DoorDash利用人工智能技术，将商品重新订购的延迟时间从16秒缩短到了2秒。
通过使用批量大语言模型进行预计算，并通过确定性验证来预测用户重复购买的需求，DoorDash将商品重新订购的延迟时间从16秒减少到了2秒。实时更新的的商品目录确保了用户选择的商品信息始终是最新的，而可编辑的购物界面则避免了不必要的模型调用。该公司表示，用户的购物清单查看次数增加了一倍，订单生成效率也提高了大约34%。 作者：Leela Kumili
通过使用批量大语言模型进行预计算，并通过确定性验证来预测用户重复购买的需求，DoorDash将商品重新订购的延迟时间从16秒减少到了2秒。实时更新的的商品目录确保了用户选择的商品信息始终是最新的，而可编辑的购物界面则避免了不必要的模型调用。该公司表示，用户的购物清单查看次数增加了一倍，订单生成效率也提高了大约34%。
作者：Leela Kumili相关文章
DoorDash利用多智能体大语言模型来处理这60,000个功能标志相关的数据。
DoorDash构建了一个多智能体大型语言模型系统，用于自动化清理超过60,000个特征标志以及分布在623个代码仓库中的这些标志。该工作流程结合了实时实验数据、工程师的审核流程、独立的Git开发环境、并行运行的智能体以及自动验证机制。在针对50个特征标志进行的测试中，有45个特征标志在平均13.8分钟的时间内生成了可使用的拉取请求，每次清理操作的成本为4.79美元。 作者：Leela Kumili
阅读全文
使用 Gemini 4 Argon 进行开发——快速掌握 API 相关知识的学习课程
谷歌刚刚推出了Gemini 4 Argon，这是专为复杂推理、高级编程、数学和科学领域设计的功能最为强大的模型。 为了帮助您尽快开始使用该模型，我们已经在 freeCodeCamp.org 的YouTube频道上发布了 Gemini 4 Argon API快速入门教程 。只需10分钟的时间，您就能学会如何使用JavaScript与这个模型进行交互，引导它的推理过程，并构建实际的应用程序。 您将学习到以下关键概念： 可配置的思维强度等级 了解如何将模型的推理能力设置为低、中或高三种级别，从而确保只消耗满足特定任务需求所需的计算资源。 previous_interaction_id 支持的多轮对话
阅读全文
高速决策流程：从零开始构建的Jev算法以及仅用于预填充数据的推理机制
自回归机制用于生成标记通常速度较慢，且耗费大量内存。尤其是当你只需要模型来进行结构化的分类或路由决策，而不是生成整段文本时，这种方法的局限性更为明显。 为了帮助工程师们克服这些限制，freeCodeCamp刚刚发布了 Jev课程：从零开始学习仅基于预填充数据的推理与决策模型 这一教学资源。 这份深入的PyTorch教程会指导你构建那些运行速度极快、以决策为核心功能的系统架构，这些系统能够完全在预填充数据阶段完成对输入数据的处理。 你将学到什么 仅基于预填充数据的架构 学习如何消除逐个标记解码的环节，从而让系统能够直接根据提示信息进行超低延迟的分类与操作。 编码器与解码器的设计 从零开始使用Py
阅读全文
Bug0发布了QA代理工具，该工具可以利用缓存的剧本回放内容来自动化执行回归测试。
QA Agent是一个全新的、开源的Playwright库，专门用于执行浏览器回归测试。该工具能够将用自然语言表达的测试指令转化为对用户界面的具体操作；在适合的情况下，它会将这些操作结果缓存起来，以便在后续的持续集成测试中快速复现这些测试过程；而当用户界面发生变更时，它又会将这些操作指令重新映射为相应的测试规格。其验证机制基于多模型共识算法以及视觉模型的评估结果。 作者：布鲁诺·库里奥尔
阅读全文