OpenAI 演示如何用 GPT-6.2 Sol 的 Ultrafast 加速迭代
OpenAI 演示 @dkundel 如何在 ChatGPT Pro 200 中使用 GPT-6.2 Sol 的 Ultrafast 快速迭代。内容还展示他如何判断额外速度在何种情况下值得使用,面向 GPT-6.2 Astra 或 Sol 的构建场景。
OpenAI 演示 @dkundel 如何在 ChatGPT Pro 200 中使用 GPT-6.2 Sol 的 Ultrafast 快速迭代。内容还展示他如何判断额外速度在何种情况下值得使用,面向 GPT-6.2 Astra 或 Sol 的构建场景。
Google 给出 Gemini Enterprise 连接内部 Cloud Run MCP 服务器的安全方案。架构结合 Egress Agent Gateway、PSC、限定 FQDN 的 Private Cloud DNS,并以 Cloud Run IAM、OAuth 2.0 分别验证服务和用户。
Google 讲解 Gemini Enterprise 自定义 UI 如何处理用户、连接器与 ADK 智能体认证。用户应用可经 Google Identity 或 Workforce Identity Federation 接入,后端机器人可经 Workload Identity Federation 无密钥认证。
AWS 介绍如何使用 Kimi Code CLI v2.7.0 的原生 bedrock provider,通过标准 AWS 凭证链连接并调用 Amazon Bedrock 上的模型,无需单独管理 Amazon Bedrock API key。示例以 Kimi K3.1 Pro Highspeed 为模型,涵盖命名配置文件与 SSO、IAM 权限、Region 设置、模型能力声明和完整链路测试。
BMW Group 介绍了其研发部门治理数百个智能体的方法,该部门有超过 12,500 名开发者,维护约 500 million 行车辆软件代码。治理规则通过 MCP 网关、中央注册表和编排边界外置,并按工作流步骤设置三级自治权限,由 CI/CD 以确定性检查阻止不合规部署。其架构将 MCP 工具、技能和流程分为三层,并通过持续验证、评估、可观测性和基础设施即代码支持复用与规模化运营。
NVIDIA 展示了开发者如何结合 GPT-6 Astra、GPT-6 Sol、Claude Code 等模型或工具与 Omniverse 库,通过自然语言指导和人工复核构建仿真应用。案例覆盖工业数字孪生、机器人抓取与装配、VR、仓库和自动驾驶测试,并强调让智能体检查渲染与日志,再由开发者直接验证物理行为和交互体验。
Accenture 给出一套在 Amazon Bedrock 上优化 AI token 成本的分阶段方法,先建立团队、工作负载和智能体级成本归因,再依次应用六类优化杠杆。
Skyflow 与 Amazon Bedrock AgentCore Gateway 通过请求和响应拦截器,阻止敏感数据进入 AI 智能体调用的工具及工具返回的模型上下文。
Google 介绍了 MaxText 中 Streaming DiLoCo 的跨数据中心 LLM 训练机制,通过分片并错峰同步模型参数,减少 DCN 或 WAN 上的通信停顿。
OpenAI 介绍了 Performance Factory 如何帮助 ChatGPT 保持高速运行。该系统由一组 Codex 驱动的工作流组成,用于发现并修复性能问题。
OpenAI 构建 Performance Factory,让 Codex 在加快 ChatGPT 开发之外,也帮助 ChatGPT 持续保持运行速度。该系统协调 AI 智能体调查性能回退、提出修复方案供工程师审核,并检查修复在生产环境中是否有效。
Google 介绍如何用 Tunix 在单台 Cloud TPU v6e-8 主机上对 Gemma 4 E2B 进行多轮工具调用强化学习训练。该模型在 Plane Strike 留出棋盘上的初始胜率为 9.4%,经过 100 步 agentic GRPO 后达到 95%,平均游戏长度从 22.44 次攻击降至约 16 次。
Muru Bhaskaran 等人演示如何在 Amazon EKS 上构建自定义 AL2023 镜像,并配置 NVIDIA Run:ai GPU Fractioning 实现 Pod 级 GPU 显存共享。
