同样是在软件开发行业工作 3 年，为什么有些人经验丰富，可以独当一面，而有些人却还和工作一年的人差不多？作者给出了自己的答案。
9月12日，淘天集团联合爱橙科技正式对外开源大模型训练框架——Megatron-LLaMA，旨在让技术开发者们能够更方便地提升大语言模型训练性能，降低训练成本，并保持和LLaMA社区的兼容性。测试显示，在32卡训练上，相比HuggingFace上直接获得的代码版本，Megatron-LLaMA能够取得176%的加速；在大规模的训练上，Megatron-LLaMA相比较32卡拥有几乎线性的扩展性，且对网络不稳定表现出高容忍度。
当前 LLM(Large Language Model) 大语言模型越来越火，在业务和生活中已经逐渐变得人尽皆知，作为一名技术同学，可以不精通其中的细节，但了解其大致的奥义是应该必备的技术素养，最起码应该清楚大模型是怎么运作的，在业务中我们可以与其建立什么链接，这也是我写这篇文章的主要原因。 本文借鉴了多方文章，加入了自己的理解，由于大部分相关文章都比较有技术壁垒，很多同事包括我读起来都比较晦涩，因此我尽可能将其转化为比较易懂的语言。 我本人也不是专业的算法同学，因此只能用比较浅薄的视角窥探一部分大模型的理论和实践，如果有描述不清或有误之处还请批评指出。
本文通过深入剖析ChatGLM、LLAMA和Baichuan模型的升级路径，以及探讨大型语言模型结构选型，为大家提供了一个系统性的视角，梳理了大型预训练模型的关键要素。我们希望这些知识能够为大家在实际工程中构建更强大、灵活且高效的大型预训练模型提供有力的参考和指导。
日前，在加拿大温哥华召开的数据库领域顶会VLDB2023上，来自阿里云瑶池数据库团队的论文《PolarDB-SCC:A Cloud-Native Database Ensuring Low Latency for Strongly Consistent Reads》，成功入选VLDB Industrial Track（工业赛道）。 论文中，PolarDB-SCC提出了一个全局强一致的主从架构的云原生数据库。目前该架构已在PolarDB架构中上线一年有余，是业内首个在业务无感知情况下实现全局一致性读的主从架构云原生数据库，解决了一直以来海量客户的一致性痛点。
本文是快速成长系列第三篇《自我培养和培养他人》，会从人才培养的目标、缺失、系统、实施几个方面介绍人才培养的实践经验。
作为一名研发人员，除了业务开发之外，研发提效是一个永恒的话题，而女娲正是这一话题下进行的一次全面的剖析和实践。
本专题共10篇内容，包含淘宝APP基础链路过去一年在用户体验数据科学领域（包括商详、物流、性能、消息、客服、旅程等）一些探索和实践经验。 在商详页基于用户动线和VOC挖掘用户决策因子带来浏览体验提升；在物流侧洞察用户求助时间与实际物流停滞时长的关系制订表达策略带来物流产品满意度提升；在性能优化域构建主客观关联模型找到启动时长与负向反馈指标的魔法数字以明确优化目标；构建多源VOC标签体系综合运用用户行为和用户VOC洞察、落地体验优化策略，并总结出一套用户体验分析方法论。
