文章介绍了七个Python时间序列库：statsmodels用于可解释的ARIMA等统计建模；pmdarima自动搜索ARIMA阶数；sktime提供统一的机器学习接口与防泄漏交叉验证；Darts支持概率预测、多序列全局模型及异常检测；stumpy通过矩阵轮廓发现模式和异常；PyOD汇集60多种异常检测算法；NeuralForecast提供30多种深度学习预测架构。建议在同一数据集上对比使用这些库。

文章探讨工业物联网数据摄取与PostgreSQL运维：设计在上行链路中断时仍能存活的摄取方案，要求校验每条读数的身份、在边缘持久缓冲，并限制重放以免补传挤占实时站点；用SQL构建摄取安全监控，每分钟采样WAL量、副本延迟和死元组，得出可告警的余量百分比；记录查询延迟与行数的关系并拟合曲线，预测查询何时超出目标。

华盛顿大学与NVIDIA等提出RFD4-Proteina，这是首个面向多组分生物大分子复合物的潜空间推理序列-结构联合生成模型。该模型构建统一的化学-构象潜空间，结合流匹配生成与内在/外在双重推理，并用可微Rosetta能量约束原子重构，突破了分子类型窄、序列-结构解耦、伴侣刚性等瓶颈。基准测试中其设计成功率与效率显著优于基线，湿实验验证了高特异性结合蛋白、糖基化与磷酸化识别，并首次从头设计出催化药物合成反应的酶。

PlanetScale 的分片 Postgres 系统 Neki 通过路由器集中执行序列操作，以保证跨分片唯一性。文章区分三类表达式：不可变、稳定（如 now()，在路由器求值一次）、易变（如 nextval()，须按行基数逐行求值）。Neki 先获取表表达式，再在路由器上叠加序列求值，将唯一值下发各分片完成更新。

DeepSeek-V4.1 采用分层稀疏索引器降低解码开销：第20层先全量打分，选出最多16384个候选位置，后续Reindex层仅在候选池内打分，使计算量与上下文长度无关。同时，main KV改用FP4存储，每token从584字节压缩至288字节，并结合跨层共享，全局KV总量从V4-Flash的3514字节降至890字节。

DeepSeek-V4.1 的 CSA2 通过跨层共享压缩全局 KV，将 KV cache 从每 token 5.41 条降至 2.5 条。每层全局注意力包含 main KV、indexer K、top-k 索引和注意力四部分，前三者可跨层共用，形成 Full、Reindex、Reuse 三种模式：Full 自建 KV 并选索引，Reindex 复用 KV 但重选索引，Reuse 两者均复用。38 层中仅 4 层为 Full，压缩算子去除了重叠与位置偏置，indexer K 改由 main KV 投影。

DeepSeek-V4.1 借鉴 YOCO，提出 CED 结构：decoder 的全局 KV 由 encoder 末态投影得到；prompt 中多数 token 只计算前 20 层，激活参数约 8B，而 decode 阶段使用全部 40 层，约 16B。为补充 decoder 滑窗 KV，采用 Decoder SWA Bounded Replay，仅回放最后 128 个 token，属于近似重建，但开销远低于精确重建。

VLX-Seek是OmAI Lab推出的细粒度视觉语言模型，面向机器人、无人机等边缘具身视觉场景，结合语言理解与区域级视觉感知，支持目标定位、指代理解、区域OCR、描述与计数，并引入目标缺失拒识机制，为具身智能连接环境感知与行动决策提供基础能力。

SimpleDesign是一种多模态蛋白质设计模型，无需多阶段训练，直接在数据空间端到端训练，结合序列交叉熵与结构回归目标，采用Transformer多模态骨干，在超200万序列-结构对上训练，在协同设计和无条件生成任务上表现优异。

本文详解DeepSeek-V4模型结构：HCA将128个token压缩为一条目，无需稀疏选择；CSA与HCA交错排布，确保全局信息不丢失；滑窗分支弥补压缩导致近token不可见；Q/KV归一化替代QK-Clip；部分RoPE加输出反旋转消除绝对位置；attention sink解决softmax权重分配缺陷；1M上下文KV cache仅5.3GiB，FLOPs约38G。

本文介绍DeepSeek-V4模型中的压缩稀疏注意力（CSA）机制。KV缓存每4个token压缩为一条，1M上下文仍有26万条目，故用lightning indexer打分选择top-1024块。Indexer源自V3.2的DSA，采用64头128维、ReLU加权和FP4量化，通过KL散度模仿主注意力分布训练。V4将索引对象从token改为压缩块，query共享低秩latent。文章详述了indexer实现细节、一层CSA的完整维度流程及参数统计。

本文介绍DeepSeek-V4的注意力机制，从MHA到CSA/HCA的演进，重点分析压缩KV缓存的方法。V4将每4或128个token压缩为一条512维KV向量，采用重叠窗口和逐通道softmax加权，K与V共享单头，配合分组输出投影降低参数。相比前代，V4首次压缩缓存条目数，以支持1M上下文的高效推理。

本文介绍Kimi K3模型结构：采用3:1混合，每四层含一层Gated MLA（无位置编码、满秩sigmoid门），其余为KDA层。MLA低秩压缩KV至576维/token，KDA状态固定约232MB。3:1比例经实验选为质量与吞吐平衡点，1M上下文时KV cache约27.6GB，decode速度约为纯MLA的2.2倍。

本文介绍Kimi K3模型序列维度的chunkwise并行算法：将序列分块，块间递推状态、块内用矩阵乘并行计算。K3将每步log-decay加−5下界，使16-token对角tile也能用BF16矩阵乘，消除FP32逐位置对瓶颈。相比通用DPLR内核，KDA内核因结构简化速度快约一倍。训练和prefill用chunkwise形式，decode用递推形式。

本文介绍Kimi K3模型中KDA（Kimi Delta Attention）的递推形式，从线性注意力、DeltaNet到Gated DeltaNet演进而来。KDA通过逐通道衰减和擦除写入机制更新状态，每头128×128矩阵，不依赖上下文长度。它采用逐头RMSNorm和满秩sigmoid输出门，在合成任务中表现优于基线，并天然具备位置编码能力。

制造业IIoT产生高频传感器数据，传统数据库难以处理。文章指出五大趋势及数据层解决方案，并举例说明TimescaleDB如何优化PostgreSQL，实现存储减少83%、查询提速979倍，解决工业4.0数据挑战。

MIT团队开发了名为PottsMPNN的机器学习框架，用于改进计算蛋白质设计。该框架结合物理原理，能更准确建模序列-能量关系，生成结构可行但序列新颖的蛋白质，避免过度模仿天然序列。研究强调，传统以复现天然序列为成功标准并不最佳，PottsMPNN通过引入成对氨基酸相互作用和进化信息，提升了结构兼容性和突变稳定性预测，为设计新型蛋白质奠定基础。