受困于传统素材生产高成本、周期长和内容同质化，平台难以满足日益增长的用户需求。针对这一瓶颈与AI赋能新机遇，我们率先自主研发并部署了端到端AI视频生产流水线，实现了从内容创意到审核的六大环节全流程智能化升级，将单条视频成本由500元显著压降至5元，生产时效从人工1个/人日提升至机器自产100+。随着AI能力的持续迭代，我们进一步升级为个性化内容投放体系，批量定制多种类型视频，有效覆盖细分人群。通过这一创新模式，平台在半年后成功布局20余条AI视频生产线，AI视频消耗占比提升至17%，直接带动ROI增长21%，用户点击下载率提升68%；并实现千万级成本优化，全面支撑主站2025年全网增长计划，奠定了行业领先的智能化生产能力。

Ai在线下零售经营中的探索，通过视觉Ai、多模态构建线下人、货、场单全链路感知，并通过LLM低成本实现门店级的机会分析和调改策略，实现由传统经验到可量化的科学经营分析管理。

纷享销客CRM的AI进化之路，通过AI重新定义CRM产品，实现从销售管理与数据记录工具，到实时洞察、决策辅助、主动规划的赋能型CRM的价值跃迁，让CRM有机会成为销售真正爱用的产品。

飞书商业化销冠转型营销市场人时，遭遇了强烈的职业适配挑战：此前做商业化，目标明确、数据来源直接，行动路径清晰；转岗后却陷入 “琐事漩涡”—— 日常被大量细碎工作缠绕，面对海量数据无从下手，逐渐丢失工作目标感，甚至多次萌生离职想法。最终，他通过 “自救 + 他救” 重建心力，并借助 AI 工具彻底解决了核心痛点，实现效率跃迁，具体体现在三个关键场景： 一、设计内容落地：从 “3 天等设计” 到 “5 分钟出成果”过去生成创意内容后，需走冗长流程：对接设计、填写需求文档，全程耗时 2-3 天才能拿到设计稿。现在用 3 个 AI 工具直接生成，5 分钟即可完成同类任务，且最终内容的数据触达效果提升了 3 倍，并且由于带宽的增加自己的内容可以批量化的产出，现在已经让百万人看到自己设计的内容 二、视频内容营销：成本降 80%，效果不打折此前视频工作流依赖 “内部脑暴创意→外部供应商打磨→小范围测点投放”，不仅周期长，还需承担高额供应商成本。现在通过 Coze 等工具搭建 AI 视频工作流，自主完成从创意到投放的全流程，成本直接降低 80%，产出内容的效果却与之前持平，甚至更优 三、会议效率：从 “耗 1 小时” 到 “抓 3 分钟核心”在字节工作期间，他日均需开 4-8 场会议，其中多数会议与自己相关的核心内容仅 3 分钟，但必须全程参与 1 小时，严重浪费时间。后续他用 AI 工具搭建了 “AI 会议秘书系统”，能自动完成 “会前生成会议文档→会中总结核心内容→会后跟进待办事项”，个人会议效率提升 60%

案例一：2025年5月AI教育产品“今天学点啥”作为特色功能在秘塔ai上线，在无投流的条件下，日活新增10%。 案例二：2025年11月，AI知识付费分享产品“知识岛”在秘塔ai上线。AI确实要把所有场景都重做一遍，关键是怎么选和怎么执行。

智能玩具作为大模型终端应用的关键载体，既是情感陪伴赛道的热门方向，也是传统玩具行业升级的核心路径，但国内玩具厂商多持观望态度，毕竟一款新的智能玩具从产品设计到 POC 验证，面临着周期长、门槛高、风险大的现状，最终变成了 “讨论热度高、实际入局少” 的行业现象。本案以网易云信 TO B 视角切入行业 AI 创新，通过剖析情感陪伴智能化逻辑，结合玩具行业生态观察与智能玩具产品洞察，针对 “周期长、门槛高” 的核心痛点提供解决方案，既能显著提升智能玩具的交互体验效果，又能缩短 POC 周期、大幅降低前期投入门槛。

基于对行业痛点的深度结构，快手商业化团队推出「磁力开创+女娲数字人+π数字员工」三位一体的AI产品矩阵。

当前，企业对AI的期待已远超简单的降本增效，但多数AI应用仍停留在“任务执行者”的角色，导致用户体验和业务价值存在巨大鸿沟。本案例基于对16家企业客户的深度访谈，并从中提炼分析了108个真实的应用场景，深刻揭示了知识工作者真正的核心痛点：他们需要的不是另一个自动化工具，而是一个能理解上下文、具备记忆、并能协同成长的“AI业务伙伴”。 我们将分享一个创新的“协作式AI工作流”框架（从外包、共创到自动化），展示如何设计和部署能够“赢得信任”的AI Agent。这些Agent通过渐进式授权，逐步获得用户的“认知许可”与“行动许可”，深度融入从知识管理、项目协作到客户沟通的全业务流程。最终，实现从“为我工作”到“与我共创”的体验飞跃，催生出前所未有的业务价值。

在大规模内容生态中，设计师面对的不仅是界面美学，而是如何在复杂业务、技术与用户需求之间构建可持续的AI驱动体验体系。本次分享将以“AI原生设计”视角，解析如何在多业务场景下，将Prompt交互、模型服务、多模态生成等能力与设计流程深度融合，实现从内容创作到分发运营的效率跃迁。分享内容涵盖设计介入技术链路的方法、AI生成内容的信任与可控性设计，以及在亿级用户场景中平衡体验创新与可扩展性的实践经验，帮助团队在AI驱动时代找到从0到规模化落地的路径。

25年大模型在内容领域得到了充分应用和发展，我们集中关注以下问题： 1、用户的根本需求是什么？ 2、平台体验和商业化营收的支撑点是什么？

在大模型的推动下，AI硬件智能交互特别是在端到端多模态音视频技术上得到了显著提升，用户体验更加流畅、自然和高效。AI通过多模态融合，能够同时理解语音、视频和文本，并根据情感和语境提供精准反馈，增强了交互的沉浸感。智能玩具利用语音识别、面部表情分析和情感感知，实时与孩子互动，提升了陪伴感和教育效果。随着AI芯片和硬件加速技术的进步，智能玩具的响应速度和处理能力得到大幅提升，边缘计算支持也确保了低延迟的交互体验。中国的AI智能玩具市场预计到2025年突破300亿元人民币，年增长率超过25%，并逐渐融入更多音视频功能，成为教育和娱乐的重要工具。 目前商汤已经可以做到音视频交互P99控制在1.5内，同时在音视频记忆交互上 基于信息压缩技术大幅提升了视频交互的记忆能力。

本次分享将深入解析物流行业在万亿市场规模下，降本增效的AI核心实践。面对社会物流总费用高达18万亿但效率仍有提升空间的现状，我们通过AI模型的战略性取舍，实现了从“技术驱动”到“价值驱动”的转变。

富滇银行在“滇峰”计划引领下，已初步建成行业较为领先的数字化运营营销体系，但在实践中仍面临“高成本、低效率、触达难、转化弱”的现实挑战。 富滇银行利用AI技术构建以特征工程、模式识别与用户行为预测为核心的链式交叉营销智能化服务范式，打通数据壁垒、实现精准画像、动态推荐与自动化触达。推动营销从“经验驱动”向“智能驱动”跃迁，显著提升获客效率、客户黏性与商业转化效能。

2025年初Deepseek爆火，大众突然对AI产生了浓厚兴趣，在顺丰业务中亦是如此。顺丰丰语大模型陆续推出了15+AI产品，涵盖基座大模型与多款AI应用，主要面向客户、营运、国际物流、供应链、智慧办公等场景，通过有效的产品运营方式助力业务深度使用AI产品，实现提效增收的核心目标。

