写单和审单如此耗费人力又极易出现错误，智能变更的首要目标就是通过 AI 让写单变得足够简单，让审单变得足够可靠。我们不仅要让工程师从繁琐的「填空题」中解放出来，更要在风险最前置的环节筑牢第一道防线。写单、审单智能化的目标非常清晰写单智能化：将「工程师适应系统」转变为「系统理解工程师」，支持自然语言直接生成标准化变更单据，将单次变更的写单耗时从天级压缩到分钟级审单自动化：实现变更方案的全维度自动审核

我们相信，未来真正具备生产力的 AI，不仅拥有更高的智力，更能具备如同人类顶尖工程师一般的「专家级思考能力」—— 懂得如何一步步逼近正确答案，如何从失败中学习，如何持续进化。

作为百度沧海·存储的统一元数据底座，它以同一套元数据数据库，向上支撑对象存储的平坦 Namespace，以及两类层级 Namespace：并行文件存储所需的 POSIX 语义 Namespace，和面向数据湖场景的对象存储、百度内部的类 HDFS 文件存储 AFS 所需的 HDFS 语义 Namespace。MetaDB（内部原名 TafDB）是百度沧海·存储统一的元数据底座，已在百度智能云生产环

研发团队通过 torch_xray 精度对齐工具，对 GLM-4.x 系列语言模型在昆仑芯平台上的推理过程进行逐层、逐算子的数值对齐，一旦发现精度异常，迅速结合代码判断，可以快速定位和解决精度异常的原因，从而确保 XPU 平台的模型输出与 GPU 平台保持一致；通过双推理框架的适配实践、插件化的高效迭代机制，以及覆盖推理流程全链路的系统级优化能力，GLM-4.x 系列语言模型在昆仑芯 XPU 平台

截止到目前，百度百舸已在昆仑芯 XPU 上完成了 GLM、DeepSeek、Qwen、MiMo V2、Kimi 系列等主流大模型的落地，将主流大模型「发布即可用」常态化，让开发者和用户在模型上线第一时间就能切实享受到国产 AI 芯片带来的高效加速体验。

随着世界模型、具身智能模型、生成式模型等新一代 AI 基础模型快速发展，AI Infra 工程优化的重点，正从提升模型训练效率，逐渐转向优化整个训练系统。大模型训练已经不再只是模型前向、反向传播和参数更新。从数据进入训练系统开始，视频编码、数据处理等前置计算共同组成了一条更长、更复杂的训练流水线。当其中某个环节成为瓶颈时，仅仅优化模型训练本身，已经无法继续提升整体训练效率。

LoongForge 的异构并行方案系统性地解决了多模态大模型训练中编码器与解码器的「算力异构」难题，通过三级递进策略逐步释放训练效率：渐进式优化：三级方案可根据模型规模和集群配置灵活选择，无需一步到位；最小侵入性：通过 hook、并行状态切换、细粒度调度节点等机制实现，对模型代码无侵入；配置驱动：用户只需添加 1-2 个 CLI 参数即可开启，无需修改训练脚本逻辑；广泛兼容：与 pretrain

官方网页地址：https://baidu-baige.github.io/LoongForge/GitHub 地址：https://github.com/baidu-baige/LoongForge。

强化学习开源框架 RLinf 正式发布 v0.3 版本，首次打通从数据采集、模型训练到真机部署的完整闭环。（如适配 LIBERO 仿真、OpenVLA 模型训练的预置镜像），免去繁琐的环境打包与软件部署，快速跑通从框架适配到场景验证的全流程。在最新的科研成果中，百度百舸团队联合上海交大、地瓜机器人发布 dVLA-RL 框架，首次打通 PPO 算法与离散扩散 VLA 模型的适配通路，为机器人 Fou

针对这一核心矛盾，论文提出了 dVLA-RL。其核心思路并不是修改 PPO，而是重新定义 PPO 的优化对象。dVLA-RL 将整个去噪过程视为一条完整的决策轨迹，使强化学习优化的目标从最终动作扩展到整个动作生成过程，从而让经典 PPO 算法得以直接用于离散扩散 VLA。相比直接优化最终动作，这种方式更符合离散扩散 VLA 的生成机制，为这一技术路线建立起一套贴合模型生成逻辑的强化学习训练体系。