Databricks 讲解用 ai_extract 与 MLflow Prompt Registry 提升文档抽取准确率

Databricks 分享其让全部员工在模型发布首日即可试用新模型的内部流程，依托 Unity Gateway 做配置分发、治理与可观测性。流程分三步：立即以实验标签开放新模型、用四类按人预算控制成本、再依据内部基准、用户反馈和 OpenTelemetry 成本追踪决定推广或下线。

Databricks Lakehouse Federation 支持通过标准 SQL 直接查询 SQL Server、PostgreSQL、MySQL、Snowflake 等外部数据库，数据留在原处，无需复制或同步。

Databricks 发布从 BigQuery 迁移到 Databricks 的三支柱框架，涵盖流程、技术与人员。流程上先评估 BigQuery 资产，再按 BI 优先或 ETL 优先选择切入点，分批迁移并用 Lakehouse Federation 双轨验证，以 99.9% 一致性等标准触发旧管道下线。

Databricks 用 Opus 4.8 在 22 个数据工程任务、264 次构建上对比 Apache Spark 的过程式与声明式管道，声明式在运行前即可校验结构错误，执行器耗时从 596 秒降至 17 秒，约省 34 倍算力。声明式管道代码量中位数为 64 行，约为过程式 131 行的一半，且写法更统一。两者完成率接近，分别为 258/264 和 255/264，逻辑错误表现持平。

Databricks 展示了一套实时能源交易与分析方案，用 Spark Structured Streaming Real-Time Mode 以毫秒级延迟处理市场数据并写入 Lakebase，供交易台应用直接读取。

Databricks 发布与 Oracle 的对比文章，称其开放湖仓架构将 BI、ETL、流处理、机器学习和生成式 AI 统一在单一治理平台上，数据以 Delta Lake 和 Apache Iceberg 开放格式存储在客户自有云对象存储中。

Databricks 高级主任工程师 Kevin Stumpf 提出，企业 AI 的衡量重心正从 tokenmaxxing 转向 valuemaxxing，即用 AI 产生的业务影响除以成本来评估投入回报。

Databricks 发布 2026 年 AI 数据库选型指南，对比 10 款方案在检索能力、serverless 扩展、Postgres 兼容性、高并发与低延迟等维度的表现。

Databricks 以内部应用 Slide Hub 为基准，实测 Lakebase Search 在 1M 到 4M 行语料下的表现，给出按查询先定 CU 再扩应用的选型方法。

Databricks 为 Lakebase Postgres 引入 LTAP 架构，将批量数据加载从主计算节点卸载到 Spark 分布式引擎，内部基准测试显示加载 1 TB 数据现在只需不到 5 分钟。