跳到正文

全部动态

今日 12 条
今天10月2日周五
  1. AWS Machine Learning Blog88

    AWS 教程:用 Amazon Bedrock AgentCore Runtime Instances 构建多智能体音乐制作流水线

    AWS 介绍如何在 Amazon Bedrock AgentCore Runtime Instances 上部署由 Composition、Delivery 和 Compliance 三个智能体组成的音乐制作流水线。

    推荐理由:文章用完整的音乐制作示例拆解 Runtime Instances 的部署与编排,展示共享会话、GPU、持久化存储和独立发布如何协同工作。

  2. Hugging Face Blog77

    ServiceNow CoreAI 发布 AutoSynthData,用模型失败生成企业智能体训练数据

    ServiceNow CoreAI 介绍 AutoSynthData,通过目标模型的失败和更强教师模型的成功,生成、验证并迭代企业智能体训练任务。该流程在 EnterpriseOps Gym Hybrid 环境中生成 2,000 个合成样本,使 Gemma-4-26B-A4B-it 的平均 Pass@1 提升 7.2 个百分点,验证器成功率从 63.01% 升至 68.55%。

    推荐理由:文章给出了从模型失败中生成、验证并迭代训练任务的完整流程,并用 EnterpriseOps Gym 实验展示了合成数据对智能体训练的影响。

  3. NVIDIA Blog87

    GPT-6 Astra Ultrafast 借助 NVIDIA Blackwell GPUs 加速生成

    GPT-6 Astra Ultrafast 已通过 OpenAI API 以及符合条件的 ChatGPT Work 和 Codex 用户提供,运行在 NVIDIA Blackwell GPUs 上,token 生成速度最高可达 Astra Standard 模式的 8x。

    推荐理由:文章说明 GPT-6 Astra Ultrafast 如何借助 NVIDIA Blackwell GPUs 提升生成速度,并展示加速对编码智能体工作流的具体作用。

  4. AWS Machine Learning Blog81

    Amazon Quick 推出 Live Data in Apps,让 AI 构建的应用实时查询受治理数据

    Amazon Quick 推出 Live Data in Apps,使 AI 构建的 Quick Apps 能在用户每次打开应用时实时查询受治理的 Quick Sight 数据集,而不再依赖构建时快照。

    推荐理由:文章详细说明了 Live Data in Apps 如何把实时查询、用户级权限和自然语言建应用结合起来,并列出部署时的同意机制与查询限制。

  5. AWS Machine Learning Blog67

    AWS 介绍如何用 contextual bandits 优化个性化转化漏斗

    AWS 介绍 Amazon Payments 如何在 Amazon SageMaker AI 上部署多目标 contextual multi-armed bandit,为不同客户选择个性化内容并同时优化申请开始、提交和批准三个阶段。

    推荐理由:文章将多目标 LinUCB、延迟反馈和批处理架构串成可复用方案,并用线上 A/B 测试说明内容池质量会直接限制个性化收益。

  6. AWS Machine Learning Blog82

    AWS 教程:用 Amazon Bedrock AgentCore 构建由事件驱动并支持人工介入的智能体

    AWS 介绍了如何基于 Amazon Bedrock AgentCore 构建 ambient agents,让 Amazon S3 上传和定时事件生成任务,由 AgentCore Runtime 执行,并在需要澄清或审批时通过 ask_human 暂停。

    推荐理由:文章用完整参考实现串起事件触发、AgentCore 执行和人工介入,适合了解如何把智能体接入生产工作流。

  7. AWS Machine Learning Blog74

    Claude Platform on AWS 多环境访问配置指南

    AWS Machine Learning Blog 介绍如何为 Claude Platform on AWS 配置多环境访问,在生产工作负载、开发者笔记本和外部 CI/CD 环境之间共享订阅并隔离工作区。教程分别实现跨账户 SigV4、工作区范围 API key,以及基于 OIDC 的临时凭证和短期 token 访问,并给出 IAM 策略、CLI 命令与 Python 示例。

    推荐理由:文章把 Claude Platform on AWS 的三种访问路径拆成可执行步骤,便于按环境选择认证方式并落实工作区隔离。

10月1日周四
  1. Google DeepMind90

    Google DeepMind 发布 Gemini 4 Argon,强化长程推理与网络安全防御

    Google DeepMind 宣布 Gemini 4 Argon,这款新模型面向软件工程、法律和金融等企业知识工作,以及网络安全防御,正在通过 Fairwind Program 向可信网络防御者分阶段开放。

