回顾 2023 年度热门开发者事件！ 开源开发者事件回顾 俄罗斯开发者被阻止为开源软件贡献代码 2023 年初，某国产电商 APP 被安全研究机构披露利用 Android 系统漏洞提 权使其难以卸载。此后，卡巴斯基证实该 APP 的部分版本包含恶意代码，利 用已知的 Android 漏洞提权，下载并执行额外的恶意模块，其中一些还获得 了访问用户通知和文件的权限。 某国产电商 APP 利用 Android 新云原生项目 Kmesh 正式开源 Kmesh 是华为云开源的 Serverless 流量治理项目。作 为集高性能、低开销及安全可 靠于一身的内核级云原生流 量治理框架，Kmesh 通过将 L4、L7 能力卸载到内核，使 得转发性能分别提升 50%、 60%，开销降低 70%。 TinyEngine 低代码引擎正式发布 KubeEdge 社区已于 2022 年 7 月份完成整个 KubeEdge 项 目的第三方安全审计，并已发布 必要的工具和库，使开发者能够更容易地处理大量的数 据、管理巨大的网络参数量，并有效地利用硬件资源。 微调（Fine Tuning）是在大模型框架基础上进行的一个 关键步骤。在模型经过初步的大规模预训练后，微调是 用较小、特定领域的数据集对模型进行后续训练，以使 其更好地适应特定的任务或应用场景。这一步骤使得通 用的大型模型能够在特定任务上表现出更高的精度和更 好的效果。 大模型框架提供了 LLM 的基本能力和普适性，而微调 则是实

能“涌现”（Emergence，指模型⾃主产⽣出复杂⾏为或特性）。
但如今，⼤模型落地更重要的瓶颈不是模型⼤⼩，⽽是在于上下⽂不够，⽂本⻓度不⾜会带来对模型 能⼒的严重束缚。 ⼀个典型问题是，如果遇到多轮对话或者需要复杂步骤的场景，往往会出现模型记不住的情况⸺讲了 具体设定，但下⼀回合就忘记。⽐如，Character
AI的⽤⼾就经常吐槽模型记不住关键信息：
来源：公开⽹络 这与计算机运⾏的原理类似：计算机依靠 hot
AI
认为⼤模型能够达到的最⾼⽔ 平由两个因素决定：单步骤的容量（即模型在每⼀步中可以处理的信息量，对应参数量）和执⾏的步 骤数（即模型能够处理的上下⽂⻓度）。 ⽬前，⼤部分⼤模型研究都集中在增加模型参数量的⼤⼩，即增强「单步骤容量」。但
Moonshot
AI
认为，在保持⼀定参数量的同时放⼤另⼀个维度，即「步骤数」或上下⽂⻓度也同样重要。就像我们 在实测中所看到的，上下⽂窗 ⽆损压缩的进展曾极度依赖「参数为王」模式，该模式下压缩⽐直接与参数量相关，这极⼤增加了模 型的训练成本和应⽤⻔槛，⽽
Moonshot
AI
认为：
⼤模型的能⼒上限（即⽆损压缩⽐）是由单步能⼒和执⾏的步骤数共同决定的。单步能⼒与参数量正 相关，⽽执⾏步骤数即上下⽂⻓度。 我们相信，更⻓的上下⽂⻓度可以为⼤模型应⽤带来全新的篇章，促使⼤模型从
LLM时代进⼊Long
LLM
(LLLM)时代：
每个⼈都可以拥有⼀个

Framework、SPIFFE、SPIRE、Thanos 等。  毕业（graduated）：包括提交毕业提案模板、TOC 成员开始为期两周的在 TOC 邮件列 表公开评论和 TOC 投票三个步骤。⽬前该阶段的项⽬有containerd、CoreDNS、 Envoy、etcd、Fluentd、Harbor、Helm、Jaeger、Kubernetes、Prometheus、Rook、 TiKV、TUF、Vitess GitHub 提出，并向 info@lfaidata.foundation 发送主题为“PROPOSAL [项⽬ 名称]”的电⼦邮件来通知 LF AI&Data 成员。 提交项⽬提案书后，批准过程分为四个步骤。  第 1 步：  项⽬根据提供的模板准备提案，并通过 GitHub 提交，并附上⼀封简短的电⼦邮件⾄ in fo@lfai.foundation，主题是“PROPOSAL [项⽬名称]”。

开源生态构建的经验， 曾在 Google 负责多个开发技术的深度推广和社区建设，包括 Android、Flutter 和 TensorFlow 等。他坚信开源是推动技术进步和 开发者成长的关键步骤，希望有更多人参与开源和社区共建。 25 / 111 开源模型未必更先进，但会更长久 文/顾钧 “开源”是指采用符合 OSI 官方认可的软件许可证进行软件发布的行为。目前大模型的“开 源”