作为下一代的 Linux 平台,自适应 Linux 平台(Adaptable Linux Platform,下文简称 ALP)的首个原型已经上线!该平台由 SUSE 推出,旨在让用户专注于他们的工作负载,从硬件和应用层抽离出来。通过使用虚拟机和容器技术,ALP 可以让工作负载独立于代码流。
SUSE 已将其引入开源社区,并开始设计和构建一个以应用程序为中心、安全且灵活的新平台。
ALP 的首个原型“Les Droites”
SUSE 将 ALP 的首个原型命名为“Les Droites”,它具有以下特点:
尽管一些工作负载仍处于开发阶段并遵循 ALP 设计原则,但一些组件已经容器化,例如 GDM 或 Yast2;而其他组件未来也将容器化,例如 Cockpit。
在 ALP 中,这些新的容器化的服务被称为 WORKLOADS。
工程工作组一直在对 YaST 容器化进行一些改进,例如获得更好的 cockpit 指标、对事务性 ALP 安装的监控和 ALP 中的 YaST 设计或安全策略。
自我管理
APL 旨在尽可能地减少干预,因此使用了一些自我管理功能,允许它识别稳定的快照,并在为系统打补丁后发现一些意外行为时进行回滚。这样才能确保 ALP 能够根据工作负载和系统本身的使用情况来应用补丁,从而保持系统的合规性。
ALP 带有自我管理功能和零接触的原型,并将在下一个版本中完全实现这些功能。
零接触方法
ALP 采用了零接触的环境、部署和配置,因此更易于设置。ALP 拥有自我修复、自我调整和自我更新的优势,这些关键特性也赋予了其自我解释的能力;对系统的更改会触发一种机制来对更改进行解读,因此不再需要额外的解释。
ALP 实现了零接触。系统可以在没有干预的情况下部署、配置,对系统进行操作,这让 ALP 可以在边缘设备上运行工作负载。这将有助于实现操作系统即服务 (OSaaS)。
ALP 能够确保系统符合最新的安全标准和所需的补丁级别,这是通过结合使用“热补丁“和“高可用”的功能来实现的。用户只需配置补丁的修补时间和修复的粒度,自我管理功能就能确保系统符合所需的安全标准。
这些自我管理功能是可配置的,并具有以下粒度级别:
用户可以依据这些粒度设置最佳安装计划。
自我修复
自我管理意味着系统可以识别自身最后的稳定状态,并对意外行为或错误事件做出反应,以便回滚之前的更改。当操作系统或应用程序处于修复或更改过程中时,自我修复功能可以确保系统正常工作。
ALP 使用自我修复功能来检测意外行为并返回到最后已知的稳定状态。
自我修复功能不是操作系统的新组件。SUSE 已经为 MicroOS 提供了运行状况检查器,这些检查器可以用于插件的定制开发。
PoC
PoC 应考虑以下方面:
结论
ALP 的首个原型拥有诸多特性,它将以全新的方式构建下一代的 Linux,例如隔离工作负载、充分利用现代 CPU 功能以及优化硬件性能等。
用户普遍认为,在使用以应用程序为中心的、容器和虚拟化等技术时,非侵入式的系统更新将干扰常规操作。如今,从安全补丁和系统定期更新,到仅下载补丁并实施手动安装,用户都可以通过 ALP 来决定何时以何种粒度修补系统。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。