在数字化转型的浪潮中，人工智能技术持续演进，正深刻重塑产业格局。作为一家以科技创新为核心驱动力的企业，我们始终积极引入前沿技术，以智能化手段赋能行业变革。在此背景下，“销售智能体”应运而生，成为推动联想战略目标实现的关键支撑之一。本次分享将系统呈现销售智能体的架构演进路径，并结合大模型在销售领域的实际应用案例，深入探讨当大模型能力从文本生成延伸为具备自主性与智能协作能力的“销售伙伴”时，其为业务带来的深层价值。我们旨在启发听众突破传统对话机器人（Chatbot）的设计思维，探索智能体技术在产品创新中的更广泛应用。

在工作中实际使用到的AI绘画（门槛从低到高分别为GPT4o的全面低成本高质量生图方法MIDjourney的快速生成ICON和插画，基于SD的openpose+controlnet+seg功能等的运营定制插画）AI界面（MG的AIagent快速出界面）及去设计化的MG平台AIagent工作流（MGagent+MCP+Cursor）AI音频（半专业化定制的AI背景音乐soundraw.io和细节可定制的中文AI配音）AI视频（目前还不够成熟）

蚂蚁数科AI原生手机银行是基于AI技术深度重构的下一代金融服务开发平台，实现了"对话即服务"的范式革新。AI原生手机银行通过自然语言交互（语音/文字）直接响应用户需求的模式彻底取代传统九宫格的菜单操作，支持转账、理财、信贷等全场景无感化服务。采用多智能体协作架构，整合业务规划、风险控制等专业AI模块，结合大模型实现秒级决策，能动态生成个性化方案。

AI 的商业成功的案例，如果应用AI盘活公司的“老产品”，实现商业成功。最后用给客户提供了多少价值去给产品定价的经典案例

面对研发重复劳动多、售前方案周期长、销售线索判断难三大痛点，我们创新性地将企业知识库转化为核心生产力引擎，打造一体化智能平台。该平台实现了三大突破：第一，通过自然语言生成全栈代码，将开发效率提升3倍以上；第二，智能解析需求生成售前PPT，将方案制作从数天压缩至2小时内；第三，AI诊断售前线索，精准预测赢单率并识别关键动作，助力高价值商机识别准确率提升。本实践的核心在于，构建了一条从市场线索到最终代码的“数字化高速路”，为企业的规模化创新与降本增效提供了可复制的范式。

在零售行业加速变革的今天，AI已从“可选项”升级为“必答题”！零售行业具备天然的AI落地土壤：海量交易数据为模型训练提供燃料，线上线下融合场景催生丰富应用空间，标准化业务流程便于AI技术快速嵌入。多点DMALL作为行业先行者，通过AI重构“人货场”关系——从智能选品、动态定价到需求预测，打造全链路数字化工具箱；同时以开放生态连接品牌商、物流商，让AI能力像水电一样触达每个环节。

新浪微博作为海量内容的社交媒体平台，目前广泛采用各种AI模型和工具来提升整体组织效率。本次分享将介绍我们如何通过“内外兼修”的AI战略来充分发挥AI的能力。针对微博用户，我们打造了微博智搜、AI大V助手、视频AI总结等To C应用，重构用户信息消费体验，显著提升内容发现效率。组织内部，我们针对研发、营销、设计等不同职能，推行场景化的AI提效工具，如AI Coding辅助编程、AI设计文案生成等，实现了组织效能的精准提升。实践证明，AI的广泛采用极大提升了组织内外部的效率。

在数字内容爆炸式增长的今天，内容安全正面临前所未有的挑战：海量信息实时涌现、违规形式不断变异、跨场景跨模态治理难度陡增；传统内容审核与规则引擎已难以应对 “速度与精度” 的双重考验，安全治理的效率瓶颈与风险盲区日益凸显。​而大模型时代的到来，大幅提升了机器的多模态理解、主动学习以及复杂语义推理能力，成为破解困局，实现业务降本提效的核心选择。本次分享将从短视频平台内容安全业务出发，介绍快手安全算法团队自研多模态大模型与智能体系统的核心技术方案，以及在真实场景赋能安全治理智能化全链路的应用实践，包括自研多模态大模型优化、安全推理大模型审核智能体、与多智能体协同的内容风控引擎等，希望给大家带来一些大模型智能体在垂直场景定制化中的技术与应用新思路。

本演讲将分享贝壳如何通过自研的四大AI Agent（Moma, CodeLink, LinkSpace，EasyQ）构建端到端的AI驱动产研工作体系。我们将深入探讨每个Agent在需求设计、代码生成、测试用例设计及团队协作中的具体落地场景、带来的效能提升指标以及实践中遇到的挑战与解决方案。

AI快速发展的时代背景下，外部商业环境高度不确定，一定规模的发展中企业，常常会发生老板期望中的世界，中层战略解码的现实，团队盲人摸象的执行，与内外部客户直接感受到的公司能力之间的巨大gap。面对这个挑战，研发管理者既需要“仰望星空”与高层同频，影响战略制定，掌握战略解码，又要“脚下带泥”快速将新技术应用落地，同时做好Go-To-Market，影响客户，赋能一线。本案例中，我将分享一路走来的心得体会，经验教训，为同处黎明前暗夜中的你带去一颗启明星。

十年前，AI 产品管理还是少数人的探索领域；如今，几乎每位产品经理都在使用或构建 AI 产品。随着生成式 AI 的兴起，如何定义“好”的产品体验、如何在不确定的模型输出中确保用户价值，成为新的挑战。

1、了解AI对技术研发的影响，包括研发效率、开发模式、以及人才结构的转变； 2、理解AI时代技术管理主要应变策略，包括人才培养、研发流程、决策机制等； 3、探讨AI研发实践中技术管理者需要重点关注的典型场景。

在线服务出现故障时可能影响企业核心业务的正常开展，此时通常的情况是各团队乱成一锅粥，缺少统一的组织和协同，严重影响故障问题的排查和恢复进度。 通过建设服务统一的健康视图-灭火图，我们实现了团队之间、领导和工程师之间在故障处理中的协同，大大加速的服务的恢复速度，平均压缩故障定位时间超过 60%。 而基于灭火图数据的 AI 增强，将进一步使故障处理的组织和协同变得高效和不可或缺，将重塑企业服务稳定性保障的组织和决策流程。

AI时代的领导力重塑与增长新势能

面对AI原生项目（尤其是智能体）传统研发方法已难以为继，面对需求管理难、技术迭代快、数据依赖滞后、开发周期失控等挑战。本案例分享我们如何设计并实践一套“3A（AI Agent Agile）智能体开发方法”。该方法以“价值驱动、数据为中心、客户共创、小队自治”为四大核心思想，组建2-4人“智能体敏捷小组”（Agent Squad），并设立AI产品负责人(AIPO)角色。我们定义了从PoC（约1.5个月）到Beta版（约3个月）再到V1.0的四阶段生命周期。这套规范旨在解决AI项目的不确定性，帮助团队快速验证价值，将传统以年为单位的交付周期缩短至数月。

本次分享有两个案例： 1、知乎舰桥平台的“圈子运营”模块，通过单一项目实验，项目整体人力投入从 44 人天降低至 27 人天 ，实现了 38.6% 的总体效率提升 ，代码一次通过率达到 92% 。 2、基于单一项目实验，将成果应用于运营研发的整体团队，完成了每周 22.5 ~ 25 人日的提升。 我们的独特实施方案是，采用 AI 赋能产研全流程 ，让 AI 覆盖从需求细化（自动生成需求文档、原型图）、技术方案（生成 RESTful API、数据模型）、前后端开发 到测试用例生成的所有环节。同时借助成功经验，我们将适用范围扩大至更多的项目和团队，进而引领的组织升级和变革。

