然而，控制流和计算流高度耦合，当设计新的 RL 算法，组合相同的计算流和不同的控制流时，需要重写计算流代码，修改所有相关模型，增加了开发难度。基于 Ray 的分布式编程，动态计算图，异构调度能力，通过封装单模型的分布式计算、统一模型间的数据切分，以及支持异步 RL 控制流，HybridFlow 能够高效地实现和执行各种 RL 算法，复用计算模块和支持不同的模型部署方式，大大提升了系统的灵活性和开发

抖音内容技术团队开源了 ContentV，一种面向视频生成任务的高效训练方案。该方案在多项技术优化的基础上，使用 256 块显卡，在约 4 周内完成了一个 8B 参数模型的训练。尽管资源有限，ContentV 在多个评估维度上取得了与现有主流方案相近的生成效果。该工作探索了在有限算力条件下训练视频生成模型的可行路径。目前，推理代码与模型权重已对外开放。

Open CLI for integrating AI search, recommendation, and conversational retrieval into agent systems and business systems

Uni-Agent 是 veRL 开源团队提出的、为通用 Agent 打造的统一训练框架，其核心目标是构建一个贯通构建、运行与训练完整流程的系统。

作者｜字节跳动 Viking 团队GitHub｜从“单一 ChatBot”到“人与多 Agent 协同”，越来越多的系统开始将 Agent 组织起来，完成更复杂的任务。然而，缺少能够长期协同进化的记忆，协作起来像在经历“初恋 50 次”，它们记不住“谁在过去做了什么”，无法沉淀共同经验，更难在复杂博弈中形成“记仇”、“结盟”或“深度伪装”等高阶群体行为。这一次，OpenViking 将突破口放在了

延续了超大字号、极重字重，大标题依然保持了原规范里的视觉冲击力；

模型本身是通用的，大家越发意识到沉淀的记忆才是 Agent 的核心资产，但这不止包括使用用户的记忆，还包括 Agent 自身的经验和偏好记忆。：从 DeepSeek 和 Manus 的爆火能发现，在 AI 越来越强大时，用户更渴望白盒化的体验，能看到其思考与决策的轨迹。这种 “先锁定高分目录、再精细探索内容” 的策略，不仅能找到语义最匹配的片段，更能理解信息所在的完整语境，从而提升检索的全局性与准

但随着交互加深，一个普遍的“上下文管理困境”也随之浮现：Agent 常常遗忘之前交代过的信息，正如一些开发者在深入体验后指出的，尽管 OpenClaw 备受赞誉，但在长期使用中，“它完全忘记了我给它的API密钥”。的开源项目OpenViking ，已然成为社区热议的全新品类——面向AI Agent的上下文数据库，其核心价值正是为解决上下文工程中长期记忆的核心痛点而生，它并非要取代OpenClaw，

搜索、推荐、问答 —— 这三个词在需求文档里出现的频率越来越高，给的也很多，但在开发者的接单意愿里却一直排在最后。你不是没动过心。只是细细想想就会意识到，这不是一个人咬咬牙就能扛下来的活。它背后藏着一条深不见底的工程链路：数据怎么洗、向量怎么选、索引怎么建、策略怎么配、效果不好怎么调……想到一连串令人窒息的待办事项，你果断关掉文档。而现在，有一种工具，能把数据入库、搜推问答配置、效果调优这条原本需

字节跳动豆包大模型团队与 M-A-P 社区于近日提出 AutoKaggle ，为数据科学家提供了一个端到端的数据处理解决方案，帮助简化和优化日常数据科学工作流程的同时，极大降低数据科学的门槛，可帮助更多没有相关背景的使用者进行有价值的探索。最后，我们统计了不同错误类型及出现次数，可以看到，每个子任务阶段都有可能发生错误。未来，团队成员还将继续探索智数据科学课题及相关开源工作，并关注 Kaggle