条目 G: 公共部门 ML Pipeline 工程教训（含性能数据表）

• 类型：arxiv
• 标识：2511.01545
• 链接：https://arxiv.org/abs/2511.01545
• 主题：agent, engineering, evaluation, llm-infra, multimodal, rag, risk
• 来源文件：
• /inbox/jay/2026-06-13-afternoon-engineering-production-commands-debugging.md

可复用信息

• • Google 内部数据：75% 以上代码已由 AI 生成/起草（Pichai 2026 公开披露）
• • 关键 insight：HumanEval 等标准 benchmark 测的是"独立算法挑战"，与企业实际需求严重错位——企业 80%+ 工程工作是上下文相关的代码修改，非从零生成
• • GfG（Google for Google）必要性：处理私有库 + 满足毫秒延迟需求；公开数据集无法满足内部场景
• • 是否精读: 是（Google 内部 AI 工程化规模数据，业界最强参考基准）
• • 建议分类: ai-industry google code-generation enterprise-ai benchmark-mismatch

---

• • 来源: arXiv 2511.01545 · "From Pre-labeling to Production: Engineering Lessons from a Machine Learning Pipeline in the Public Sector"
• • URL: https://arxiv.org/html/2511.01545v1

写作用途

• 可放入 RAG / 知识库 / 检索增强相关工作的对比段。
• 可用于 Agent 架构、记忆、工具调用或多智能体研究背景。
• 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
• 可用于系统实现、实验平台或工程约束说明。
• 可用于局限性、风险、失效模式和未来工作。

待补齐

• BibTeX / 正式引用格式
• 方法与实验设置细节
• 与现有工作的差异点
• 是否有代码和数据集