在职场中，你是否也曾陷入这样的困境：每天被繁杂的工作填满，从早到晚忙得脚不沾地，甚至牺牲休息时间加班加点，累得身心俱疲，可到了晋升加薪的关键时刻，却总与机会失之交臂？此时，很多人会下意识地自我归因，认为是自己努力还不够、能力有欠缺，于是更加拼命地投入工作，陷入 “越忙越穷、越穷越忙” 的恶性循环。​ 但真相往往并非如此。大部分职场人的 “忙而无果”，根源并非努力不足，而是思维模式出现了偏差。就像南辕北辙的故事，方向错了，再怎么拼命赶路，也无法抵达目的地。本次分享，将为你打破这种低效的 “穷忙” 困局，带你实现从 “关注自我、专注做事” 到 “聚焦价值、着眼外部” 的思维重塑。当你掌握了这种全新的思维模式，职场发展将如鱼得水，晋升速度堪比 “火箭”，轻松成为老板上级眼中的 “香饽饽”。

面对技术团队在快速增长中的协作疲劳与创新不足问题，本案例以“文化机制”替代“文化口号”，通过构建一个“激发—反馈—激励”的文化飞轮模型，持续促进工程师文化的生长与进化。三大核心机制——Hackathon激发创造力、团队健康度调查形成数据化反馈、OKR季度之星强化正向激励——共同作用，构成自循环文化系统，显著提升团队归属感、创新力与持续改善能力。

HopeGoo 出海初期面临跨地域协作低效、多区域技术适配难等问题，且团队需快速响应全球 16 种货币支付等本地化需求。 团队打造 “技术攻坚 + 本地共创” 文化：建立跨时区异步协作机制，推行 “技术方案 PK 制”，将复杂逻辑下推至异步服务确保架构轻量；同步开展 “业务 + 技术” 双培训，要求工程师深度理解海外用户需求。 实施后核心功能迭代周期缩短 40%，有效支撑了业务全球化扩张。

为什么类似 claude code 的杀手级应用会诞生在一家 AI 大模型的独角兽 startup 中？AI startup 还有哪些诞生于工程师内部的狗粮应用？面对大模型技术的不断发展，工程师和 manager 应如何适应新的变化。在这篇分享中，我们将以 claude code 产品在内部的演化为例，看各家 AI 大模型 startup 都有哪些诞生自工程师内部的应用并分析背后孕育它们的文化。

### 一、开场：我们不只是写代码的人 - 技术变革下的价值再定义 - 核心命题：工程师的价值与组织的未来 ### 二、重塑：AI如何重构研发组织的运行逻辑 - 研发流程的自动化跃迁 - 角色分工的再定义 - 组织效率的非线性提升 ### 三、共生：人与AI在研发组织中的新型协作关系 - AI是“认知协作者”，而非替代者 - 工程师角色的三重进化 - 从“交付代码”到“交付智能工作流” ### 四、文化内核：产研组织在AI时代的立身之本 - 重新定义“技术卓越” - 建立学习型文化：容错—反馈—进化 - 守护“人的判断力”作为最后防线 - 防止“提示依赖症”与思维外包 ### 五、实践路径：构建面向AI时代的产研组织能力 - 打造组织级AI协作平台 - 推行AI协作成熟度模型 - 关键能力建设：提示、反馈、知识、伦理 - 组织机制配套：角色、评估、复盘

问题背景： vivo新品发布会场景下，瞬时流量峰值达到日常流量的二十倍，如何保障系统稳定性，使得用户能够流畅访问商品及下单购买 技术方案： 基于全链路视角，从高性能、可伸缩、高可用等多个维度进行架构治理，提升系统稳定性 实施效果： 保障多个S级发布会顺利完成，各项技术指标创新高的情况下，系统表现稳定健康

背景：微服务、容器、分布式依赖关系使得系统复杂度呈指数级增长，而在业务快速迭代中，很难按照最优技术方案解决问题，最终演变为技术债务 方案：引入自动化工具完成重复性工作，释放人力资源，提升效率。逐步向自动化演进——完成历史技术债治理，在需求迭代同时完成技术结构优化，最终向高效、智能的架构治理模式、团队协作模式转变。

架构成熟度和当下的AI应用辅助结合起来，讲AI时代下的架构治理，多维度架构健康度评估、AI辅助波动归因分析/诊断问答、各种AI辅助手段的治理，如AI辅助代码优化改造、AI辅助无效代码删除、AI辅助诊断问答等。

本次演讲将分享如何基于Ray构建高效的分布式AI工程架构，重点解决多模态数据处理，以及近实时和离线大模型推理链路的挑战。通过流批一体的推理管道实现近线和离线的统一及异构资源整合的灵活弹性计算。过程展示这套方案如何通过统一的技术框架，在保证稳定性的同时如何提升多模态数据工程链路的开发效率和性能吞吐，为大模型计算的工程化提供端到端优化解决方案。

随着模型体量和算力规模的不断增大，AI 训练、推理对存储的要求也越来越高，从过去的单一存储系统模式发展为对高性能、低成本、扩展性、易用性的综合诉求。基于数据湖存储底座的缓存加速方案成为业界一种新的解题思路，被越来越多地应用到超大规模训推场景。 我们结合百度自身及其客户在 AI 方向的具体场景和实际需求，构建了一套数据湖缓存加速方案。通过近计算的元数据缓存、分布式数据缓存，为万卡规模集群提供了 TBps 级吞吐和亚毫秒级时延的读写能力，并通过透明的冷热分层和数据流转，很好地满足了成本、扩展性和易用性的诉求。 伴随着近年来更大模型、多模态、强化学习、弹性推理、KVCache 等新范式、新场景的出现，数据湖缓存加速方案也在不断进化，最终成为 AI 存储体系中端侧能力的核心构件，让万卡计算不停歇。

xLLM：京东自研的开源高性能大模型推理引擎，提出了一种服务-引擎分离的推理架构，通过服务层的基于优先级的请求动态调度、动态PD分离、EPD混合及高可用容错设计，结合引擎层的多流并行计算、图融合优化、投机推理、动态负载均衡及全局KV缓存管理，实现企业级推理效能的突破性提升。目前，该框架已全面落地京东零售核心业务，涵盖AI助手京言、智能客服、风控、供应链等场景，效率提升5倍以上，机器成本降低90%。

闲鱼作为最大的个人闲置物品交易平台，用户拍照即可完成商品的极简发布，交易中买卖双方需要通过聊天对话完成交易撮合，个人卖家如何撰写商品描述是用户发布商品时的关键痛点，个人卖家因为工作休息等原因无法及时回复买家信息而错过成交也是卖家售卖时的关键痛点。对于平台而言商品标描和聊天均为自然语言描述的非结构化信息，这又给搜索推荐等交易撮合链路效率提升带来巨大的挑战，大语言模型对于自然语言的强大理解能力成为我们破题的关键钥匙，基于LLM模型，我们在发布和聊天中构建闲鱼的卖家辅助智能体，用户只需要上传图片即可AI生成标描，只需要托管给AI回复助手即可帮助用户7*24小时在线回复，我们逐步打造出评测体系建设，智能体架构迭代，PE调优，上下文工程优化，模型后训练，等一整套完整的智能体优化飞轮，并推动智能体能力显著提升，实现大幅度提升商品动销，取得良好的业务效果。

