在以往的算法实验中，算法团队通常重点关注 UCTR、UCVR 等核心考核指标，并依据这些指标的显著性来指导实验的扩量或全量上线决策。然而，在这一过程中，仅关注正向指标的提升是不够的，还需通过深入的数据分析，识别潜在的风险因素——即在实现预期指标提升的同时，是否对其他关键指标带来了隐性的负面影响，并评估此类代价是否在可接受范围内，从而做出更为全面和审慎的决策。此外，由于实验内容存在差异，不同实验往往

当前各类状态信息为st，已知各模块负载约束Cm，权衡消费Q(st,at)和算力消耗C(st,at)的关系，应该采取什么样的动作组合at，能够得到最大的奖励R(st,at)。

技术人需要构建"T 型能力"：既要具备垂直领域的技术深度，又要拥有横向拓展的视野广度。这种能力结构不仅能有效应对当前的业务挑战，更能为未来的技术革新提供坚实基础。我也要求自己持续精进技术深度、敏锐培养商业敏感度、始终坚守人文关怀。不断探索大模型的技术潜力，深入理解业务的核心诉求，同时确保技术应用始终符合伦理规范和用户利益。技术人的浪漫，或许就在于这种永不停歇的攻防之舞。

在 AIGC 技术席卷各行业的浪潮中，视觉生成技术正成为重构电商生态的核心力量。当电商从“商品陈列”转向“内容驱动”，品牌对海量、多元、精准的视觉素材需求空前迫切，而传统人工制作模式早已难以应对存量市场下的效率与成本挑战。以大模型为核心的 AIGC 技术，恰好为这一痛点提供了破局方案。它不仅能实现商品图、带货视频的批量生成，更能基于用户画像打造“千人千面”的个性化素材，让内容从“大水漫灌”变为“精

关键发现1、HashMap.get() 操作成为最大 CPU 热点（4.08%），集中在 GroupIdHitMemCache.trans() 方法2、Caffeine 缓存频繁加载导致性能瓶颈（3.9%），主要在 RuleValueCache.get() 调用3、外部 RPC 调用（Molo 智能服务）占用大量 CPU 资源（2.62% + 1.66%）4、HashSet.contains()

在大模型训练中，数据是基础。香港工程科学院院士、香港大学副校长、研究生院院长、讲座教授、京东零售供应链首席科学家申作军教授与供应链算法团队技术总监戚永志博士受邀出席并担任《AI+智慧物流与供应链分享会》联席主席，联合发表《AI科技助力供应链产业升级》主题演讲，深入介绍了京东零售在智能供应链领域的前沿探索与技术实践，并深入分析了AI驱动产业变革的核心路径与未来思考。京东的实践印证了技术创新的商业价值

即日起至11月20日，「OxyGent智能体工具创新赛」正式开启！大赛由京东零售Oxygen团队发起，诚邀开发者们大展身手，探索智能体无限可能，赢取好礼！

在京东广告的大模型应用架构中，召回环节至关重要。传统召回方式在规则灵活性和用户需求捕捉上存在局限，而大模型带来了新的契机，但也面临训练成本和隐私保护的挑战。京东广告的生成式召回体系包括：基于世界知识和电商平台的数据体系、多模态商品内容理解与用户意图识别，以及高效的生成式模型训练和推理架构。在实践中，通过商品内容语义量化、生成式商品解码召回和模型推理性能优化，显著提升了召回效率。在 InfoQ 举办

2012年加入京东以来，他一直致力于智能供应链技术及业务体系建设，带领团队打造了国内零售行业规模最大的智能供应链平台，承接“科技部科技创新2030”、“中关村国家自主创新示范区”等多项国家重点科研项目，一系列技术突破被Management Science等国际顶级期刊收录，并多次获得Franz Edelman、Gartner技术创新等国际奖项。它们不再是完成单一任务的模块，而是拥有完整决策权的“虚

京点点”始终以业务发展为引领，围绕电商行业的需求和趋势，不断探索新的技术应用和业务模式。依托京东丰富的电商数据资源，“京点点”能够为模型训练提供大量的高质量数据。这些数据涵盖了商品信息、用户行为、市场趋势等多个方面，为模型的准确性和泛化能力提供了有力的支持。通过对这些数据的深入分析和挖掘，平台能够更好地理解用户需求和市场动态，从而为电商用户提供更加精准和有效的内容生成服务。