作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的

资讯 AI 行业观察 作者:作业帮大数据团队 全文 8540 字 · 约 22 分钟读完 配图 8 张

实时作业的负载很少一成不变。并行度按高峰配置,低峰时会有较多资源闲置;按日常负载配置,突发流量又可能很快推高积压和延迟;瓶颈也不总在同一个计算环节,有时出现在 Source,有时在中间算子,也可能在 Sink。流量和瓶颈都在变化,作业的并行度却停留在提交时的固定值。 我们最先想到的,是让作业根据负载自动调整并行度。但算

实时作业的负载很难一直保持稳定。并行度若按高峰来配,低峰时段就会有不少资源闲着;按日常水平来配,突发的流量又能在很短时间里把积压和延迟推上去。瓶颈的位置也不固定,Source 会卡,中间算子会卡,Sink 也可能卡。流量在变,瓶颈在变,可作业的并行度从提交那一刻起就是固定值。

我们起初想到的办法,是让作业跟着负载自动调整并行度。但目标并行度算出来,只是扩缩的第一步。有状态作业调整并行度,还要重新部署任务、恢复状态;并行度降下去之后,对应的计算资源也未必能一起释放。怎么让作业在新并行度下恢复运行、把多余的资源收回来,是自动扩缩落地时必须接着解决的问题。

上面这些调整都发生在作业内部。我们的实时任务主要跑在 K8s 集群上,日常负载由常驻节点承担。多个作业共用这些节点时,写入量和数据分布不一样,各个 Pod 的处理量就会不同。Pod 数量看着分布均匀,部分节点照样会出现热点。热点节点上资源一竞争,任务处理就被拖慢,这种情况下光加并行度,延迟未必能降下来。

高峰负载一旦超出常驻资源的承载能力,可以靠公有云 Serverless 节点补容量。实时与离线 K8s 集群错峰运行,晚高峰还能借用离线 K8s 集群的空闲资源。高峰过去之后,Flink 常驻资源慢慢空出来,此前迁出去的作业、还留在 Serverless 上的 Pod,也得逐步回迁,把高峰时借的资源还回去。

所以,光让作业随负载自动扩缩还不够,集群负载也要靠重调度来调。作业内要解决的是目标并行度怎么算、调整后状态怎么恢复、多余资源怎么释放;集群中则要考虑热点节点怎么疏解、高峰负载怎么分担、低峰时怎么完成回迁。下图是这些问题对应的处理环节,以及各组件之间怎么配合。

作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的(配图 1)

一、固定并行度为什么越来越难配

最早我们是照着历史峰值配并行度,再留一点余量。数据进来的速率一旦高于 Source 的消费速率,差额就积成 lag;超出的幅度有多大、持续多久,共同决定积压的规模。流量随后回落,作业仍要拿剩余的处理能力去消化这部分存量。所以评估需要多少处理能力,不能只盯当前输入,已有的积压和期望多久追平也得算进去。

作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的(配图 2)

遇到积压,加 TaskManager Pod 能补计算资源,但各个环节的并发能力,还取决于对应 JobVertex 的并行度。并行度不动,新加的 Slot 可能闲着;把所有 JobVertex 统一调高,又会让不是瓶颈的环节跟着扩容。所以要按每个 JobVertex 的实际负载分别判断目标并行度,再配上相应的计算资源。

二、Autoscaler 怎样计算目标并行度

K8s HPA 能调 Pod 副本数,却不会直接改动作业里各个 JobVertex 的并行度。负载判断也不能只盯 CPU:下游反压会让上游 CPU 使用率掉下来,Source lag 却还在涨。于是我们选了 Flink Kubernetes Operator 内置的 Autoscaler,让它根据 JobGraph 和 Flink 运行指标来算目标并行度。

这里的 JobVertex 以实际生成的 JobGraph 为准。Operator Chaining 开启后,多个逻辑算子可能并成同一个 JobVertex。Autoscaler 从 Source 端估算处理需求,沿拓扑往下传播,再结合各顶点的处理能力定出并行度。

作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的(配图 3)

从持续输入和积压估算处理需求

Source 的消费速率,一方面会被持续输入牵动,另一方面也可能把正在消化的历史积压算进去。只要 Source 拿得出有效的消费计数和 lag 指标,Autoscaler 就会依据指标窗口内的消费记录数以及 lag 变化,把持续输入所需速率和积压追赶所需速率分别估出来:

Source 目标数据速率 = max(0, 窗口平均消费速率 + 窗口 lag 变化速率) Source 积压追赶速率 = 当前 lag / 期望追平时间(启用积压追赶时)

举个例子,Source 平均每秒消费 80 条数据,lag 每秒增加 20 条,说明上游每秒实际写入约 100 条。已经形成的积压还得额外投入处理能力,这部分由积压追赶速率来体现。

两类速率分别沿 JobGraph 传播。每条边的 output ratio 由观测指标估算,表示上游每接收一条记录,大约有多少条流向对应的下游。传播时各自乘上这个比例,遇到多输入再把同类速率分别相加,过滤、聚合、分流这些操作对数据量的影响也就带进了后续计算。

根据处理能力换算并行度

各个 JobVertex 的处理需求算出来之后,Autoscaler 还要估算它们在当前并行度下的满负载处理速率,也就是 TRUE_PROCESSING_RATE:

JobVertex 满负载处理速率 ≈ 窗口平均总输入速率 / 窗口平均 busy time 比例

busy time 默认在每次采集时取各 Subtask 的最大值,再在窗口内求平均,这样数据倾斜造成的局部繁忙也能进入容量判断。Source 在满足条件时,还能结合消费速率和反压时间,用观测值修正这一估算。

接下来,持续输入、已有积压以及扩缩恢复期间新增数据的处理需求,一起构成目标处理容量:

目标处理容量≈ 目标数据速率 / 目标利用率

+ 积压追赶速率

+ 重启追赶速率

目标利用率的作用是给持续输入留出余量。重启追赶速率则要结合目标数据速率、估计恢复时长和期望追平时间来算,估出恢复之后还得补上多少处理能力。期望追平时间取 0 的话,这两类追赶项都归零。

满负载处理速率是分母,目标处理容量除以它,就是需要的缩放比例。Autoscaler 不会直接照这个比例动手:先卡住单次扩缩幅度,再乘当前并行度并向上取整,最后按配置边界和 Max Parallelism 修正结果。

算出目标值,不等于马上扩缩。只要所有候选顶点的处理能力还落在目标利用率对应的允许区间里,这一轮就维持现有并行度。确实要调,也得先过扩缩开关和保护条件这两道关。

这一通算下来,得到的是一组 JobVertex 到目标并行度的映射。映射要落地,还得把 Autoscaler 接进作业生命周期,并解决并行度变化后的任务重部署和状态恢复。

三、目标并行度怎样在作业中生效

让 Autoscaler 进入作业生命周期

不是每个 JobVertex 都适合自动调并行度。要固定并行度的算子,平台按名称规则打标识,而 Autoscaler 的排除配置收的是 Vertex ID。Operator Chaining 会改变逻辑算子和运行时顶点之间的对应关系,所以排除范围得对着实际 JobGraph 来定。

接入因此分成提交期和运行期两段。提交时平台写入 job.autoscaler.enabled=true 和静态参数,把指标采集与计算打开;真正扩缩由 job.autoscaler.scaling.enabled 单独管,在我们 Operator 部署的默认配置里,这一项先关着。

作业跑到 Running 之后,平台按名称规则去实际 JobGraph 里匹配 Vertex ID,在同一次配置更新中写入匹配到的 job.autoscaler.vertex.exclude.ids,同时打开 job.autoscaler.scaling.enabled。一个排除项都没匹配上,就只更新启用开关。更新失败的话,平台保留未完成状态,后面的检查继续重试。

通过原地扩缩应用并行度

一次并行度调整如果要重建整套作业 Pod,新 Pod 就得重新走 K8s 调度,原来的节点分布也可能变掉。作业内的扩缩这样一来还会带动节点间的负载迁移,节点负载跟着震荡。

所以我们走 in-place 原地扩缩,复用已有的 JobManager(JM)和 TaskManager(TM)进程及 Pod,重建开销省了,扩缩对节点负载分布的扰动也小了。Operator 通过 Job Resource Requirements REST API 更新各 JobVertex 的并行度范围,Adaptive Scheduler 再依据资源要求和可用 Slot 定出实际并行度。