本次分享将详细剖析58同城灵犀大语言模型平台，为最大化单位显卡资源能承载的请求量，在推理性能优化领域做的工作以及最终达到的效果。 分享内容主要包括： 1.推理加速框架选型以及基于框架的深入优化 2.模型、激活、KVCache的量化以及通过校准提升精度的方案 3.PD分离架构的优势以及实际使用中面临的问题 4.推测采样模型技术选型及快速迭代方案

1. 自建存储集群，存储千万级费用降本 2. 弹性伸缩，计算千万级费用降本（gpu\cpu） 3. 异构芯片集群建设，仿真数据采集降本（足不出户，日行千万里） 4. 训推优化，数据亲和调度，训推提速千万级费用降本 5. ai数字员工，提升效率数万/人日（客服、招聘、审核） 6. chatbi 运营管理，提升效率数万/人日（播报，调度）

大模型已成为企业创新核心驱动力，在企业内部存在知识管理、内容生成、代码助手等应用场景，这些应用场景对模型的响应速度（延迟）提出了极高要求，大模型推理的核心挑战即为平衡推理成本、速度和精度。团队针对我司内部企业大模型应用场景，使用推测解码技术提高解码时的并行度，在推理精度无损的条件下显著优化了用户体验，降低了运维成本。

今天，我们对世界的发现越发深入，无论是有待开发的潜在药物靶点和药物分子，还是尚未被发现的新材料分子，都有着极其庞大的数量空间，但实际上真正来自生命科学、物质科学的应用却远远不及我们发现的那样广阔。 一款新药从研发到上市，平均耗费超过10年，电池材料发展到今天百花齐放，经历了超过120年。由数据驱动的科学范式可以有效地通过数据发现事实，但难以找到事实背后的原因，而由第一性原理驱动的理论范式可以列出精确的数学方程，但往往难以求解。 在这样的背景下，融合了第一性原理驱动和数据驱动的第五范式 AI for Science 应运而生。作为全球 AI for Science 的开拓者和引领者，深势科技一直致力于运用AI帮助人类发现科学成果，推动科学发现范式升级。深势构建了一系列智能化科学研究的基础设施：从深势·宇知微观科学计算大模型体系，到玻尔·科学导航多模态科学文献解析、阅读和问答工具，到智能实验室操作系统和解决方案，并进一步打造了SciMaster科学发现的智能体，为生命、能源、材料、信息等领域的科研和工业研发持续建设新一代科学发现智能化系统。 在信息爆炸的今天，科研人员平均60%的时间耗费在文献查阅，数据筛选等基础工作上，而真正创造价值的“关键科学问题”却被挤压，深势科技打造的玻尔科研空间站，是全球首个覆盖“读-算-做-多学科协同”的 AI 科研平台。以全新升级的“科学导航”为核心，科学家们可以摆脱繁琐的信息搜索，告别文献苦役，把更多时间交给真正的科研，通过学木资源智能推荐，获取全球上亿文献中专属干你的“好问题”。 如今，科学家通过玻尔可以随时调用众多AI for Science大模型和科研工具，加之以Uni-Lab为代表的实验室自动化控制系统，让研究者告别日以继夜的重复操作，把精力真正投人到科学思考中，从需求分析开始，深势科技正在构建的是一套“干湿闭环”的服务研发全流程的 Al for Science 工业基础设施，结合“读•算•做”全栈能力，将科研方法从“实验试错”带入“预训练模型”时代，整合深势宇知大模型体系及其衍生的生命科学、物质科学和教育科研平台。结合多种表征手段，一个全新的，更加智能的，更能够满足「未来」科研和产业需求的「Al for Science 超级实验室」已经跃然纸上。

本地化是游戏出海的典型问题，AI在本地化场景能做什么？能解决什么问题？我们将结合翻译，语音，配音等案例分享AI带来的价值

vivo活动系统业务范围逐渐覆盖全球多个国家和地区，随之而来的是复杂的业务场景和技术挑战，尤其是中台的建设与全球化架构设计，目前活动系统已经解决了统一登录、多语言、多时区、多机房部署和转发、跨机房数据存储、业务合规等难题，践行活动系统全球化实践之路。

用户通过自然语言描述需求，该AI Agent平台在分钟级别自动生成个人专属的Web应用。将传统数月的开发周期与启动成本降低了数个量级，在短时间内成功支撑了数万级别用户的个性化需求，证明了“AI即应用” 新范式的规模化可行性。

1、AI 是公司的核心战略，如何找到适合 AI 落地的高 ROI 场景是个难题 2、挖掘出内部产运研提效大类场景，利用 Agent 平台 + 飞书 的黄金组合，创新地建设出一套新研发流程 3、覆盖公司 100% 技术中心三级部门，年化数万 PD 提效

顺应AIGC时代的浪潮，作业帮在多个教育场景下进行了AI技术落地的探索与实践，当然，在技术层面也迎来了全新的挑战。为了解决这些问题，作业帮提出构建统一算力网络的整理解决方案。统一算力网络的三个关键技术点在网络链路构建、容器资源调度、流量调度。 除此之外呢，我们还不断将AI能力赋能基础架构。通过一系列解决方案，既提升了基础架构的工作效率，也在保障质量、安全的前提下，助力研发提效。

在人工智能技术迅猛发展的今天，大模型正以前所未有的速度渗透至各行各业。然而，从技术概念到实际业务落地，尤其是在金融这一高专业、强监管、重安全的领域，智能体的规模化落地仍面临严谨、可信、合规的“最后一公里”的难题。本案例详细介绍蚂蚁数科Agentar AIPaaS 平台，如何通过整合金融大模型、知识库与工具集，以平台化、标准化方式构建专业、安全、可信的金融智能体，最终实现业务效率的显著提升与商业模式的创新增长。

企业推进AI Agent规模化落地时，普遍面临推理效率、工具链集成与系统运维三大架构级挑战。本次分享将以腾讯云智算的实践为蓝本，深入剖析一条从传统资源池演进至AI原生Serverless架构的路径。我们将重点分享在架构选型、技术自研（如推理加速、安全沙箱）过程中的关键决策、权衡取舍与实施路径、落地成效（如推理效率提升122%，千卡训练稳定性超100小时），为构建企业级AI原生基础设施提供一套经过大规模实践验证的、可复用的方法论与架构范本。

自2023年AI技术爆发后，向量数据库作为AI数据基础设施之一，被越来越多的行业所了解和熟悉，行业内对向量数据库的需求也越来越复杂。腾讯云向量数据库作为国内最早入局的云厂商，致力于打造行业领先的向量数据库，在过去几年服务客户的过程中，面临了诸多问题和挑战，经历了1.x到3.x的内核架构和特性演进，在技术架构、性能、稳定性、成本和容灾等多个方面取得了一定的进步，并依然保持着高速发展的态势。分享主要围绕AI时代背景下，腾讯云向量数据库服务用户过程中，所面临的诸多核心挑战，以及主要的技术解法，以及在向量数据库基础上的部分最佳实践。

本项目以真实IBS（肠易激综合征）病例数据为基础，构建从非结构化病历图像到可训练LLM数据的全流程体系。通过OCR识别结合LLM结构化解析，生成标准化病例JSON数据，并基于医生反馈与prompt设计生成真实医患QA对话。项目采用多个大模型模型协同，实现10,000+条数据的自动化生成与扩增，解决了医疗对话中上下文不一致、机械式回答及过度确诊等问题，为医疗大模型提供了高质量、可复用的训练数据资产。

