做搜索的人都知道一个常识：训练模型需要真实用户查询。没有查询日志，就没有相关性标签，模型就无从学起。Airbnb 的 CASTLE 系统偏偏绕开了这个前提。

这一期的技术早报里，Airbnb 公开了它的训练路径——用脱敏的预订行为数据，反向生成合成的查询和相关性标签。也就是说，用户没敲进搜索框的那些词，由系统自己造出来，再配上判断标准。

三家公司的三种解法

同一批内容里，Uber、Airbnb、Meta 各自拿出了自己的工程方案，解决的问题却完全不同。

Uber 面对的是 AI 代理和现有代码库怎么共存。它的做法是搭一个专门的网关，让代理在云端的专用工作区里操作，所有修改必须经过严格的测试和验证才能落地。代码质量这条线，没有因为引入 AI 而放松。

Airbnb 面对的是数据缺失。CASTLE 作为自然语言搜索系统，训练时拿不到真实用户查询，于是转向脱敏的预订行为数据，从中生成合成查询和相关性标签。这套方法的目标很明确：保证模型表达的鲁棒性。

Meta 面对的是广告效率。它的生成式广告模型 GEM 把历史表现数据和当前上下文塞进一个统一架构，再用模块化设计去平衡模型复杂度和实际执行成本。复杂度和成本，是这类模型绕不开的一对矛盾。

开放模型的位置在哪

早报里还收录了一场讨论：开放模型能不能和 OpenAI、Anthropic 竞争。这个问题没有标准答案，但它和上面三家公司的实践放在一起看，指向同一件事——模型能力之外，工程基础设施正在成为分水岭。

Uber 的网关、Airbnb 的合成数据、Meta 的模块化架构，都不是模型本身的突破，而是把模型塞进真实业务时不得不做的功课。

本期内容还涉及智能体安全、量子计算校准，以及淘宝用于音视频内容的 TaoMate-H3 模型解读。每篇都给出了底层技术原理和应用场景，不是停留在概念层面的泛谈。