本文比较列存轻量编码与通用压缩。在相同TPC-H数据上，Parquet默认字典对有序整数压缩效果反而更差，DELTA_BINARY_PACKED更小；ORC对整数不建字典，字符串仅判断一次，容易选错编码。排序可大幅改变压缩效果。zstd的收益多来自文本列。DuckDB采用全量分析，BtrBlocks通过采样选择编码更优，但采样存在固定开销与偏差。

在无损数据压缩中，我们希望使用尽可能少的比特来编码数据，并且能够无歧义地解码数据。本文将讨论如何理解香农熵对于信息论中最优码字长度的含义，而不涉及严格的数学推导和证明。

该文综述混合语言处理研究，涵盖：用序列到序列与copy机制生成混合语数据以提升语音识别；利用预训练多语言模型和语码切换点进行情感分析，准确率与F1提高约11%；用多语言变形器框架缓解跨语言情感分析资源不均；探索代码搭配与混合情感分类在领域迁移中的应用；通过合成标记混合文本改进情感与仇恨言论检测；用Residual CNN+GRU及多任务预训练提升混合语言识别约55.3%；研究跨语言相似度对词性标注和情感分析的影响；提出单一机器翻译模型翻译混合语句；介绍印地语-英语、孟加拉语-英语混合情感分析共享任务；用神经机器翻译生成混合语种句子用于数据增强。

UnitGen是一个开源解决方案，旨在为AutoDev插件提供更好的私有化部署方案。它可以结合现有的代码生成微调数据集，生成适合组织内部需要的代码。UnitGen使用Chapi来处理语言与数据结构的问题，并与架构治理平台ArchGuard兼容。它可以生成文档数据集和测试数据集，并通过分析依赖信息来获取框架和测试框架信息。对于函数级测试数据集生成，UnitGen使用CG静态分析来正确匹配测试方法和被测试方法。在外部测试时，UnitGen使用ThoughtWorks开源项目和一些框架的官方示例来辅助开发人员编写测试。