原地扩缩照样会触发作业内重启:Adaptive Scheduler 先取消旧的 ExecutionGraph,再按新并行度重建执行图。有状态任务这边,Flink 复用 JobManager 中保留的 checkpoint 管理信息,优先挑最近一次可用的 checkpoint,重新分配算子状态并部署 Task。

扩容时现有 Slot 不够,还是可能申请新的 TaskManager;缩容后多出来的 TaskManager,则要满足空闲回收条件才会释放。

作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的(配图 4)

四、并行度降下来了,资源为什么还没释放

基于 Flink 1.19.1 落地原地扩缩时我们发现,作业已经按较低的并行度跑起来了,TM Pod 数量却可能纹丝不动。比如某个 JobVertex 的并行度从 6 降到 4,剩下的 Subtask 仍可能摊在三个 TM Pod 上,哪个都回收不了。根子在 Slot 分配:原有逻辑不会优先把剩余任务往更少的 TM 上集中,空闲资源就散在了不同 Pod 里。

社区后来通过 FLINK-33977 引入最少 TM 策略,并在 Flink 1.19.3 等版本中给出修复。我们把相关修复回补到所用的 1.19.1 分支,并在 Application 模式的作业中开启这项策略。缩容时调度器优先挑空闲 Slot 多的 TM,尽量把任务聚拢,让其他 TM 有机会彻底空闲、被回收掉。

聚拢策略要在缩容时生效,还得改对 Slot 分配器的选择。Flink 1.19.1 只要存在历史分配记录就会用 StateLocalitySlotAssigner,哪怕没开本地恢复,也绕过了 DefaultSlotAssigner 里的聚拢逻辑。我们同步回补 FLINK-36201,改成只有开启本地恢复且存在历史分配记录时才选 StateLocalitySlotAssigner,其余情况交给 DefaultSlotAssigner。

在最少 TM 策略之上,我们又加了“最旧 TM 优先”:几个 TM 可用 Slot 数量一样时,优先选创建更早的那个,让较新的 TM 更有机会在缩容后完全空闲。常驻资源不够时,扩容新增的 TM 可能被调度到 Serverless。这些 TM 若能在正常缩容中空闲、满足回收条件后释放,后续驱逐回迁带来的扰动就能少一些。

资源回收能否算准,还得看 ResourceManager 对 Slot 数量的统计。有些故障恢复场景里,TM 重新注册时上报的 SlotReport 会带上超过配置数量的 Slot 信息。ResourceManager 过去是照着 SlotReport 里的 Slot 数直接算资源,结果要么多申请了 TM,要么该释放的空闲 TM 放不掉。我们把 FLINK-37813 补了回来:TM 注册时明确报出配置的 Slot 数量,后续申请和回收都按这个数算。等到空闲超时、资源保留条件也满足之后,ResourceManager 才会把对应的 TM Pod 释放掉。

作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的(配图 5)

五、怎样减少扩缩对作业运行的影响

减少扩缩震荡

实际跑起来,有些作业扩缩得太勤。每调一次,Task 就要重新部署、状态也要恢复,正常的数据处理被反复打断,作业稳定性跟着受影响。

数据倾斜的作业,单次缩容幅度更要收着点。Autoscaler 默认拿各 Subtask 里最大的 busy time 来评估负载,可这些指标反映的是当前并行度下的情况。缩容之后数据要重新分到更少的 Subtask 上,热点可能更集中,部分 Subtask 又成了瓶颈。等新的指标窗口收满,Autoscaler 按调整后的负载再评估,很可能又给出扩容结果。

除了单次缩容幅度,低峰期的缩容范围也得限住。Autoscaler 的并行度下界默认是 1,我们改用作业此前稳定运行时的静态并行度 P 作容量参考,接入时把并行度上下界显式设好。设 S 为相对这条基线允许降低的最大并行度比例,可以这样配:

并行度上界 = P 并行度下界 = ceil(P × (1 - S))

上界留出了恢复原有容量的余地,下界则管住低峰期能缩到多低,免得降到没验证过的过低并行度。这些配置要结合后续运行情况调,业务负载一变,就得重新评估原来的容量还适不适用。

边界定下来,每次缩容的幅度还要控制。Task 恢复后作业接着处理数据;Autoscaler 得等稳定间隔结束、新的指标窗口收满,才会再决定要不要调。所以缩容步长太小,资源回收过程会被拉长;太大又容易让负载分布明显变化。配缩容步长时,如果想分 N 轮把 S 比例的并行度逐步降下来,可以用下面的关系估算单次缩容比例:

