Atlassian 如何在 Databricks 上构建 OCSF 安全湖仓

Databricks 演示通过系统性性能优化，将 Qwen 3.8 27B 在 AI Runtime 上的微调时间从 7 小时 44 分钟降至 1 小时 17 分钟，提速 6 倍。

Databricks 介绍如何让 Genie Agents 同时基于结构化数据与文档运行，且不牺牲治理能力。文章探讨了构建自动化简单业务任务的智能体虽易，但要在统一治理框架下融合两类数据源、确保安全合规地执行查询，仍需解决数据权限、血缘追踪与策略管控等关键问题。

Databricks AI 研究团队披露其作为 AI Runtime（AIR）首位客户的使用方式：AIR 提供 NVIDIA H100 或 B300 GPU，支持从数十亿到近万亿参数模型的 SFT、离线 RL 与在线 RL 训练。

FactSet 借助 Databricks AI Runtime 的无服务器 GPU 基础设施，将其 Text-to-Formula（TTF）模型的搭建、训练与部署周期从数天缩短到数小时。该团队每两到三周微调一次基于 Llama 的模型，此前引入微调模型已使端到端延迟降低约 60%。训练流程与 MLflow、Lakehouse 治理环境打通，无需单独维护 GPU 栈。

Databricks 发布《2026 年实时分析实用指南》，提出实时分析应作为湖仓一体的能力，而非另建 Apache Druid、Apache Pinot、ClickHouse 等专用服务引擎。文章用新鲜度、延迟、并发三个维度界定实时负载，并给出判断工作负载是否需要实时分析的评估框架，以及金融、零售、制造等行业的应用场景。

HTAP（混合事务/分析处理）由 Gartner 于 2014 年提出，指在同一集成数据库系统内融合 OLTP 与 OLAP，让分析查询直接读取当前运营数据，无需等待批量 ETL 搬运。常见架构分为共用单一引擎的 Converged HTAP 与分离事务、分析引擎的 Composed HTAP，二者在性能、隔离性、数据一致性与新鲜度上各有取舍。文章还对比了 HTAP 与 LTAP，并给出选型考量。

Databricks 发文对比 OLTP 与 OLAP：OLTP 面向高并发、低延迟的当前数据读写，如支付、订单和库存更新，依赖 ACID 保证数据完整性；OLAP 面向跨时间、产品、地域等维度的历史数据扫描、连接与聚合分析。文章按查询模式、数据模型、存储和延迟展开比较，并说明数据管道、混合处理与 lakehouse 架构如何连接两者，AI 智能体同时使用事务存储与分析系统正是这一决策的典型场景。

Flo Health 借助 Databricks AI Runtime 在无服务器 NVIDIA H100 GPU 上对开源模型做分布式微调，用 26 个 AI 评委（12 个医疗安全、6 个微观行为、8 个实用性）和超 15,000 条隐私优先合成问题构建训练信号，并采用监督微调加 DPO 的强化微调流程。

TinyFish 在 Databricks AI Runtime 上完成其 web-native 模型的训练、评估与生产部署，内部 go/no-go 基准中该模型完成 2,178 个 web-agent 任务中的 1,691 个，任务成功率 77.6%。

Databricks 与 Replit 的集成已正式可用并原生支持 Lakebase，企业团队可用 Replit Agent 基于 Databricks 实时数据构建受治理的应用，并部署为 Databricks App。