Bright Machines 如何在不开放工厂入站访问的情况下提供实时工厂数据看板

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 发布 Databricks Apps 扩展指南，按设计、构建、测试部署、运维四个阶段讲解如何让应用在用户增长后保持低延迟与高可用。指南建议以 p95 端到端延迟和峰值并发为目标，把长任务放到后台 Job、不可控代码放进 Databricks Sandbox，并推荐新应用默认使用 TypeScript SDK AppKit。

Databricks 发布了一份 Postgres 托管服务技术买家清单，主张按故障与恢复时的实际表现而非功能页来评估服务。清单覆盖运维范围、高可用与自动故障转移、备份与灾难恢复、扩缩容、安全合规、扩展兼容性、迁移、定价与可移植性，并给出各领域的核查项与危险信号。

Databricks 介绍如何用永久免费的 Databricks Free Edition 在浏览器中开设完整的数据与 AI 课程，无需云合同、许可证或安装。学生可在这套与生产环境相同的平台上写 Spark 作业、跑 SQL、部署模型和构建智能体，课程覆盖数据工程、数据仓库、机器学习与 AI 智能体等方向。该版本面向全球学生和教育者，仅限学习与非商业用途。

Hamlet 借助 Databricks Lakebase Postgres 为每个 pull request 建立独立的生产数据分支，让工程师和 AI 编码智能体在不触碰生产环境的情况下用真实数据测试改动，合并仍需人工审批。Hamlet 索引全美超过 7,200 个治理机构的会议，平均每场会议约三个半小时，AI 负责定位值得关注的片段并回链视频原文。

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。

Atlassian 基于 OCSF 开放模式在 Databricks 上构建安全湖仓，处理每天 440 亿条事件。结构化数据配合分区与 Z-ORDER 将代表性查询从约 45 秒降至 2–3 秒，提升 95%；启用 Graviton 集群与 Photon 后查询成本和运行时间减少约三分之二。

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。