AI × Hiring 招聘变革报告
Greg 和 Corentin 基于 2026 年 8-9 月对 30 位招募及工程负责人的访谈发布报告,揭示 AI 对招聘流程的影响。 报告发现远程岗位申请中欺诈占比达 25% 至 80%,且 Agentic sourcing 在无人干预两天后会产生噪音。 有效的评估方式已转向系统设计、使用 AI 构建项目及审查 AI 代码,取代了传统的 Leetcode 测试。
Greg 和 Corentin 基于 2026 年 8-9 月对 30 位招募及工程负责人的访谈发布报告,揭示 AI 对招聘流程的影响。 报告发现远程岗位申请中欺诈占比达 25% 至 80%,且 Agentic sourcing 在无人干预两天后会产生噪音。 有效的评估方式已转向系统设计、使用 AI 构建项目及审查 AI 代码,取代了传统的 Leetcode 测试。
Lyngvi 2.0.0 是一款基于 Podman 的加固沙箱,支持在 macOS 和 Linux 上运行自主编码智能体。其采用 MIT 协议,通过隔离网络、隐藏 .git 及凭证网关实现安全边界。 该工具提供桌面应用与 CLI 双入口,每个会话运行于独立容器,网络出口严格受限且文件变更需人工审批分类。
Max DeMarzi 分享用 3 万段视频素材构建巴西柔道专用 LLM 教练的完整流程。先通过 ASR 修复和上下文检索头清洗数据,建跨学派同义词知识图谱;再用 CLIP 加 Qwen2.5-VL 把 861 个无声示范片段变成可检索文本块。
推荐理由:给出了用视频与知识库构建领域 LLM 教练的完整技术路径,含数据清洗、检索重排与模型微调的可复现步骤。
PaidinToken 推出开源 LLM Token 定价工具及本地 GPU VRAM 计算器,涵盖 16 种主流硬件配置。 支持 NVIDIA RTX 3060 至 5090 及苹果硅芯片,提供各显卡最大推荐模型参数、量化精度及 Ollama 部署命令。 帮助用户确认本地硬件运行 LLM 的可行性,避免盲目下载模型权重。
对某 Shopify 商店 30 天日志的分析显示,ChatGPT 和 Claude 等 AI 助手的页面读取量远超用户通过 AI 答案产生的访问。ChatGPT 执行了 1,100 次读取带来 121 次访问,Claude 执行了 164 次读取且无记录访问。
企业 AI 转型正重演 2016 年云迁移模式,但高管推动力度远超工程师适应速度。CTO 提出“软件工厂”愿景,用 coding agents 自动化任务,但需明确数据边界与变更审查机制。工程师需警惕代码生成速度超过理解能力的风险,避免盲目追求自动化而忽视质量。
LLM on Anything 收录在复古计算机、游戏机、手持设备及微控制器上本地运行语言模型的项目,核心规则是推理必须在设备本地完成。
Circle K 基于 Amazon Bedrock 构建自动分诊系统,将平均分诊时间降至 15 分钟以内,效率提升 67%–75%。 系统采用 Agentic AI 架构,利用 Bedrock Flows 及 AgentCore 自动检索日志并生成 Slack 摘要。 此举让值班工程师即刻获取可操作上下文,免去了手动排查 45–60 分钟的操作。
利用 Amazon Bedrock AgentCore 和 Nova Multimodal Embeddings 构建多智能体工程助手,自动化装配替代零件评估证据并生成文档,由 Claude 系列模型驱动路由与综合。
本教程演示了使用序列级知识蒸馏 (SeqKD) 在 Amazon SageMaker AI 上微调购物 Agent。使用前沿教师模型 (GLM-5.3) 生成多步轨迹并过滤,通过有监督微调在服务器上训练 Qwen3.5-4B 学生模型。微调后的 4B 模型在保留推理链的情况下,将绝对成功率从基座的 0.297 提升至 0.541,接近教师模型水平。
推荐理由:展示了如何仅用教师模型文本输出构建数据集并微调4B学生模型,保留推理链可将任务成功率从41.5%提升至54.1%。
AWS 展示如何用开源 Crawl4AI 处理网页内容以摄入 Amazon Bedrock Knowledge Bases。Crawl4AI 生成 Markdown 和元数据文件存入 Amazon S3,供知识库解析、嵌入并建立索引。 该方案适用于需要过滤导航栏、提取特定区域或添加自定义元数据的场景。工作流由 EventBridge 触发 ECS 任务执行爬取、上传及摄入作业。
OpenAI 启动 Grid Protectors Program,旨在与电力公司合作。 该计划致力于支持未来计算园区的电网可靠性。 同时帮助保护消费者电价成本。
未来6个月内,大多数AI初创公司将因GPU云算力“售罄”而无法购买计算资源。 GPU云通常为新买家建设全新集群并依赖银行贷款,投资级信用客户稀缺且自身债务增加、评级下调,导致初创公司需预付高达100%合同款才能获取算力。 这一信用瓶颈限制了非投资级初创公司的算力获取,加剧了行业内的融资与部署压力。