    推荐理由:文章同时给出 Gemini 4 Argon 的长程任务能力、评测结果、定价与分阶段开放安排,便于了解其面向企业和安全场景的落地边界。

  2. NVIDIA Blog19

    NVIDIA 开放 2027–2028 届研究生奖学金申请,最高奖励 $60,000

    NVIDIA Graduate Fellowship Program 面向全球博士生开放 2027–2028 学年申请,单名学生最高可获 $60,000,研究方向涵盖 AI、机器学习、自动驾驶、机器人等领域。申请者须至少完成第一年 Ph.D. 阶段学习,并在 2027 年夏季参加 NVIDIA 研究办公室的线下实习;申请截止日期为 2026 年 10 月 30 日。

  3. Microsoft Research69

    Microsoft Research 用机器学习预测电网空间天气风险

    Microsoft Research 开发了一套机器学习管线,为美国本土 66,935 座变电站生成空间天气风险估计,并可提前 30-60 分钟预警具体风险。系统结合太阳风信息、AE 和 Dst 预测、物理约束、当地地质导电率与电网数据,在 2020-2026 年评估期对重大事件的检测率为 76.5%,对严重事件为 81.2%。

    推荐理由:文章展示了如何把太阳风预测、地质条件与电网数据串成端到端管线,并用多项检测指标说明其提前预警能力。

9月30日周三
  1. Google DeepMind86

    Google DeepMind 发布 SynthID Bio,为AI生成蛋白质添加生物水印

    Google DeepMind 发布 SynthID Bio,可将不可见签名嵌入AI生成的蛋白质序列和预测的3D结构,并在合成后的物理蛋白质中验证。实验显示,经过水印处理的蛋白质结合剂在VEGF-A、SARS-CoV-2 spike protein RBD和PD-L1三种目标上保持了与未加水印设计相当的命中率、结合亲和力和自然序列多样性。

    推荐理由:SynthID Bio把水印嵌入蛋白质序列和预测结构,并在实验中保持生物功能,为AI生成生物设计的来源核验提供了具体路径。

  2. NVIDIA Blog81

    NVIDIA 与 CoreWeave 推出 Vera Rubin NVL72、Vera CPU 和 Forge,打通智能体生产闭环

    NVIDIA 与 CoreWeave 宣布在 CoreWeave Cloud 提供 NVIDIA Vera Rubin NVL72,并推出 CoreWeave Forge,用于训练、评估和改进模型与智能体。

    推荐理由:文章串联了 Vera Rubin NVL72、Vera CPU 与 Forge 的发布信息,并给出 Cognition 和 CoreWeave 的测试数据,便于了解智能体从训练到生产的基础设施变化。

  3. Hugging Face Blog75

    Hugging Face 发布开放 TTS Leaderboard,评估多语言语音合成与语音克隆

    Hugging Face 发布 Open TTS Leaderboard,面向开源和多语言 TTS 模型,通过 WER、CER、RTFx、TTFA 和说话人相似度等指标进行评估。截至 Sep 30, 2026,Hugging Face Hub 上已有超过 8K 个 TTS 模型;榜单还提供试听投票、多语言切换、语音克隆和 H200 GPU、CPU 流式性能比较,后续将开源评测脚本。

    推荐理由:Hugging Face 将客观指标与试听投票结合,覆盖多语言、语音克隆和流式性能,为开放 TTS 模型提供了更可扩展的比较框架。

  4. AWS Machine Learning Blog87

    GPT-6.1 Sol 在 Amazon Bedrock 正式上线

    GPT-6.1 Sol 已在 Amazon Bedrock 正式上线,面向智能体编码、计算机使用和专业工作负载提供更强推理能力。OpenAI 称,该模型在 DeepSWE v1.1 上达到 GPT-6 Astra 的表现,单任务成本约为其五分之一,并较 GPT-6 Sol 的最佳成绩高 6.4 个百分点。

    推荐理由:文章将 GPT-6.1 Sol 的任务成本、编码表现、工具约束处理和 Bedrock 生产控制放在同一工作流中说明,便于评估落地条件。

  5. Google Research60

    Google Research 提出 Diffusion Controller 统一并简化 AI 图像生成控制

    Google Research 提出 Diffusion Controller,将图像生成的去噪过程重新表述为连续控制问题,用轻量级控制网络调节生成轨迹。该框架支持灰盒和白盒场景,并通过 SFT、RWL 和 PPO 在 Stable Diffusion v1.4 上进行评估;其完全解锁版本相对基线模型取得了 90% 的胜率。

