Google DeepMind 发布 Gemma 4 开源模型家族,31B 版本位列全球开源模型第三
Google DeepMind 发布 Gemma 4 开源模型家族,含 E2B、E4B、26B MoE 和 31B Dense 四个版本,采用 Apache 2.0 许可。
Google DeepMind 发布 Gemma 4 开源模型家族,含 E2B、E4B、26B MoE 和 31B Dense 四个版本,采用 Apache 2.0 许可。
Google DeepMind 公布四项交互原则,并展示由 Gemini 驱动的 AI 指针实验演示,用户可在 Google AI Studio 中通过指向加语音完成图像编辑、地图查找等操作。该能力已开始落地:Chrome 中可直接用指针就网页局部内容向 Gemini 提问,Googlebook 也将推出 Magic Pointer。
Shopify 用 Remix 构建了一款 AI 魔镜,通过镜后摄像头和显示屏识别顾客的穿着与动作,实时生成个性化信息与动画,单次互动不到一分钟。首个落地场景是 Rare Beauty 的腮红色号匹配,顾客按键拍照后由视觉模型推荐色号并同步邮箱至客户档案。魔镜还可生成折扣码、打印小票,并支持"以姿势付款"等互动玩法。
Shopify 构建了广度优先执行引擎 GraphQL Cardinal,对每个字段在所有对象上只解析一次,而非每个对象解析一次。大型列表查询执行速度最高提升 15 倍,内存占用减少 90%,P50 延迟可缩短数秒。该引擎针对传统深度优先遍历的线性扩展、字段级开销和 dataloader promise 等隐藏成本而设计。
Shopify 推出 SimGym,用数百个带人设、预算和购物意图的机器人智能体在云浏览器中逛店,几分钟内完成原本需要数周的 A/B 测试,零真实流量的商家也能用。
Shopify 构建了一套生成式推荐系统,直接基于原始用户事件序列做下一步商品预测,底层采用 HSTU 架构,并引入时间编码、改进的负采样和优化的 CUDA 内核以在内存与延迟预算内完成训练和线上服务。该系统在离线质量上取得显著提升并成功转化为线上效果,其背景是 BFCM 2025 期间 Shopify 处理了 2.2 万亿次边缘请求、超 8100 万消费者下单。
Shopify 的 ML 平台团队用开源框架 SkyPilot 承载全部训练任务,工程师只需在 YAML 中声明所需 GPU 和内存,平台自动决定任务落在哪个云上。
Shopify 与 Google 联合开发了 Universal Commerce Protocol(UCP),一个让 AI 智能体连接任意商家并完成交易的开放标准。
Shopify 开源了其内部 ML 实验平台 Tangle,该平台通过可视化界面构建数据与 ML 流水线,支持任意编程语言并在任意云或本地环境执行。Tangle 的全局缓存可自动复用重复计算,将原本数小时的结果缩短至秒级,Shopify 称已累计节省超过一年的计算时间。
Shopify 与 Endorphins Running 在 2025 纽约马拉松周末合作打造了一台游戏化跑步机,跑者保持自选配速即可赚取门店积分。项目用 TrueForm Trainer 无动力弧形跑步机采集 FTMS 数据,由单台 MacBook Pro 运行 Python 脚本与 Remix 应用驱动,并通过定制 POS UI Extension 在结账时自动核销折扣、同步跑者会话元数据。
Shopify 构建了 RankFlow 领域特定语言与 TurboDSL 执行引擎,让数据科学家用类 Python 代码在数分钟内上线基于数十亿查询训练的 transformer、神经排序器和 LightGBM、Catboost 模型,同时保持原生 C++ 速度。
Shopify 构建了一套 AI 多智能体系统,用于持续演进其商品分类体系,而非仅做商品归类。该系统管理着 10,000+ 类别和 2,000+ 属性,每天处理数千万次预测,通过结构一致性与商品数据洞察两类专用智能体协同发现改进点。系统还引入真实商家商品数据作为依据,并能识别“具体类别等于宽泛类别按属性值过滤”的复杂等价关系。
Shopify 在 ICML 2025 分享了 Sidekick 智能体系统的构建经验:工具数量从 0-20 个扩展到 50+ 后出现"千条指令之死",团队改用 Just-in-Time 指令按需注入,兼顾可维护性与缓存效率。
Shopify 发布 MCP UI,扩展 Model Context Protocol,让 AI 智能体在对话中返回可交互的 UI 组件而非纯文本。该协议支持 Inline HTML、远程资源和 Remote DOM 三种交付方式,通过 intent 消息系统让组件将用户操作(如 view_details、checkout、notify)上报给智能体处理,保持智能体控制权。
Shopify 在 ICLR 2025 Expo 上分享了其全球商品目录(Global Catalogue)的工程实践,通过微调视觉大语言模型同时执行商品分类、属性抽取、图像理解、标题标准化等多项任务,每天完成 4000 万次多模态 LLM 推理。该目录分为商品数据、商品理解、商品匹配与对账四层,每日以流式方式处理超 1000 万条商品更新,服务于搜索、推荐和对话式商务。
Shopify 工程团队披露其机器学习布局:用微调 Qwen 多模态模型对商品做分类与元数据增强,日均推理量达数亿次;用微调 LLaMa 模型结合 MCP 构建商家助手 Sidekick,并以微调 Nomic 嵌入向量支撑搜索与推荐。基础设施上与 GCP 合作并接入 Nebius 等 neo-cloud 获取 GPU 训练集群。
Shopify 重构了 admin.shopify.com 的底层架构,使 Admin 页面加载速度提升 30%,同时为 AI 功能打基础。该后台每天承载 6700 万次页面浏览,由 101 个团队、日均约 350 个 PR 共同开发,TypeScript 代码量自 2020 年以来翻倍。
Shopify 工程团队分享了 React Native 图形栈的新进展:基于 Dawn(Google 开源 WebGPU 实现)的 Skia Graphite 后端将 Android 的 OpenGL 与 iOS 的 Metal 两套实现统一,使 Three.js、React Three Fiber 和 TensorFlow.js 可在 React Native 上原生运行。
Shopify 的 Augmented Engineering DX 团队开源了工作流编排框架 Roast,用 YAML 配置和 markdown 提示词把非确定性的 AI 步骤与普通代码执行交错编排,使多步智能体流程可版本控制、可测试、可复现。
Shopify 产品理解系统现基于 Shopify Product Taxonomy 与视觉语言模型两大基础,覆盖超 26 个业务垂直领域、1 万多个产品类目和 1000 多个产品属性。其模型从 LlaVA 1.5 7B 迭代至 LLaMA 3.2 11B,现采用 Qwen2VL 7B,并借助 FP8 量化、Nvidia Dynamo 在途批处理和 KV cache 优化提升推理效率。
Shopify 通过实时 Embedding 流式管道为 Storefront Search 提供语义搜索能力,目前每秒处理约 2,500 个 Embedding(每天约 2.16 亿个),覆盖图像与文本管道。
Shopify 为 Sidekick 开发了缓冲式 Markdown 解析器和事件发射器,将多个流与事件多路复用为单一流逐块渲染,解决了 Markdown 渲染卡顿和响应延迟两大问题。