开发者发布了一个完全免费的 API,提供跨所有提供商和模型的价格与用量跟踪功能。 定价数据每日更新,目前处于 alpha 阶段。 该工具旨在帮助用户在代码编辑器中选择合适的模型,同时正在构建社区反馈聚合器以完善模型评分机制。
AI 系统通过总结现有网络内容(如列表文)生成答案,而非随机发现品牌。 免费报告揭示了部分品牌在 AI 回答中高频出现的原因,指出影响可见性与 LLM 填充的提示词缺口及列表文机会。
Maat 发布开源 MCP 服务器,通过 snap 严格隔离和 polkit 审批让 AI 智能体诊断 Ubuntu 系统而无法直接修改。系统限制模型仅读取日志与服务状态,修复方案需经用户终端确认后才执行。配套 maat-bench 基准测试显示 gpt-oss:20b 和 qwen3:8b 在 10 个场景中均未执行日志中植入的诱导指令。
HPE 提出以每个合并 Pull Request 的总成本作为核心指标,替代按 Token 计价的使用量限制。该模型将重型常规任务路由至本地运行的开放权重模型,利用自有算力降低推理成本。HPE 内部数据显示,混合架构使 Token 成本降低 30% 至 50%。 此举使企业能在保持敏感代码本地化的同时,更高效地利用前沿模型,实现 AI 使用率增长与经济效益提升的双重目标。
开源 AI 站点聊天工具 HelpPuff 正式发布,支持通过 Claude Code 等智能体在 Cloudflare 免费计划上一键部署。工具集成知识库、CRM、实时聊天及日历预约功能,所有数据均存储于用户自有 Cloudflare 账户中。
Marvell 宣布与 Lumentum 达成最终协议,将通过全股票交易以约 $115 billion 企业价值收购后者。 Lumentum 股东每持 1 股可换取 4.500 股 Marvell 股票,交易完成后 Marvell 股东将持有合并后公司约 67% 股份。 此举旨在整合电气与光技术,扩大总潜在市场至 $550 billion 并实现 $1 billion 年度成本协同。
Lumentum 发布 2027 财年第一财季财报,归母净利润 3.6 亿美元,同比增长 8478.57%。 营收 12.63 亿美元,同比增长 136.5%,毛利率 51%,超市场预期。 AI 光互连需求强劲,下季营收指引 15.75-16.25 亿美元。
用户发现中国 API 中转站虽提供 50-90% 的价格折扣,但因上游无提示词缓存,长会话中每次请求均需按全量输入价格计费,极大消耗 token 导致实际成本反超官方 API。 该现象主要影响使用 AI 编码的开发者,使其在长上下文中需使用 100 倍以上的 token 才能抵消缓存缺失带来的额外费用。
Hobbyists 正用聊天机器人设计实物并发送文件给加工厂和 3D 打印机。 一人用语音模式向 GPT-6 Astra 描述了一个卡车零件,聊天机器人生成 DXF 文件、填写 SendCutSend 订单并支付 156 美元,10 天后零件送达。 支持者称 AI 正在完全取代 CAD 工程,也有人提醒 AI 生成的设计可能偏差 1 毫米,对实物零件影响不小。
华为昇腾 950 超节点荣获 2026 世界互联网大会领先科技奖,成为全球互联网领域顶级国际性科技荣誉获得者。 该超节点采用自主研发的灵衢互联协议,支持配置 128 和 1024 张 NPU,通过超大带宽、超低时延及统一内存编址架构,可为万亿、十万亿参数大模型提供算力底座。
OpenAI 首席执行官萨姆·奥尔特曼对韩国进行未预告访问,会见了三星旗下约五十名高管及 SK 集团高层。双方围绕人工智能技术进展、芯片供货方案及数据中心建设展开磋商。此次访问旨在深化 2025 年 10 月达成的合作,服务于 OpenAI 的“星门”计划,并推动韩国在先进存储芯片产能及人工智能基础设施上的布局。
韩国第 6 代国家超级计算机“汉江”正式投运,理论算力达 614PF,足以跻身 2026 年 11 月期 TOP500 全球超级计算机榜单前十。 该系统采用 CPU + GPU 混合架构,导入 NVIDIA GH200 芯片,配备 9,936 个 CPU 和 8,496 个 GPU,较 2018 年“Nurion”实现 24 倍计算性能提升。
Blaize 的 Graph Streaming Processor (GSP) 在边缘端以 16 TOPS 性能、7W 功耗运行 AI 图,支持自动驾驶与工业检测。
远景科技集团宣布其一体化 800V 高压直流供电系统在乌兰察布星河基地投入商业化运行,成为全球首套在大型 AI 数据中心运行的同类系统。 该系统由天枢控制器、固态变压器、直流储能及 DC / DC 构成,基地规划容量 3GW,绿电直连比例超 80%。 此次运行实现了从绿电生产到算力负荷的完整闭环。
