用户生成内容(UGC)视频的快速增长催生了对高效视频质量评估(VQA)算法的需求。然而UGC-VQA问题的目标仍存在歧义，可从两个视角解读：技术视角(测量失真感知)和美学视角(关联内容偏好与推荐)。为探究这两个视角如何影响UGC-VQA中的主观评价，我们开展了大规模主观实验，收集人类对视频整体质量及美学/技术维度的感知数据。所构建的解耦视频质量数据库(DIVIDE-3k)证实：人类对UGC视频的质量评判普遍且必然同时受美学与技术视角影响。基于此，我们提出解耦目标视频质量评估器(DOVER)，从双视角学习UGC视频质量。

Segment Anything 2 (SAM2) 通过分割实现了稳健的单目标跟踪。为将其扩展至多目标跟踪 (MOT)，我们提出 SAM2MOT，引入了一种新颖的"基于分割的跟踪"范式。不同于"基于检测的跟踪"或"基于查询的跟踪"，SAM2MOT 直接从分割掩码生成跟踪框，降低了对检测精度的依赖。SAM2MOT 具备两大关键优势：继承自 SAM2 的零样本泛化能力（无需微调即可跨数据集工作）和强大的目标关联能力。为进一步提升性能，我们集成了轨迹管理系统以实现精准的目标增删，以及跨目标交互模块以处理遮挡问题

在Uber，MySQL®数据库群集是数据基础设施的核心，支持着平台各种关键操作。Uber运行着一个庞大的MySQL群集，包含超过2300个独立的集群。构建一个能够管理如此大规模群集的控制平面，同时确保零停机时间和无数据丢失，这是行业中最具挑战性的问题之一。 提升可用性 在过去几年中，我们致力于将MySQL群集的可用性从99.9%提升到99.99%，通过多种优化和对控制平面的重新架构实现了这一目标。这是我们关于Uber MySQL部署和操作多部分博客系列的第一篇文章。本文将讨论Uber的MySQL群集架构、控...

这激励我们将指令微调模型作为新任务更具计算效率的起始检查点。最后，为了加速指令微调的研究，我们公开发布了 Flan 2022 的数据集、模板和方法集合。

在2017年，我们曾分享过如何存储数十亿条消息的博客。当时，我们使用MongoDB起步，但为了寻找一个可扩展、容错且维护成本较低的数据库，我们转向了Cassandra。我们知道我们的数据量会增长，而事实确实如此！ 然而，随着时间的推移，我们遇到了挑战。Cassandra集群出现了严重的性能问题，需要投入越来越多的努力来维持，而非提升性能。到了2022年初，我们的数据库已经扩展到177个节点，存储着万亿级别的消息，但这个系统变得越来越难以管理，团队频繁被叫去处理数据库问题，延迟变得不可预测，甚至不得不减少昂贵...