

【时空智能】五篇时空预测与大模型融合论文架构速览:One-Fits-All、Time-LLM、PromptST、ST-LLM、UrbanGPT
五篇工作从不同角度探索了大模型与时空数据的结合:One-Fits-All 强调统一多任务,Time-LLM 侧重时序到语言的映射,PromptST 走提示学习路线,ST-LLM 与 UrbanGPT 则分别从通用时空建模与城市级应用切入。其关键在于输入变换(patch 化与文本原型对齐)与提示词增强,使 LLM 无需大规模重训练即可适配时序任务。ST-LLM 面向时空数据设计大语言模型框架,重点解决时空数据的结构化建模与 LLM 输入对齐问题,通过时空编码与语言模型解码的协同,实现统一的时空表示与预测。

【混合缓存】五种同步通道与它们的失效模式:为什么 Pub/Sub 不可靠反而是对的(五)
本文剖析混合缓存同步层的五种实现(Redis Pub/Sub、RocketMQ、Kafka、RabbitMQ、NATS),指出选型关键不在延迟、吞吐或运维成本,而在于“丢、重、乱”三种失效形态。核心结论:同步消息仅传递“失效指令”,而非数据本身,因此“重”与“乱”因幂等性无害,唯有“丢”需兜底。通过分析各通道在消息丢失场景下的表现,揭示其本质差异——真正决定系统可靠性的,是“何时丢”及“靠什么兜底”。最终强调:同步层只需低延迟通知,可靠性由时间上界(如forceExpiryTime)保障,无需通道保证完全可


