本文将针对Serverless Container技术的特殊性，分享其对Kubernetes的架构影响，以及阿里云在Serverless Kubernetes方面架构选择。
深度语义匹配在闲鱼搜索相关性计算中扮演重要角色，相关工作在文章[1]《闲鱼搜索相关性——体验与效率平衡的背后》中有简单的介绍。如题，本文介绍前段时间在深度匹配任务上的另一种尝试，通过检索和生成任务联合训练的方法提升相关性匹配的效果。 融合生成任务提示匹配主任务的思路并不新颖，而在BERT流行的今天，本文则参考[2]《鱼与熊掌兼得：融合检索和生成的SimBERT模型》，稍加改动，使用BERT为Backbone来重新实现类似的思路，模型暂且仍叫SimBert。
未来城是淘宝探索下一代互联网电商在3D场景中的创新尝试，借助了云端强大的GPU完成高清复杂的场景渲染，实现3A影视级画面，端到端200ms时延，用户无需下载大型的安装包，就可在淘宝APP上启用自己的3D形象在虚拟世界探索，完成任务、交易、社交等互动玩法。云端渲染既有移动端发版的一些特点，也有服务端部署的特性，本文重点从测试发布流程、功能体验、性能标准、监控排查几方面阐述了云渲染的质量保障策略。
今天在这里和大家聊一聊前端组件，或者现在更流行的说法「物料」的话题。 物料本身已经不是一个新鲜的话题了，从 06 年 jQuery 发布，前端物料就开始以各种 jQuery 插件的形式不断涌现，直到今天我们仍然可以在 github 上看到很多 jQuery 物料插件，他们当中的设计思路在今天流行的这些前端组件库里仍然可以看到很多影子。 然而，物料也是一个常聊常新的话题，回看前端的发展历史，会发现伴随着前端技术的发展，新的模块化方式、工程化工具、研发框架的出现，物料的组织形式和品牌都在不断革新变化之中。究其原因，我觉得在于物料作为前端的一种模块化抽象，是最明显和快速的提效手段。前端团队和个人在业务开发到一定程度时，使用抽象物料的手段来降低业务开发的重复性和复杂度几乎可以说是一条必经之路。此外，物料的抽象往往又和模块化、工具、框架这些技术手段紧密相连，这些技术的革新也会催生新的物料生产和消费形式的诞生。 近些年来，低代码领域的话题热度在不断升温，国内外的各大云厂商和传统 SaaS 厂商都在低代码领域不断加码投入。在这样的时代大背景下，物料这个老生常谈的话题，又被赋予了哪些新的问题
无论是一次简单的汇报还是对于自己的学习过的知识的进行相应的总结，我们的信息要素总是没有经过结构化总结的。你是否会困惑一场汇报或者一些知识的总结该如何进行，或者你已经有了一些总结，但是还并不知道该如何结构化的组织它们，这个时候就可以采用金字塔结构进行组织。
众所周知，商品是电商产品体系的核心之一，构成商品的基础信息有很多，其中类目则是商品模型核心之一。在阿里电商演进史中，类目模型也从原先的简单分类进化到如今的类目/属性/属性值模型，这其实也是一种精细化分类的表现。类目系统提供基础的业务数据，贯穿着整个电商体系。在整个全球化实施的过程中，我们先后完成了数据合规，产品及技术架构融合，本地精细化运营，算法智能化，多国家商品互通等能力建设。由于篇幅有限，本文将通过三年前和三年后的对比路径，在产品及技术架构融合和本地精细化运营两个能力建设上，向大家介绍下类目域都经历了的变化及国内到国际的差异。希望本文可以给予同行业朋友或即将进入国际业务的朋友一些引导。
本文作者从以下三个方面讲述了fastjson2 使用了哪些核心技术来提升速度。 1、用「Lambda 生成函数映射」代替「高频的反射操作」 2、对 String 做零拷贝优化 3、常见类型解析优化
人类社会的每一次科技跃迁，其本质都是计算力的突破与演进。 算盘拨出农耕文明的繁荣，机械计算机催生出第一次工业革命的袅袅蒸汽，而云计算的发展让万物互联成为真正可能。 在数据爆发式增长以及算法日益精进的大背景下，属于「算力」的时代俨然到来。 以音视频行业为例，趋近饱和的场景渗透率、用户对体验的极致追求、多元化的场景及技术需求，为底层算力和视频编码能力带来更大的挑战。 然而，在算力需求暴涨的同时，摩尔定律的演进速度却在放缓，「硬件红利」已然见底。 对于整个视频云赛道的算力困局，不仅需要上层软件系统的优化，也需要在底层硬件基础设施上，寻求破局之法。
随着智能手机算力的提升，AR/VR应用的不断涌现，普通消费者对好玩有趣的AR应用接受度和期待越来越高，而3D沉浸式购物，包括各类AR试戴、AR量脚、AR试鞋等，因其广阔的应用前景而获得巨大关注。 例如，基于图像算法的AR量脚可以解决用户网购鞋子时尺码不合脚的问题。用户可以直接通过手机的摄像头、Lidar等传感器拍摄自己的脚并立刻获知脚长，再选购合适尺码的鞋子。该算法可以大大减少退换货的问题出现，提升了用户网购体验。 另一方面，手部商品的AR试戴作为3D沉浸式购物重要的组成部分，有着广阔的应用前景，例如，手表、手机作为重要的电商品类，具有客单价高、销量高的特点，如果能提高这些品类的AR试戴体验，必然能够提高用户的购买意愿。 为了解决AR量脚和AR试戴的实际问题，我们在PixelAI移动端视觉算法库中实现了对应的AR算法，结合2022年双十一，在淘宝App和天猫App中进行了算法到实际产品的落地。具体来说，在AR量脚算法中，我们将目标检测、直线检测、图像分割、三维点云重建等多种算法进行融合，并精心设计了量脚界面和教程，保证用户良好体验的同时，让脚长测量误差处于3mm以内。
随着 Docker 和 Kubernetes 的出现，一个庞大的单体应用可以被拆分成多个独立部署的微服务，并被打包运行于对应的容器中。不同应用之间相互通信，以共同完成某一功能模块。微服务架构与容器化部署带来的好处是显而易见的，它降低了服务间的耦合性，利于开发和维护，能更有效地利用计算资源。当然，微服务架构也存在相应的缺点： 强依赖于SDK，业务模块与治理模块耦合较为严重。除了相关依赖，往往还需要在业务代码中嵌入SDK代码或配置。 统一治理难。每次框架升级都需要修改 SDK 版本，并重新进行回归测试，确认功能正常后再对每一台机器重新部署上线。不同服务引用的 SDK 版本不统一、能力参差不齐，增大了统一治理的难度。 缺少一套统一解决方案。目前市场不存在一整套功能完善、无死角的微服务治理与解决方案。在实际生产环境往往还需要引入多个治理组件来完成像灰度发布、故障注入等功能。 为解决这些痛点，Service Mesh诞生了。以经典的side car模式为例，它通过在业务 Pod 中注入 Sidecar 容器，对代理流量实施治理和管控，将框架的治理能力下层到 side car 容器中
