Taro 鸿蒙方案基于鸿蒙 CAPI 进行构建，实现了将 React DSL 直接对接到 C++ 侧来运行整体渲染管线，从而实现了与原生齐平的渲染性能，同时 Taro 鸿蒙方案是多线程架构的方案，在应用渲染性能、操作响应时延上都在业界做到极致，并且 Taro 鸿蒙方案支持动态更新，是行业首创且经过大规模 APP 应用场景验证的开发框架，综合性能、生态以及开发体验来讲，毫无疑问已经成为了开发鸿蒙应用

针对不同的编码器、封装协议、传输协议，提供统一的音视频处理接口。跨平台，兼容200多种编码、180多种封装格式、20多种传输协议。世界上90%以上的音视频开发基于FFmpeg。。

5月15日，京东探索研究院论文《Omniforce：以人为中心的、赋能大模型的、云边协同的自动机器学习系统》发表于Nature旗下期刊npj Artificial Intelligence，该项研究提出了一种在开放环境场景中训练、更新大模型，并与小模型协同部署的系统与方法，成为国内首个系统性解决开放环境下大模型开发效率难题并获国际顶刊认证的研究成果。京东大模型开发计算技术，能支持企业的模型开发训练

这样的场景，对所有从事 AI 基础设施与大数据计算的技术人员而言，都是一次难得的机遇——这也是许多平台型企业所不具备的独特土壤。而我们团队所做的工作，则类似于构建身体的“骨骼、血液与肌肉”——我们致力于打造一套以大模型为中心的 AI 原生分布式应用服务框架，用以承载大模型推理及 AI 业务，使其更高效地理解数据、释放数据的深层价值。以‘Oxygen’为名，承载着京东零售技术团队的愿景：我们致力于构

查询和产品相关性预测是确保电子商务搜索顺畅用户体验的关键组成部分。传统研究主要侧重于基于BERT的模型来评估查询和产品之间的语义相关性。然而，这些方法的判别范式和有限的知识能力限制了它们充分理解查询与产品之间相关性的能力。随着大规模语言模型（LLMs）的快速发展，近年来的研究开始探索其在工业搜索系统中的应用，因为LLMs提供了广泛的世界知识和灵活的推理优化能力。然而，直接利用LLMs进行相关性预测

生成式推荐在2025年迎来爆发并非偶然，而是LLM技术成熟度与推荐工业场景需求共振的结果。1、LLM生态成熟•分布式训练框架，通过数据并行、模型并行和流水线并行策略，结合混合精度训练、梯度累积等优化技术，显著缩短了模型训练周期。同时，融合监督微调（Supervised Fine-Tuning，SFT）与人类反馈强化学习（Reinforcement Learning from Human Feedb

用任意工具注册方式（FunctionHub、LocalMCP、SSEMCP），启动后都是以下效果。诚邀加入OxyGent开源社区！框架具备完善的数据存储机制，可用于后续的SFT训练或RL训练。Node.js环境（如果使用MCP工具）python环境（3.10及以上版本）按权重过滤执行过程的Memory。Plan-and-Solve范式。自定义大模型输出解析器。智能体同时调用多个工具。

正式开源

多智能体系统正推动AI从单点智能迈向群体协作。随着大语言模型（LLM）和多智能体技术的持续突破，开源社区涌现出众多项目，探索智能体在文档处理、代码生成、自动化办公等场景的协同应用。然而，当前多智能体开发仍面临生态分散、调试复杂、决策不透明等挑战，阻碍了更广泛的落地。然而，当前多智能体开发仍面临诸多挑战：框架生态碎片化、配置调试复杂、智能体协作逻辑“黑盒”，使得构建和维护多智能体系统对个人开发者和中

以路易威登LV店铺为例，该店铺小程序在冷启动过程约2800ms，其中有900ms-1000ms的时间在webview任务中穿插这大量的getSystemInfo API的调用。在JSBridge中加入仓颉API的派发逻辑，和在JS API中加入仓颉实现的JS API（getSystemInfo），如下图。仓颉具备高效的与ArkTS互操作的能力，在需要时，可以获取到ArkTS语言的runtime，w