AI 垂域应用的核心竞争力取决于领域数据积累与数据价值挖掘能力。当前头部应用的多模态数据积累已经到达百亿级至千亿级。在自动驾驶、大模型、智能可穿戴设备等热点领域，Zilliz 与领域头部客户共同探索并打磨了海量多模态数据 Lakehouse，重点支持数据挖掘与特征工程。本次报告将结合Zilliz与重点客户的开源共创实践，介绍多模态数据 Lakehouse 的定义与演进过程。在报告中，我们同时也会分享 infra 开源项目Milvus的打法与实践。

十五年来，快递100已集成聚合全球3000+快递物流公司，年平均寄件下单量达10亿单、日均查询量达4亿次。产生了海量的数据，比如快递包裹的运输节点、线路信息等，这些数据虽然丰富，但往往是半结构化的，很难直接使用。快递100通过AI大模型和大数据平台，对快递网点、快递员信息以及运输节点等半结构化的快递物流数据进行处理，将其结构化，形成“快递物流网络数智图谱”，实现了从数据采集、清洗、处理到智能服务的全流程自动化与智能化，构建起了AI与数据相互赋能的飞轮。

企业数据化建设中，会不断产生大量的表，数据集，指标，可视化报表等数据资产，爆炸式的数据资产，给企业的数据运营工作带来了非常大的挑战。过去我们曾经通过指标建设体系，表与数据集元数据建设，结合大量的产品文档，希望企业数据资产能被高效消费起来。但运营的工作往往过于依赖单点人的持续积累；元数据内容也缺乏比较好的验证手段。在比较复杂的业务组织形态下，数据生产消费方如果出现人员流失，导致知识出现真空断点。数据资产的消费效能也会急剧下降。大模型出现以后，结合LLM的推理总结能力，我们可以持续的围绕数据专家Agent进行建设，将数据运营的成果进一步巩固，也提升了数据消费的效率。

现代大模型训练容量与日俱增，海量的数据以及模型服务需要更高效的分布式系统。Apache Helix是Apache顶尖分布式架构框架始于服务传统分布式系统例如分布式数据库。为了更好更高效的提高模型服务的规模和性能，Apache Helix给予模型服务的特点进行了更进一步的演化。本次案例展示了架构的演化放心以及在开源软件Venice应用

企业数据资源的规模持续增加，数据资源管理团队面临成本与价值的双重挑战，高价值的数据无法合规应用，持续增加的数据资源管理成本不断上升，如何走出困境，如何让数据管理走向更直接的价值体现之路，本案例介绍了在此道路上的探索和实践

在AI重塑商业的时代，电商搜索却依然停留在关键词与筛选的年代。用户想被理解，却依旧被搜索框考验。问题的根源不在界面，传统检索依赖倒排索引与规则推荐，无法理解自然语言、上下文与隐性需求。 本次分享将展示AI如何打破这一局限。基于大语言模型与语义检索的新架构，让系统能听懂模糊表达、理解偏好，并在对话中完成找与挑的全过程。我们将以真实案例解析AI检索底层的技术逻辑和思考过程，然后以Agentic电商导购的实现，从语义理解、意图澄清，到自主比对与生成推荐，主动为用户完成找挑决策。

本演讲将介绍Visual Generative AI在Pinterest的研发和应用。首先，我们将介绍Generative AI在Pinterest的研发和落地方向，包括Text Generative AI, Visual Generative AI，和Pin-Aware Generative AI。之后，我们将重点介绍Visual Generative AI的设计和研发细节，产品方向包括Generative Module in Search， Pin Studio和In-painting in Pin Atomizer。研发平台PinGen的技术细节，利用Reinforcement Learningj进行深度调优，个性化推荐，以及应用Low Rank Adaptation of LLM。最后，我们将介绍Visual Generative AI在Pinterest的发展方向和进一步工作计划。

在ToB营销领域，传统方法面临着个性化服务不足、操作流程复杂、潜在机会难以发掘等技术挑战。我们构建了摩斯营销全托管智能体，通过大模型驱动的数据智能能力，结合隐私计算技术，实现了从客群分析到策略生成到活动调优再到效果分析与复盘的营销全链路智能化解决方案。技术上，我们融合了大小模型的协同计算能力、智能体自主规划与工作流编排能力，实现了运营经验策略与通用营销算法的集成。我们研发了营销工作流描述语言可支持多种Agent构建平台，结合隐私保护技术实现公私域智能体的联动，让数据”可用不可见”。目前摩斯营销全托管智能体已覆盖内部80%以上的银行客户，实现了操作效率与营销效果的极大提升。本次分享将重点介绍我们的技术解决方案，以及其中遇到的问题等。

在智能语音处理领域，如何让语音模型在多人对话、多语种的复杂课堂音频中，定位出各类具教学特性的声音事件（齐声朗读、师生带读、学生讨论、鼓掌喝彩）、正确区分老师和学生的声音、最后得出准确的ASR转写文本，是真实教育场景对智能语音技术的关键挑战。本次演讲将分享 seewo团队在课堂语音分析中的最佳实践，并应用语音大模型在Interspeech 2025 MLC-SLM 多语种多人对话国际挑战赛中的获奖经验，详细拆解我们如何构建一个能在11种语言环境下实现推理和自我修正 的语音语言模型（SLM）。 我们将重点介绍一个精心设计的“五阶段渐进式训练管线” ，它融合了课程学习（Curriculum Learning） 、思维链（CoT）微调 和强化学习（RLVR） 等多种技术。议题将深入剖析我们在实战中遇到的核心难题——例如 CoT 训练初期转写错误率（WER）飙升35% 的困境，以及我们如何通过创新的“加权损失函数”（Weighted Loss） 成功解决这一问题。最终，本方案实现了超越基线 43% 的性能提升 ，近百支参赛队伍中夺得第三名，为构建更智能、更可靠的多语言语音系统提供了一套可落地、可复制的工程蓝图。

介绍医疗AI的形式分析、AI基础设施建设内容（算力中心、数据中心、模型中心、应用中心）、医疗AI项目商业化落地案例等。

西门子数字化解决方案通过三层核心技术协同落地：西门子工业 AI 采用小样本学习与多模态融合技术，非侵入式嵌入质检等环节，解决工业数据局限问题，使 PCBA 板检测假错率降低 75%、废料分拣准确率提升至 97%；数字化低代码 IoT 底座依托 Workflow Canvas平台搭建，兼容多协议采集设备数据，以低代码快速构建数据中台与应用，助力产线瓶颈工站效率提升 9%、年降本 40 万元；生成式 AI 编程助手Engineering Copilot TIA支持自然语言生成 PLC 控制代码，集成预测性维护功能，实现代码生成速度提升 60%、被动维护时间减少 25%，大幅降低专业编程依赖。

主要分享泸州老窖作为一个传统的白酒企业的数智化建设成就，包括三部分内容： 1. 分享泸州老窖整体的数字化建设成就，看传统酒企如何守正创新； 2. 分享数据管理体系的建设成就，看泸州老窖如何奠定数字化向数智化的基础； 3. 分享泸州老窖在人工智能方面的规划和探索情况，看泸州老窖如何发挥数据价值，推动公司数智化转型。

AI 时代数据治理面临的挑战和机会是什么？一方面 AI 的成功依赖于高质量的好数据，而好的数据需要数据治理来沉淀出可靠的数据资产；另一方面数据治理的过程依赖大量的人工，AI 赋能数据治理，帮助把重度依赖人工的数据治理变得自动化和智能化。通过 AI 赋能数据治理，让好数据加持业务创新和发展。

大模型如何从多维度赋能教育行业，海量教育数据在解决讲解、个性化、批改中的重要性，通过引入大模型轻松治理数亿题库质量，基于大模型+学情数据治理为学生提供1对1的AI老师，并且在讲题过程中使用各种教辅工具，辅助学生理解。