    推荐理由:Diffusion Controller 将推理时引导与微调统一为连续控制框架,并展示了灰盒和白盒场景下兼顾偏好匹配与图像质量的实现路径。

  6. AWS Machine Learning Blog61

    Amazon Quick 提示词工程基础:从 CRISPE 到 RFI 自动化

    AWS 介绍 Amazon Quick 的提示词工程基础,涵盖明确具体、补充上下文、示例引导和结构化输出等原则,并提出 CRISPE、RADAR、ARCHITECT 与 QUEST 框架。文章以 RFI 问卷处理为例,说明如何用 Quick Flow 从多标签 Excel 中提取并转换问题、保留元数据并输出 CSV;这是两部分系列的第一篇,第二篇将介绍各 Quick 组件的专用技巧。

    推荐理由:文章将 Amazon Quick 的提示词方法整理为可复用框架,并用 RFI 自动化案例说明结构化提示词如何支持企业流程。

  7. AWS Machine Learning Blog46

    Amazon Quick 各组件提示词工程的模式与陷阱

    Amazon Quick 的提示词工程需按组件调整:Quick Research 应明确研究目标、受众、时间范围和重点,并拆分子问题、筛选数据源;Quick Flows 则要写清时间、触发条件、数据源、输出与交付对象,复杂逻辑用编号步骤表达。通过对话迭代可在保留上下文的基础上修改流程。

  8. AWS Machine Learning Blog62

    AWS 用 Amazon Quick 和 Amazon Bedrock AgentCore 构建合同智能平台

    AWS 介绍了一套基于 Amazon Quick 和 Amazon Bedrock AgentCore 的合同智能平台,将 PDF 合同抽取为结构化数据并写入 Amazon Aurora PostgreSQL,再通过仪表盘和自然语言查询同时支持组合计和单份合同问答。

    推荐理由:文章通过合同场景说明聚合查询为何需要结构化抽取与数据库,并给出双模型校验和确定性服务协同的架构方法。

9月29日周二
  1. AWS Machine Learning Blog64

    Condé Nast 如何用 Amazon Bedrock 构建多模态视频发现系统

    Condé Nast 与 AWS Generative AI Innovation Center 基于 Amazon Bedrock、Amazon OpenSearch Service 和 TwelveLabs Marengo,构建了跨视频画面、音频和字幕的意图检索系统。

    推荐理由:文章以 Condé Nast 的生产案例说明多模态视频检索如何通过解耦架构和异步处理兼顾大规模回填与低延迟搜索。

  2. Hugging Face Blog85

    NVIDIA Kumo Tabular 发布,面向表格预测实现无需训练的上下文学习

    NVIDIA 发布开源表格基础模型 Kumo Tabular,可在单次前向过程中根据带标签行预测新行,支持分类和回归,无需训练、调参或特征工程。模型提供 28M 至 215M 参数的三个规模,基于人工表格数据预训练,并通过 Hugging Face 和开源库发布,采用 OpenMDW-1.1 许可。

    推荐理由:Kumo Tabular 将表格预测转为无需训练和特征工程的上下文学习,并公开代码、权重与四项基准结果,便于评估其效率与适用范围。

  3. Microsoft Research84

    Microsoft Research 推出 Quine 生物学 AI 研究系统

    Microsoft Research 推出 Quine,这是一个面向生物学复杂性的多模态世界模型与交互式研究系统,可连接科学工具、文献、湿实验和研究人员。在与 Broad Institute 合作的胰腺癌研究中,Quine 对数千种化合物进行预测和排序,最高排名化合物在多个湿实验中产生了最大的预期细胞状态变化,筛选到候选验证仅用一个周末完成。

    推荐理由:Quine把生物学世界模型与科学工具、文献和实验连接起来,并以胰腺癌细胞状态研究展示了从预测到湿实验验证的工作流程。

  4. Hugging Face Blog66

    ProvenanceGuard 论文提出面向 MCP 智能体的来源感知事实核验

    ProvenanceGuard 面向使用 MCP 多工具的 LLM 智能体,逐条检查回答中的事实是否由回答所指向的正确来源支持,而不是只判断事实是否存在于汇总证据中。

    推荐理由:论文展示了在 MCP 多源场景中保留来源身份的验证方法,并用医疗智能体数据说明它如何减少错引来源,同时暴露相似来源区分的难点。

  5. AWS Machine Learning Blog82

    Grok 4.7 现已在 Amazon Bedrock 上线

    xAI 的 Grok 4.7 已在 Amazon Bedrock 模型目录上线,支持编码、长时智能体和知识工作,提供 500K token 上下文窗口与 low、medium、high、xhigh 四档推理强度。

    推荐理由:文章把 Grok 4.7 在 Amazon Bedrock 上的接入方式、推理开销和权限配置串联起来,便于开发者评估长任务部署方案。