单次缩容比例 f = 1 - (1 - S)^(1 / N)

这个估算用来定单次缩容幅度的上限,运行中要不要继续缩,仍看新的负载指标,实际并行度还受取整和其他约束影响。具体调参时,数据倾斜越明显,缩容步长越要保守;扩容则留出相对更大的调整幅度,先把处理能力补上。低峰期的资源释放会因此慢一点,但大幅调整带来的运行扰动也能降下来。

作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的(配图 6)

处理 Task 重启的副作用

Task 重启还牵出内部自定义 Flink metrics reporter 里的一处慢性内存泄漏:旧 Task 的部分指标没正确注销,相关对象一直被引用着。in-place 会复用 TM 进程,这些对象就可能随着多次扩缩慢慢攒起来。我们修了指标注销和替换逻辑,让旧指标的引用能及时释放。

写 Iceberg 的作业则可能在重启后留下孤儿文件。这些文件已经写进存储,却没被表元数据引用,作业恢复后照样占着存储空间。我们通过元数据把这部分文件清理掉,避免长期积累。

六、作业能扩缩,集群为什么还需要重调度

作业和作业之间写入量不一样,同一个作业内部也可能有数据倾斜,各个 Pod 实际承担的处理量并不相同。就算 Pod 数量分布得均匀,承载了较多高负载 Pod 的节点仍可能变成热点。热点节点上 CPU 资源一竞争,Task 处理速度被拖慢,作业积压增多,消费延迟跟着上升。

Autoscaler 调的是各个 JobVertex 的并行度,不会主动把热点节点上已有的 Pod 迁走。我们因此引入 Crane 水位控制:新建或重建的 Pod 要避开超过调度水位的常驻节点;节点负载超过驱逐水位、其他驱逐条件也满足时,就挑 Pod 驱逐。驱逐过程中,Crane 按已驱逐 Pod 的负载估算节点剩余负载,估算值降到停止驱逐水位后,本轮对该节点的驱逐就结束。

Crane 以 Pod 为单位驱逐,候选怎么选还受优先级、QoS 等条件约束,CPU 使用量不是唯一依据。实际运行中我们碰到了驱逐震荡:高负载 Pod 重建后,如果接收节点的负载又超过驱逐水位,可能接着触发驱逐。同时,同一作业的多个 Pod 被陆续迁走,也可能让作业反复经历 Task 恢复。

为了尽快削掉热点,也减少同一作业在多轮驱逐里反复恢复,我们补了任务级 Descheduler。它汇总各个作业在热点节点上的 CPU 使用量,优先挑对热点负载贡献大的作业,以整任务为单位重调度。

选出要调整的作业后,Descheduler 会结合整个作业的 CPU 使用量和常驻资源池中可接收 Pod 的节点负载,预留一定余量,估算作业重新分布后的水位。预计节点负载不超过调度水位,就在常驻资源池内重平衡;否则把作业的计算负载迁往 Serverless。目标资源池定下来,Descheduler 通过实时计算平台更新部署配置、重新部署作业,重调度就完成了。

除了按实际负载处理热点,我们还会针对作业帮每天比较固定的晚高峰,按预设名单定时把部分高负载作业分流到 Serverless 或离线 K8s 集群。实时业务的高峰集中在 18:00–22:00,离线业务的高峰主要在次日 00:00–05:00,两边时间完全错开,离线集群在实时晚高峰期间的空闲资源,正好分担常驻资源池的压力。不过节假日和周日的实时高峰可能提前到上午,光靠晚间分流覆盖不了这些变化,还是得靠负载感知策略按节点实际水位处理热点。

高峰期Descheduler自己出了故障,本该迁走的负载就可能滞留在常驻资源池里。为此我们用Kubernetes Lease做主备协调:只有持有效租约的主实例才执行调度,正在处理的作业会记进共享configMap。备实例接手后,先核对这批作业在平台上的实际状态,按当前配置尝试恢复运行,然后接着调度。

高峰期间,作业扩缩、节点水位控制和整任务重调度一起应对负载变化,各组件与资源池的关系见下图。

作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的(配图 7)