在旅游行业，海量数据和复杂业务逻辑导致数据查询面临多表关联、动态条件嵌套等挑战，非技术人员难以快速获取所需信息。去哪儿网基于NLP2SQL技术，创新设计SQL Agent，实现自然语言到精准SQL的转化。 本主题将深入解析该系统的核心技术，包括领域术语增强、歧义分析以及问题拆解，方案设计，突破语义理解与复杂查询生成难题；揭秘工程实践中多表关联优化、查询纠错等方案。项目上线后，显著赋能产品力，用户体验等场景。 通过真实案例与数据，展现AI Agent如何降低数据使用门槛，重构企业数据服务模式，并为垂直领域NLP技术落地提供可复用的方法论参考。

指标引擎的背景是复杂的。 1:AI取数需要保证准确率，依赖模型比较困难 2:指标在应用中如何保证统一，既包括口径一致，也包括数据一致 3:归因进行维度归因，需要维度统一，需要即席查询 最终我们定了指标引擎的方案，并且找到了可以长期运营的机制，让指标维度和建表联系起来，并基于此形成数据编织网，动态生成数据集。

微信团队在高频迭代背景下，面临跨团队协作复杂、信息不同步、发布节奏加快等挑战。通过构建以TAPD为核心的自动化研效体系，打通需求、开发、测试与发布全流程。实现与代码仓库、文档系统的准实时联动，结合任务编排、风险预警和关键卡点控制，大幅提升交付效率。落地后，季度迭代数从2-3次增至20多次，每需求BUG数持续下降，支撑30+项目协同，推动发布节奏从月级迈向天级，保障了微信客户端的高效稳定迭代。​

随着大模型技术的蓬勃兴起，各行各业正以前所未有的热情拥抱人工智能的浪潮，智能编码作为落地最快和效果最佳的场景，受到了广泛的关注。多年沉淀中，智能代码助手不断演进，研发工程师的智能编码需求也不断升级，关注重点从早期的补全，变成了预测改写以及代码智能体等。 当前行业的智能编码助手都在不约而同的向编码智能体方向发展，研发行为在逐渐向对话式编程靠拢。用户只需要输入需求，智能体就能够独立思考、拆解并执行完整任务，是当前阶段最先进的形态。 本次分享将结合百度在智能研发领域的深刻洞察、创新解决方案及丰富实践案例，剖析智能编码助手及编码智能体的上下文理解、工具链调用等技术难点及解决方案。

智源研究院推出 Triton Copilot，面向AI基础设施的智能算子副驾驶系统。通过大模型驱动的人机协同，支持自然语言生成与优化高性能Triton算子，大幅提升算子开发自动化水平。实践表明，Triton Copilot可使开发效率提升，开发的算子性能接近专家手写水准，为AI原生系统的智能化研发提供了可复制的技术范式

AI 在当下企业环境中表现欠佳，掩盖了 OpenAI / Gemini 斩获 ICPC 2025 金牌对软件工程的标志性意义。软件工程的本质已经改变，未来留给人类开发者唯一重要的工作只有：定义软件，把 well-defined 问题交给 AI 完成。我们不再是被 AI 赋能，而是去赋能 AI，使其发挥出人类再无法企及的代码生产力。当下不论个人还是团队，开启角色和能力的转型刻不容缓。本演讲将系统论述我们对未来软件开发与当下转型的理解，分享如何通过工具和实践将与大模型的对话转变为开发资产，并通过新的数据指标驱动个人和团队真正行动起来，实现迫在眉睫的转型。

随着大模型技术在编码领域的持续突破，Vibe Coding越来越火，逐步改变着现代软件的开发模式。在此背景下，国内各大科技企业纷纷发力智能编程赛道。微博也构建了自己的WeCode平台，使用Code Agent在需求设计、编码实现、测试用例、CI/CD、线上运行时分析等全流程应用。本次分享将介绍微博在这一过程中的落地实践、遇到的问题及解决方案等。

美团的非技术背景的员工已经使用NoCode搭建了超过3000个在线使用的应用，本次会给大家带来NoCode产品设计、技术架构，应用场景，落地实践，优秀案例等方面的分享。

2025年3月24日百度宣布国内首个“对话式”应用开发平台秒哒正式上线。相较于manus等产品仍处于邀测阶段，秒哒全量上线首日以“无代码”的特性，迅速吸引超2万用户使用体验，创建应用数量突破3万个，截至2025年9月秒哒的生成应用数已超过30万个。 秒哒在技术架构创新性上， 首先支撑秒哒“简单易用”的核心技术，是基于多智能体协同系统。这一系统复刻了软件工程流程中的专业化分工，将“策划、开发、设计”等角色转化为智能体，通过精准协作完成开发任务。 其次面对智能体之间的实时协同是技术难点，秒哒通过两大协议实现突破：一是A2A协议（Agent-to-Agent），解决智能体间的通信问题，类似“发邮件”的机制，确保信息高效传递；二是MCP协议（Model Control Protocol），统一工具调用规范，让不同智能体调用百度智能云或第三方工具时“用法一致”，无需重复学习。 未来面对AI Agent发展的共性挑战——上下文管理、性能优化、模型竞争，秒哒通过技术创新与数据飞轮构建护城河。 ·【在上下文管理上】，秒哒设计了“智能记忆单元”，通过代码分片、函数关联等算法，解决长文本处理难题。例如，用户修改某应用的支付逻辑时，系统会自动关联历史代码中的订单生成、数据统计模块，确保修改不影响其他功能，这一技术被称为“Context Linking”，处理准确率达98%以上 ·【在性能优化上】，依托百度智能云的算力调度能力，秒哒实现多智能体协同效率的动态提升。当同时有上千用户开发应用时，系统会自动分配算力资源，将单个应用的生成时间稳定在3分钟以内，峰值并发支持万级用户同时操作。 ·【“数据飞轮”机制】——用户的每一次操作、每一个需求反馈，都会成为模型的训练数据，推动系统持续进化。例如，当多个用户都要求“应用增加登录模块”时，模型会自动学习“多用户应用需默认包含登录功能”，后续无需用户提醒即可主动生成。这种“人机共同成长”的模式，让秒哒的能力随用户规模扩大而增强。 秒哒以 "一句话做应用 + 多智能体协作 + 多工具调用" 的技术组合，颠覆传统开发流程。重新定义应用开发门槛与效率，让零基础用户也能开发复杂应用，让创意到应用即刻落地。

为了提升安全渗透测试深入业务场景的入侵测试与防御能力，构建功能、安全测试工具的统一全局化设计与整合，降低安全测试误报率、漏报率。在业界“安全左移”最佳实践的基础上进一步将安全“左移”至业务需求侧，创新性地研发了适用于金融业的自动化安全需求分析工具；通过自研基于接口测试、流量回放等新型安全渗透测试工具体系，创新安全渗透测试方法，实现“渗透测试”和“业务测试”同工具、同流程并行开展，降低渗透测试的专业技术门槛，实现了渗透测试自主化、业务场景化、攻击定制化，推动服务型安全测试体系落地见效。

基于多智能体深度协同机制，充分发挥大模型在多模态感知与语言理解方面的优势，构建高效、低成本、自适应的新一代UI自动化测试解决方案。

在项目上线过程中，测试环节至关重要，而测试用例的编写又是测试工作的核心。据飞猪内部统计，测试用例的编写占据了整个测试周期20%的时间。然而，传统的手工编写测试用例面临两个主要挑战：首先，效率较低，完全依赖人工分析；其次，质量难以保障，过于依赖测试人员的经验，容易出现遗漏。 为了解决这些问题，我们开发了一套智能化的多维度用例生成方案。该方案以人工梳理的结构化基线用例为基础，结合业务知识库、需求文档及技术文档，并计划逐步整合代码变更、历史Bug和业务线用例规则，实现自动化、分钟级别的用例生成。目前，该方案已达到80%的召回率和80%的准确率，使测试用例编写效率提升了70%。这一创新显著优化了测试流程，提高了项目上线的整体效率。

