AI 资讯日报：2026-07-28
岗位趋势
FDE posting +729% YoY：Tredence 称 enterprise AI 最后一公里
Tredence blog 7-27（7-28 引用）：Forward Deployed Engineer posting 2025-04 ~643 → 2026-04 ~5,330（+729% YoY）；2026-05 39 家 AI 公司共 224 个 open FDE role。Median base $127K–$173K，frontier lab total comp mid-level ~$385K、principal 可达 seven figures。FDE 非 staff augmentation——驻客户侧 product engineering，handoff chain 从 business → consultant → data → eng → deploy 压缩为单一 embedded team。对全栈 lateral move：guardrails + RAG + eval + customer discovery 组合技能。
来源： Tredence
FDE 是 AI-native SDLC 2.0 角色：review agent + human gate 并行
Tredence 7-27 补充：其 FDE 模型强调 AI-Ninja coding fluency——discovery/design/coding/testing/semantic modeling/documentation/ops 全链路在 AI-native environment 完成，非传统 SDLC 上 bolt-on Copilot。Harness 含 review agents、pre-commit checks、human gates；accelerators 覆盖 40–60% scaffolding，engagement 间 compound。Platform-agnostic（Databricks/GCP/Azure/Snowflake/AWS + leading model providers）。对 frontend/fullstack：FDE 不是纯 backend infra 岗，semantic layer + agent guardrail 设计是 core deliverable。
来源： Tredence
行业动态
Kimi K3 active params 是 104B 非 ~50B：devoriales 纠正社区误算
devoriales 7-27/28：Hugging Face community post 用 16/896 expert ratio 推算 ~50B active——**错误**，遗漏 2 shared experts 与每 token 都运行的 dense attention stack（69 KDA + 24 Gated MLA layers）。Moonshot model card 明确 **104B activated per token**。影响：infra sizing、latency 估算、与 GPT/Claude active param 对比均须用 104B baseline。AA Intelligence Index 57、hallucination rate 51%（K2 ~39%）仍须在自有 eval 验证。
来源： devoriales
热门项目
MoonshotAI/Kimi-K3 inference recipes
Weights 发布次日 community 聚焦 deployment：repo 推荐 vLLM、SGLang、TokenSpeed；896 expert routing + KDA state + MLA KV cache 联合调度是 day-1 痛点。MXFP4 expert weights / MXFP8 activations 使 ~1.4TB resident footprint 可 datacenter serve，但非 desktop 场景。MLOps/FDE 团队可先 fork inference config template 再接入 enterprise gateway——OpenRouter `moonshotai/kimi-k3` 作 fallback 对照。
产品更新
Kimi K3 day-0 上 Fireworks / Together / OpenRouter
Moonshot launch-day partners + OpenRouter 7-28 路由矩阵：Fireworks `accounts/fireworks/models/kimi-k3`（serverless + dedicated + fine-tuning，US-hosted zero retention option）；Together serverless/dedicated；OpenRouter `moonshotai/kimi-k3` 聚合 billing。统一定价 $3 input / $15 output / $0.30 cache read per MTok。AWS Bedrock、Azure Foundry、Google Vertex 尚未集成（Memeburn 7-28 引用 Bloomberg Intelligence）。对全栈：Vercel AI SDK / OpenAI-compatible client 改 model ID 即可 day-0 接入，无需等 hyperscaler。
来源： OpenRouter
Kimi K3 provider 矩阵：Modal / Baseten / DigitalOcean 同日上线
Developers Digest 7-27 snapshot（7-28 核验）：除 Fireworks/Together 外，Modal（73 tps）、Baseten、DigitalOcean Serverless、SiliconFlow、Cloudflare Workers AI、RunPod 等均 listing K3。OpenRouter 当前仅 1 upstream provider——consolidated key 方便但无 meaningful failover。Nebius eu-north1 FP4 部署 signal：同价 3–4× faster（Teortaxes 观察）。Frontend team 选 provider 时须 weigh latency SLA vs data residency vs cache hit rate（Moonshot upstream 91% cache share on OpenRouter）。
模型发布
Kimi K3 open-weights 定位：AA Index 57，WebDev Arena #1 但 hallucination 回归
devoriales / Artificial Analysis 7-28 汇总：K3 Intelligence Index 57，overall #4（次于 Fable 5、GPT-5.6 Sol variants），open-weights #1/#3 取决于榜单 cutoff。Arena.ai blind Code WebDev #1 relevant for frontend。但 hallucination rate API 测量 ~51% vs K2.6 ~39%——weights 落地前 hosted API eval 与 self-host eval 可能 diverge。Production 须跑自有 regression + 监控，不可仅信 marketing benchmark。
来源： devoriales
论文研究
Kimi K3 Stable LatentMoE + KDA：2.5× scaling efficiency over K2
arXiv 2607.24653 tech report 7-27：KDA 改善 long-context information flow；Attention Residuals 改善 depth-wise flow；Stable LatentMoE 有效激活 896 routed experts 中 16/token。Algorithm-system co-design 覆盖 expert-parallel training、million-token agentic RL with persistent rollout/sandbox states。Post-training RL 跨 general/agentic/coding + 多 reasoning-effort。Research/engineering 交界：paper infra section 对 planning self-host 的 FDE 团队是直接 sizing 输入。
来源： arXiv:2607.24653