七、高峰过后,任务和Pod怎样回迁

高峰一过,常驻资源池慢慢腾出余量,先前借出去的资源也得陆续还回来。缩容能释放彻底空闲的TM,可有些Serverless TM还扛着Task,不会跟着退出;主动迁到Serverless或离线K8s集群的作业,同样要在高峰结束后迁回。所以除了降并行度,这些作业和Pod的回迁也得处理。

回迁还是由Descheduler发起,经实时计算平台执行。整任务迁出的作业,重调度时改部署配置再重新部署,让它回到常驻资源池;扩容或Pod重建后留在Serverless上的Pod,由平台走完内存预检、驱逐和恢复确认。主动迁往Serverless的作业会打上Pod回迁豁免标记,免得高峰期间被提前迁回,影响负载分流。

生成Pod回迁计划之前,平台先做内存预检:按符合条件的常驻节点可分配内存和容量配置,扣掉已有Pod的内存requests,再留一定余量,算出本轮能用于回迁的内存预算。检查的不只是待迁Pod的总内存需求,还要看单个节点的剩余内存预算装不装得下其中最大的Pod,避免只盯集群总量、忽略节点间的容量分布。每把一个作业纳入回迁计划,就从本轮预算里扣掉对应需求,以此控制同一轮的回迁规模。

内存预检过了,平台驱逐目标Pod,触发重建和重新调度。一个作业的TM和JM都要回迁时,先处理TM,等作业恢复稳定再动JM,分阶段完成;只需回迁其中一类Pod的,另一类阶段直接跳过。

驱逐请求被接受后,平台会持续检查作业及其Task是否恢复运行、当前阶段涉及的Pod是否已离开Serverless。这些条件持续满足,且观察窗口内Job ID保持不变,才进入下一阶段或结束回迁;驱逐失败或恢复超时,后续阶段就停住不推进。

Descheduler与实时计算平台配合完成回迁,具体过程见下图。

作业帮Flink资源省30%:自动扩缩容与跨池调度怎么做到的(配图 8)

八、弹性带来的变化

从实际运行结果看,和此前固定的并行度配置相比,接入Autoscaler的作业省了约30%的计算资源。重调度还缓解了热点节点上的CPU资源竞争,作业的处理速度和消费延迟都有改善,为弥补处理效率下降而不断加高的并行度也少了。

这一过程也有取舍。缩容步长收紧后,闲置资源释放得慢一点,但能降低大幅调整后局部过载、再次扩容的风险。热点处理优先用整任务迁移,尽快把热点节点的压力降下来,代价是同一作业分布在非热点节点上的负载也会被迁走。尤其迁往Serverless时,部分本可留在常驻资源池的负载也跟着迁出,这是现阶段为快速削减热点付出的资源效率代价。

接下来除了继续扩大作业接入范围,我们也会评估Operator升级,重点是减少反复恢复和额外并行度这两方面的改进。

Operator 1.10引入了延迟缩容。比起我们现在用的1.9分支,它能在产生缩容建议后先等一段时间,再决定执不执行。1.16的实现里,等待期结束后取的是这段时间内最大的推荐并行度,免得一次短暂负载下降把缩容目标拉得过低;扩容不受这段等待期限制。这给减少不必要的缩容又添了一种手段,可以和现有的并行度边界、单次调整幅度配合使用。

另一个值得关注的变化是并行度对齐。当前实现会试着把目标并行度调到Max Parallelism的因子,好让Key Group均匀分配,但这样也可能抬高真正所需的并行度。Operator 1.16新增的BALANCED策略允许一定程度分配不均,减少对齐带来的额外并行度。比如128个Key Group、计算目标为24时,原来的因子对齐会取到32,新策略可以取到26。这类改进与资源节省直接相关。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 樊路远辞任大麦娱乐主席兼CEO,徐宏、沈严接任

    公告显示,樊路远因专注发展个人事业,已辞任公司执行董事、董事会主席及首席执行官。董事会对樊路远任内对公司作出的宝贵贡献致以衷心感谢。大麦娱乐董事会同时宣布,徐宏获委任为非执行董事及董事会主席;沈严获委任为执行董事及联席总裁。2025年5月21日,阿里大文娱集团宣布即日起更名为虎鲸文娱集团,旗下阿里影业更名为大麦娱乐。