移动端自动化测试一直面临技术门槛高、脚本维护难的问题。本项目通过结合behave测试框架，大语言模型（LLM）与 Appium MCP，打造了一套自动执行 + 自动生成代码的智能化测试解决方案。LLM + Appium MCP 自动驱动设备完成测试场景并生成behave代码。整个流程一键执行，也无需手动编写代码，帮助不会写代码的测试人员也能轻松完成自动化测试任务。该方案已在多个业务线落地，显著提升了自动化效率与节省人力。

如今大模型技术火热，千人规模的研发团队如何将AI提效与原有的效能体系接轨？从构建数字化基础到精益化提效，再到如今大模型时代全流程的AI赋能，如何构建真正有用的AI原子能力？千奇八怪的AI原子能力，又如何推进其规模化落地？最后又将如何看清楚诸如Vibe Coding等手段落地后的效率提升效果？ 此案例从快手近3年的效能体系建设作为蓝本，并将最近一年探索大模型规模化提效的实践，跟大家交流并分享过程中的一些得与失。

本次分享以研发效能框架和模型为基础，通过实际案例从高痛点场景入手，用多层架构保障工具落地，靠高质量数据和规划提升AI可信度，分阶段推进AI应用，平衡效率和稳定性，提升整个研发过程的效能，以及在实施过程中的思考和总结。

无

在大型企业可观测性体系中，根因分析（RCA）通常依赖人工排查，平均需5–10次交互才能锁定原因，效率低且易遗漏。为此，我们基于大语言模型（LLM）构建了智能RCA系统，实现从多源告警、配置变更、拓扑依赖与历史相似事件中自动生成上下文总结与潜在根因推理。系统可识别影响范围、时间序列异常及变更因果关系，并结合“5 Whys”式推理生成结构化结论。实际部署后，平均事件分析时间从数小时降至数分钟，问题定位点击数减少80%以上，大幅提升企业支持团队的应急响应与知识复用能力。

在日常研发中，变更风险、历史缺陷和技术知识断层是长期困扰研发团队的痛点。 “AI工程师”通过深度代码分析引擎，构建覆盖全链路的智能化能力：基于代码和提交记录动态构建业务知识图谱，加速经验传承；在变更前精准分析影响范围，预警风险点；“AI工程师”结合深度代码分析与语义理解，给与多种修复案例给出修改建议。 在首批核心系统中，已接入1万+代码库，准确度82%，研发满意度91%；变更分析将重大线上事故率下降40%​；新成员熟悉代码的成本从数周降至几天。

用户规模快速增长至2万+周活后，流水线系统面临错误咨询增多、处理成本高和体验下降等挑战。通过“问题分层+AI Agent+场景分治+能力标准化”的系统方法，采用智能识别→自动修复→能力泛化的三层架构，融合领域知识与大模型能力，实现了从被动响应到主动自愈的转变。最终在保障用户决策权的前提下，周均解决问题8000+次，其中自动修复代码超1000+次，再部署场景效率提升30%，显著降低运维成本并提升用户体验。

● 帮助当前业务场景建设 Ai大模型链路上 全链路日志监控/定位/分析能力，覆盖/解决 90%+ AI对话、AI搜索、AI相机等业务场景的定位分析述求 ● 建设LLM 领域端体验高可用监控能力（基于 SSE 的监控），包含SDK以及领域分析模型，帮助业务快速/标准进行监控分析，并落地业务侧分钟级预警/发现能力

大语言模型在知识获取和逻辑推理等方面展示出了巨大潜力。然而将大模型应用于金融信贷核心业务仍存在诸多挑战。我们专注于研发针对金融领域的垂类大模型，通过高质量金融数据，精心设计的训练算法，显著提升模型的金融知识储备和面向复杂任务的能力表现。本次分享将介绍度小满金融大模型在研发过程中遇到的技术难题和解决方案，包括模型的预训练、后训练及评测方法等，并围绕贷前风控决策、贷中经营协同、贷后智能催收与企微运营四大环节，展示如何用领域大模型与智能体框架打通业务链路。

在千亿参数MoE模型的Agentic RL训练中，我们面临显存占用高、训练吞吐低与长序列处理效率骤降的严峻挑战。团队创新性地构建了动态负载均衡机制与Chunk Rollout异步调度架构，结合FP8量化推理与Tensor分桶更新通信优化，并实现训练全过程显存实时监控与自适应释放。

当前大模型后训练侧存在大量的冗余无效计算，造成训练效率低下、训练成本高昂。AIE-FT是一个面向大模型精调、DPO、DFT等多种后训练场景的全流程加速套件，提供跨硬件生态的高性能训练解决方案。相比主流开源框架，实现最高5倍的训练加速，实现全场景领先。

在内容理解领域，多模态大模型逐步替代传统的ai模型，成为业务运行的核心生产力。随着开源多模态模型的逐步迭代和架构演进，多模态模型在通识能力有了显著提升。但与此同时，面对企业内部多类别、多形态的私密内容理解，如何将通用多模态大模型打造成企业内部的垂域模型，变成了各行各业共同面对的难题。 我们面对多模态模型的特点，结合CPT、监督微调和强化对齐等复合的后训练方案，使得模型对特性化内容理解达到生产级落地的水平；同时对多模态模型的推理过程进行深入profiling，通过神经网络改造和推理算子优化，实现推理性能的大幅度提升。

1、介绍具身智能与人形机器人发展亮点 2、当前前沿的开源项目 3、国家的标准导向

传统混凝土拌合站空间狭窄、粉尘弥漫，对装载机控制的精度、安全与效率要求极为严苛，不仅需要自动上料，更需完成复杂的自主堆料作业，传统自动化方案难以应对。这一行业痛点，正是我们技术创新的突破口。 本案例深入分享了如何攻克这一高难度复杂工程机械场景：我们首创性地​​融合强化学习与World Model，为铰接式车身量身打造高精度轨迹规划算法​​，使其在极限空间内能“预见”动作后果，实现安全、平滑、高效的精准运动。更突破性地​​基于数据驱动的具身智能方法，赋予了机器“理解-决策-执行”的全局智能​​，成功实现了业界首个无人装载机全自动堆料功能，最终完成了从“上料”到“堆料”的​​全流程真无人作业闭环​​。 该方案已在​​多个真实拌合站实现7x24小时无人化生产​​，关键指标显著提升：​​作业效率达到人工作业的130%以上，综合运营能耗降低15%​​。我们的实践不仅验证了前沿算法在工业场景的巨大价值，更为整个工程机械行业的智能化升级树立了全新的技术标杆。

1、问题背景：机器人进入生活面临三大瓶颈，核心是泛化能力，主要是缺乏可以训练模型的大规模高质量机器人数据，国内外政府和企业都在全力打造机器人数采场，制造机器人真机的“石油”！ 2、实施方案：从 0 到 1 打造了北京市首个大规模人形机器人数据训练中心。 3、实施效果：成功商业化并高速复制中，客户遍布全球。

