的应用上仍存在一些瓶颈： 其一，数据形态的适配难题。房产推荐依赖房源价格、户型、地理位置等强结构化数据，而大模型则更适配自然语言文本，这要求构建起推荐特征与大模型输入之间的有效转换。 其二，大模型响应的时效挑战。算法需要根据用户的线上行为实时调整推荐方向，大模型由于其计算速度影响很难在用户兴趣变化时快速响应。 其三，参与模式的边界定义。大模型有多种参与推荐的形式，可以是直接生成推荐或辅助特征提取，需要讨论哪种更适合房产场景。 基于以上背景，58同城房产事业群（HBG）推荐算法团队和58同城AI Lab进行深度的项目合作，以多业务、多场景、多模式的方式开展算法落地实践，尤其是在大模型画像推理和大模型Embedding上，取得了一些阶段性成果，本文将分享我们的实践案例及经验。
在数字化浪潮席卷的当下，业务的高效运营与创新发展离不开强大的技术支撑。对于各类线上业务而言，交易系统作为连接用户与服务的关键枢纽，其成熟度与完整性直接决定了业务的竞争力。一套卓越的交易系统，不仅是业务流程的数字化载体，更是提升运营效率、优化用户体验、推动业务创新的核心驱动力。大会员业务精心打造的交易系统，正是这样一个集高效、灵活、稳定于一身的强大平台，它以模块化的架构、先进的技术组件和完善的功能体系，为业务的持续增长和生态的繁荣发展奠定了坚实基础。
最近几年，大模型在技术领域的火热程度属于一骑绝尘遥遥领先，它已经深刻地影响了“编程”领域，且正在各个领域迅速渗透。与此同时，普通开发者也变得非常地焦虑，因为实实在在感受到了它强大的威力，担心哪天自己就被取代。与其担忧，我们不如主动拥抱这种技术变革。
因为年前刚搬家，家中物品非常杂乱，同时在搬家的过程中发现过去在家庭物资管理上存在很多问题，总结有： 储物空间浪费：过期药品和其他过期物品长期占据储物空间，降低了空间有效利用率。 食品过期浪费：易过期食品的有效期跟踪机制缺失，导致食品经常过期被扔，造成资源浪费。 物品难以定位：没有合理收纳规划和物品位置标记，急需物品时难以快速找到，往往搬家时才发现。 重复采购：过期物品未清理，物品位置难确定，购物前无法准确知晓库存，导致重复购买，造成经济损失。 鉴于以上种种困扰，春节期间，我借助 Cursor 以及 Trae（Claude-3.5-Sonnet 与 deepseek-r1），开发出一款家庭物资管理应用，期望通过这个工具，能够显著提升家庭物资管理的效率和质量，让家庭生活更加有序便捷。同时也对这两块IDE和模型进行了深度的使用和体验