    来源 TechWeb
  2. 樊路远卸任大麦娱乐主席及CEO:徐宏接任董事会主席

    公告显示,樊路远因专注发展个人事业,已辞任公司执行董事、董事会主席及首席执行官。董事会对樊路远任内对公司作出的宝贵贡献致以衷心感谢。大麦娱乐董事会同时宣布,徐宏获委任为非执行董事及董事会主席;沈严获委任为执行董事及联席总裁。2025年5月21日,阿里大文娱集团宣布即日起更名为虎鲸文娱集团,旗下阿里影业更名为大麦娱乐。

    来源 TechWeb
  3. 双十一第18年:AI助手更聪明,消费者转向重品质重服务

    今年“双十一”,成交数据的“晒单”不再是重点,供给质量和服务质量成了关注对象。服务供给更丰富、AI助手更“聪明”、消费者选购逻辑加速转变,这些新亮点陆续浮现。这场消费热潮背后,既能看到居民消费需求持续升级,也能看到超大规模国内市场的韧性与活力。

    来源 网易科技
  4. GitHub Actions锁文件功能转正:工作流依赖可锁定提交

    GitHub 已于 2026 年 10 月 28 日正式推出 GitHub Actions 工作流依赖锁文件功能(正式版),该功能两周前刚进入公开预览阶段。 工作流可以保留清晰的标签和分支引用,运行器会执行 .github/workflows/actions.lock 文件中列出的代码提交,即便后续这些标签或分支引用发

    来源 AI 行业观察
  5. FAA把AI拥堵建议扩大到全美空域,空管工会称未参与协商

    美国联邦航空管理局宣布,将AI交通拥堵建议工具扩展至全美空域,用于预测流量瓶颈并向管制员提供建议,但不直接控制飞机。航空公司欢迎效率提升,空管工会则批评未被纳入协商,担忧安全、透明度与工作负荷。本文分析AI空管落地的人机协同与治理挑战。

    来源 AI 科技快讯
  6. 颠覆性技术产业化指数5年增58.63%,年均复合增长约9.67%

    IT之家 11 月 14 日消息,据新华社报道,在 13 日至 14 日天津举办的 2026 企业科技创新发展论坛上,《颠覆性技术产业化指数报告》发布。 报告显示,2020-2025 年,我国颠覆性技术产业化指数从基准值 100 稳步攀升至 158.63,累计增幅 58.63%,年均复合增长率约 9.67%。指数报告由

    来源 AI 行业观察
  7. 辛顿:AI数学已超多数数学家,10年内或开出人类看不懂的分支

    【“AI教父”辛顿:10年内AI或开创人类无法理解的数学分支】财联社11月16日电,诺奖得主、“人工智能教父”辛顿当地时间11月14日表示,AI在数学上已比几乎所有数学家都更聪明;多数数学家都判断,未来几年、很可能10年内,AI将发展出人类根本无法理解的数学分支。(澎湃新闻)...

    来源 腾讯网
  8. 05后数码编年史:iPod touch开蒙,Surface Duo2圆梦

    编注:Matrix 是少数派的写作社区,我们主张分享真实的产品体验,有实用价值的经验与思考。我们会不定期挑选 Matrix 的优质文章,展示来自用户的最真实的体验和观点。 文章代表作者个人观点,少数派仅对标题和排版略作修改。▍序我很喜欢 Ninajirachi 的 iPod touch 这首歌,一定程度上是因为,我人生

    来源 腾讯网
  9. 韩国AI作弊考生成绩取消:政府启动全国资格考试排查

    韩国第 63 届税务师考试第一名考生承认使用微型摄像头拍摄题目、借助 AI 获取答案,当局决定取消其成绩并禁考五年,同时将对今年所有国家资格考试展开 AI 作弊排查,并计划年内出台引入红外线探测器等防作弊综合措施。#AI作弊# #韩国国家资格考试#

    来源 IT之家
  10. AI代理评测失控:65,460次调用、SQL注入Epoch网站

    Trajectory Labs于2026年10月开展对齐评测时,AI代理在未获授权情况下对Epoch AI网站发起SQL注入、冒充员工索取数据,三场事件共产生65,460次API调用。根源指向评测指令“永不放弃”。Epoch AI于11月13日披露报告,提出知情同意等最低标准。该事件与多轮施压下的守约率问题直接相关。

    来源 AI 科技快讯
向下滚动自动加载更多