Flide 引擎通过解耦逻辑树结构与物理执行流,在 GPU 驻留索引上实现精确算术推理,查询速度较 vLLM 和 SGLang 快 9.5 倍。 该引擎利用 ForkAttention 机制处理标准注意力及 Gated DeltaNet 递归层,支持从检查点恢复扩展的智能体历史。 Flide 为可扩展且低延迟的代理系统决策智能奠定了基础。
研究提出一种实值误差校正编码(ECC)框架,用于检测和纠正神经网络在硬件内存故障及计算错误下的运行异常。该方法对网络权重施加结构化的实值线性约束,结合线性规划与稀疏恢复技术,在不增加参数量或牺牲分类性能的情况下实现低复杂度纠错。据称这是首个同时解决神经网络内存与计算错误的实数基 ECC 方案。
在 Gated DeltaNet 和 Mamba2 混合架构模型中,全注意力 MTP 头部在长上下文下因频繁读取 KV 缓存导致性能下降,甚至慢于非推测解码。 该方法对 Draft 应用 StreamingLLM 风格的窗口与注意力汇,保持 Target 全上下文验证;训练无关且即插即用。
AIMER 提出了一种免校准的专家剪枝标准,通过捕捉专家权重的集中度模式提升任务通用性。 该方法在 7B 至 47B MoE 模型及 16 个基准测试中表现优于现有免校准方法,甚至优于基于 C4 语料的校准基线。 剪枝全程仅需 0.22–2.06 秒完成所有专家评分,已被 EMNLP 2026 Findings 接收。
Slim attention 将使用 MHA 的 transformer 模型上下文内存减半,在大型上下文窗口下推理速度提升最高 2 倍。该方法通过数学等价实现标准注意力机制,无损压缩内存且不损失模型精度。 示例中,Whisper 模型的上下文内存减少 8 倍,batch size 为 64 时 token 生成速度提升 5 倍;T5-11B 模型的内存减少 32 倍。
研究提出基于储备证明(PoR)的分类框架,利用3,033,857个以太坊地址和58个链上行为特征识别中心化交易所。在留一法协议下,LightGBM模型宏观PR-AUC达0.9594,优于逻辑回归的0.7697。SHAP分析识别出Gas行为和ERC-20代币活动是关键预测信号,支持可解释的区块链监控。
研究人员提出 TVQ 方法,利用直通估计使量化后的大语言模型支持基于梯度下降的任意目标优化。 该方法采用块级知识蒸馏范式平衡质量与效率,在 LLaMA2-70B 上实现近无损的 2-bit 量化,问答基准准确率仅下降 1%。 该研究被 ECML PKDD 2026 接收,展示了低比特后训练量化的 SOTA 性能。
论文提出多芯片let内存中心架构 AMMA,专攻低延迟长上下文 LLM 注意力服务,面向 1M token 场景优化。 AMMA 用 HBM-PNM 堆替代 GPU 计算 die,配合逻辑 die 微架构与两级混合并行,显著提升注意力推理带宽效率。 相比 NVIDIA H100,AMMA 注意力延迟降低 15.5 倍,能耗降低 6.9 倍,论文已被 MICRO 2026 录用。
TIRx 是一款面向 GPU 和 AI 加速器的 ML 编译器,通过引入显式执行域抽象、张量布局映射及 Tile 原语分发机制,在保留原生性能控制的同时自动化了底层代码生成。 其设计通过命名轴和分片/副本/偏移语义将逻辑张量映射至异构硬件空间,根据执行域、布局和后端选择高效实现。 评估结果显示,TIRx 在最新 GPU 和 AI 加速器上达到了厂商级性能,并显著减少了底层实现代码量。
InstruBPM 通过指令微调开源 LLM,利用参数高效微调与量化实现本地部署,从自然语言生成 BPMN 模型。 该方法在 BLEU、ROUGE-L 及结构保真度上优于未调优基线及专有模型,资源消耗更低。 生成的图表符合 BPMN 最佳实践,降低建模工作量,模型与脚本已公开。
研究人员提出硬件感知框架 SparseGDN,通过块相邻求解器和动态选择器减少长上下文预填充开销。 该方法在 Qwen3.5-4B 和 9B 上实现 1.50-1.94 倍 GDN 核心预填充加速,平均仅保留 29% 的递归事件。
研究提出分布式大象流路径预留机制 ARK,通过协调发送端源端口哈希将并发流映射至不同 Spine,避免无状态 ECMP 哈希碰撞导致的带宽利用不均。 在中等负载下的 RDMA 模拟显示,该机制使平均和 P95 流完成时间(FCT)分别降低最多 27.3% 和 34.0%,平均首 Token 时间(TTFT)降低最多 12.9%。 该工作发表于 SIGCOMM 2026 会议。
LEAP 通过在线适应和异步 CPU 执行,利用预填充隐状态提取长度信号,实现高效 LLM 推理调度。 相比最强基线,其参数量减少 30,569 倍,吞吐率提升 1.9%,每 token 延迟降低 15.9%–40.8%;在较大领域偏移下在线适应使 Spearman 相关系数提升 64.7%。