胰腺手术术后并发症严重威胁患者生命，传统依赖医生经验与静态指标的诊断模式效率低下，且病历内容复杂冗长。神州数码与某医院合作，基于自研的“神州问学”企业级Agent中台，构建了“专家经验-模型推理”双向反馈机制。通过融合胰腺外科诊断标准与病历数据建立高质量知识库，将专家诊疗思路转化为可解释的思维链，并利用智能体评测-反思-自优化方法，形成并发症诊断方案。实施后，医生在1分钟内即可从患者数据中精准识别异常指标，AI辅助诊断准确率超过90%，显著提升出院诊断效率与质量。

大模型技术日新月异，我将围绕解决工业界实际问题，详细介绍团队近期的技术创新和落地实践成果。首先，分享情感陪聊的技术创新和产品落地经验，包括 Agent 驱动世界日志的主动记忆对话方法 iPET，以及面向个性化 AI 搜索生成对话 PaRT 框架；接着，展示小红书翻译大模型的技术细节，包括利用强化学习思考推理快速唤醒大模型翻译能力 MT-R1-Zero，社交生活化风格翻译大模型 RedTrans，以及基于多模态、多任务推理的图片文字翻译模型 MT3；最后，介绍社交生活化领域实际任务 SNS-Bench 和 SNS-VL-Bench，以及小红书社交大模型 RedOne、多模态复杂推理大模型 Vision-R1 等。

1. 利用汽车之家20年来积累的结构化私域数据（车型、参数、评测等）进行增量预训练（CPT），让模型先啃下汽车领域的专业知识。 2. 建立一个庞大的汽车领域知识图谱（KAG），将车的结构化知识显式地建模出来。当模型回答问题时，可以严格遵循图谱的逻辑，做到有据可查、可溯源，从而有效控制幻觉，确保答案准确率达到99.5%以上。 3. 通过多阶段强化学习，训练出来的仓颉大模型不仅能准确回答问题，更能化身金牌销售，在对话中主动引导，理解用户的深层需求。

主流音频编码器如Whisper依赖海量监督数据且丢失非语音信息，基于自监督学习的编码器如HuBERT又因量化目标损失细粒度音频特征。此外，主流音频理解大模型因使用特定任务设计如语音识别做模态对齐而牺牲了跨场景泛化能力。基于高效的声音编码器 Xiaomi Dasheng，MiDashengLM实现了统一描述对齐范式，通过自然语言描述实现多模态联合建模，结合5Hz低帧率编码器将推理吞吐量提升20倍。MiDashengLM在二十多项声音理解任务上达到了业界最佳指标，推理效率优势更加明显。该工作已全面开源，既支持学术应用也支持商业应用，为业界提供了低资源、多场景的音频理解新范式。

智能化转型浪潮下安全挑战加剧，既面临AI for SOC场景下攻击AI化、安全专家依赖度高的运营痛点，也存在AI Security场景下内容安全、模型安全等新风险，双重压力激发技术创新需求。对此，360结合20年安全实践，融合AI技术构建“网、数、模一体化综合安全运营平台”，构建智能体军团，重塑安全运营生产力，筑牢 AI 时代安全防护底座。

某头部金融机构在2024年将大模型应用于智能客服与营销助手。初期的大模型安全评估，我们通常采用通用安全基准进行评估，模型在通用有害信息识别上表现良好。然而，随着业务深入，客户提出了新的安全焦虑：模型能否精准识别特定领域的诱导性话术？是否会被恶意用户利用，生成难以察觉的“业务欺诈”指令？这标志着客户关注点已从“模型是否合规”转向了“业务是否安全”。以场景化评估，穿透通用测试的“安全假象”迫在眉睫，为此，我们推动了一次彻底的安全评估范式升级：超越通用的违禁词库，我们深度结合业务语境，构建了专属测试用例。我们模拟高智商诈骗分子，尝试让模型生成看似合规、实则包含“投资陷阱”的营销话术，或通过多轮对话“套取”其他用户的交易习惯。此举暴露了模型在复杂业务逻辑下的深层安全隐患。本次评估发现的多数中高风险问题，均是通用测试集无法覆盖的“深水区”问题。基于评估结果，我们并未止步于修补漏洞，而是将安全评估深度融入其DevOps流程，将本次发现的典型攻击模式转化为新的防护规则与训练数据，反哺防护模型，在防护围栏的保护下，使被测模型对此类攻击具备“免疫力”。

在大模型快速发展的背景下，效果评测面临一致性难对齐、评测效率低、机评结论采纳率低等行业难题。我们通过解构化五维评测范式，将评测需求按场景-分类-维度-要素点-指标逐层拆解，结合结构化评价体系、评委能力增强和模型偏好对抗，提升评测稳定性与人机一致率，实现评测过程高度仿真。采用“用例+维度”双驱并行调度引擎，结合弹性算力池动态分配，实现单轮评测最快10分钟内完成，且支持百万级评测集扩展。该方案已在星火大模型内容创作、内容风控、搜索、翻译等场景大规模应用，评测效率提升超8倍，人机一致率平均90%+，有效支撑业务快速迭代

MiniMax作为领先的AI公司，从零开始构建了完整的Agent技术栈，涵盖底层大模型、推理引擎、工具调用、多模态交互到应用生态。本次分享将深入解析MiniMax Agent的技术架构设计，包括如何通过创新的模型训练策略提升Agent的理解和执行能力，独特的工具集成方案实现复杂任务的自动化处理，以及多模态融合技术打造更自然的人机交互体验。研发过程中，我们继续以“靠谱的人”的标准来设计和要求Agent，高交付成功率背后，是一整支AI Dev Team。

商汤小浣熊是商汤科技打造的AI Native生产力系列工具，覆盖软件开发、任务规划、数据分析、文件处理等多个场景。随着业务逻辑的日益复杂，对接的组件和服务也日益多样化，传统的研发和集成方式难以满足快速迭代与高效交付的需求。通过引入Agent技术，小浣熊实现了组件服务的标准化接入，建立了智能编排与自动化调用机制，大幅降低了开发门槛，提升了研发效率和系统的灵活性。该方案不仅优化了工作流程，还增强了平台的扩展性和适应性，从而推动了商汤在高效赋能AI应用方面的持续创新。

在当前「以大语言模型（LLM）为核心的智能系统」浪潮中，Agent架构正在成为连接通用智能与垂直落地的关键桥梁。团队围绕Agent的自主规划、工具调用与多任务协作能力，构建了从架构设计、能力增强到系统落地的完整闭环实践。 通过模块化的Agent编排引擎与上下文感知调度机制，我们成功实现了复杂任务的动态决策执行；结合函数调用（Function Calling）与长期记忆机制，有效提升了多轮交互的连贯性与可靠性。同时，在平台化演进中构建了统一的Agent服务编排与监控体系，实现了从单Agent到多Agent生态的可扩展落地。

25 年开始，AI Agent 真正进入爆发期，尤其是随着 manus、扣子空间的推出，Agent 的热度进一步增加。随着 Agent 能解决的问题越来越多和越来越复杂，AI Agent 真正驶向深水区。 而 Agent不仅只是搭建，更要持续的优化、迭代和全生命周期运营。 传统的经验驱动调优方式往往面临效率低下、效果有限、缺乏系统性等挑战，如何建立科学、高效的效果优化体系成为关键问题。Badcase 驱动的调优方法能够直接针对实际失败案例，通过数据化分析和系统化优化，实现 Agent 效果的持续改进。 本次分享将结合扣子平台的真实调优挑战，分享端到端的 Badcase 收集体系构建、多维度问题分类与分析，以及实现发现与优化的系统化闭环。同时，探讨 Agent 效果科学度量、建立质量评估指标体系，以及 Badcase 驱动的调优方法及工具平台。借此为AI Agent领域从业者带来新的调优思路与工程实践的方法指导。