MatrixOrigin 张祖羽博士的 VLDB 2026 现场见闻：时隔 51 年重返波士顿的特别回顾、Reynold Xin 与周靖人的两场 Keynote、Agent 时代的数据系统趋势与 GPU 数据库的兴起，以及 ContextPipe 获得 ADS 2026 Oral Paper Award。

近年来，大模型（LLMs）的热潮推动了自然语言处理（NLP）任务的广泛进展，NL2SQL（自然语言转SQL）作为热门任务之一也不例外。但是普遍的这些模型的参数量都在100B以上，而NL2SQL作为一个相对niche的场景，并且和业务场景结合密切的情况下，是否可以在一些小参数量的模型上也获得比较好的表现呢？效果立竿见影，准确率从 0.44 → 0.81，说明大模型“理解错误”更多是输入结构的问题。这

矩阵起源的一个思路是使用 RAG 模式或者使用大模型给出直接答案的时候，对输入和输出进行评估，如果需要精确实时信息而大模型自身又无法判断的时候，我们就会重定向到知识图谱或是结构化数据库中寻找精准的答案，即一个能实现大模型诊断的数据管理系统。这需要企业客户以及厂商对大模型的价值边界和局限性，以及自身的应用场景有较为清晰的认知，做好落地准备和执行，同时也要意识到企业的管理和运营策略也需要做相应的变化，

生成式AI（GenAI）应用面临超80%项目无法落地的困境，核心瓶颈在于数据碎片化问题已升级为多模态数据割裂。传统解决方案难奏效，需构建统一数据智能底座。《面向GenAI的数据智能底座》白皮书提出系统性方案，涵盖问题分析、实施路线图和技术架构解析，帮助企业实现数据从"绊脚石"到"燃料库"的转变。矩阵起源与InfoQ联合发布的这份报告，为AI应用落地提供了突破

Git4Data 系列（八），AI 训练实践篇开篇：先建立机器学习全流程的坐标系。从数据接入、质量门禁、清洗标注、特征工程、训练/验证/测试集发布、模型评估，到上线监控与反馈重训，逐环节说明 snapshot、branch、diff、merge、cherry-pick、restore 与 PITR 能解决什么、不能解决什么，并以一个持续迭代的风控模型完整串联。配套脚本在 MatrixOne 4.1

Git4Data 系列（十），深度学习篇：文件型（图像等）训练数据分成两个世界——图/音/视频文件交给 lakeFS，指针/标签/哈希/切分组成的元数据交给 MatrixOne。以训练一个图像分类模型为例，用 SQL 在元数据上完成接入(WAP)、精确+感知去重、评测去污染、完整性检查、重标注、data curation 发布，并用「元数据快照 × lakeFS commit」钉成可复现训练集；l

Git4Data 系列（十一），大模型篇：SFT 的数据量比预训练小好几个数量级，每一次取舍都印在模型行为上。本文用一个对话模型的 SFT 数据池，在零拷贝分支上完整走一遍 curation——精确去重、近重复、质量门、安全、评测去污染、多轮对话完整性六步过滤，每步先计数，DATA BRANCH DIFF 给出这一轮的净变更，再按先登记、后替换、再快照的顺序发布；并对比业内其他做法。SQL 在 M

Git4Data 系列（十二），大模型篇：偏好数据的单位不是行而是对，而且不是采集来的、是从标注投票算出来的二阶数据——RLHF 与 DPO 两条路线共用同一份。本文用 20000 个 prompt 的偏好池，从 63000 条投票推导偏好对，在分支上审计退化对、无共识、偏好环与长度偏置，DIFF 出这一轮的净变更，用分支裁决标注分歧、合并前先把冲突清单物化下来，最后先登记后快照把数据集与奖励模型

MatrixOrigin 分享从 FDE 到 Forward Deployed Builder（FDB）的组织实践，并探讨 AI 如何放大个人能力、推动 Builder 成为嵌入组织的 OPC。文章进一步提出，AI 原生组织应成为 Builder、项目与新业务的虚拟孵化器。

AI助手崩溃或切换时的"临终备忘录"机制 针对AI助手在崩溃、上下文窗口过载或模型切换时丢失工作记忆的问题，本文提出创新的"临终备忘录"解决方案。该机制在AI检测到即将"死亡"（重启/压缩/切换）时，自动记录当前任务进度、配置和下一步计划，存储于共享路径中。新启动的AI会优先读取备忘录，实现无缝衔接。 备忘录包含： 身份信息和项目背景 当