Exa 通过优化 AWS Inferentia2 和 Trainium2 上的嵌入推理,将吞吐量提高约 1.5×,用于支撑数十亿文档索引。优化包括权重布局、autocast、NKI 内核、融合 SwiGLU MLP,以及按模型形状重写注意力内核,并以 0.999 余弦相似度作为正确性门槛。最终版本相较初始基线,在性能及每嵌入 100 万份文档的成本方面改善 47%。
Sam Altman 转发 Fotis Chantzis 对 Codex 沙箱的介绍,称 Codex 可使用用户已有工具,且访问范围由用户决定。原文进一步讲解实现这一能力的沙箱如何构建:openai.com/index/inside-the-c…
AWS 展示如何将八个负责任 AI 维度映射到 Amazon Aurora PostgreSQL,并以 RAG 客服聊天机器人深入讲解可解释性设计。方案使用 Aurora ML 和 pgvector 生成、存储嵌入向量,通过 Row-Level Security 隔离租户,并用 Amazon Bedrock Guardrails 检查隐私与上下文依据。
Social Department 与 AWS 等合作构建文化感知的视频发现系统 QuickSearch,将营销人员难以表述的判断转化为 Shareable Scenes、Quotable Quotes、Memeable Moments 和 Trend Align 四类单操作检索。
AWS 给出一种架构模式,让 Amazon Bedrock AgentCore Gateway 通过中心辐射型网络访问私有 REST API 和 MCP 服务器,并使跨 VPC 的请求与响应经过中央防火墙。
AWS Quick DC 用户组聚会展示了企业如何以可信、受治理的数据为基础,将静态报表转向 AI 分析与智能体工作流。AWS Quick 整合自然语言交互、多步任务编排及 Salesforce、Slack 等第三方连接器。全体参与者在 50 分钟内发布自定义应用,另有 6 人构建了事件触发的 AWS Quick Flows。
作者在配备 32 GB 统一内存的 MacBook M5 上,用 Transformers 从 SSD 流式加载 180B 参数 Qwen3.8-Flash-Next 的 MoE 专家,使短解码达到 13.9 tok/s,与 Strata 的 14.8 tok/s 相差约 6%。
推荐理由:该实验给出低内存设备运行大型 MoE 的可迁移路径,细化了专家流式读取、有界缓存与 Metal 内核各自解决的瓶颈。
AWS 介绍一种生成式 AI 工作流降本方法,将可验证规则交给确定性代码,固定选项交给受限决策调用,开放式任务交给满足要求的适配规模 Amazon Bedrock 模型。
AWS 讲解如何通过 Amazon Bedrock AgentCore Gateway,为 Snowflake Cortex AI 的 MCP 调用配置三种 OAuth 模式。
AWS 给出使用 Amazon Bedrock AgentCore 和开源 SMART 工具包构建 WhatsApp AI 智能体的实现路径。
推荐理由:文章把 WhatsApp 接入拆为消息标准化、媒体处理、跨会话记忆、调度与模板管理,提供从本地测试到 Terraform 部署的可迁移路径。
AI.Engineer 将 AI Engineer Code Summit 的 50 场演讲整理成文字内容,包括图文文章、完整文字稿和观看链接。读者可按主题查找想尝试的想法:ai.engineer/code/2026#talks
OpenAI 给出面向智能体 AI 平台与应用团队的负责任 AI 路线图,按治理基础、试点部署、评估与加固三个阶段推进。框架提供可定制的 12-week 实施时间线,并配套 Responsible AI Assessment Skill 与记分卡,用 1–5 分评估当前成熟度并给出改进建议。
LoanPro 联合 AWS 生成式 AI 创新中心和 AllCloud,基于 Amazon Bedrock AgentCore 构建并上线多智能体贷款服务助手。
Hugging Face 发布一份 3D 模型端到端微调指南,为相关模型的完整微调流程提供操作参考,并附上 Hugging Face 博客链接。
Simon Willison 介绍了一种外部沙箱模式,让编码智能体在 Mac 上运行,同时在 WebAssembly、QEMU 或 Apple Container 沙箱中执行代码。他提供了 Claude Code、Codex 和 Pi 的演示:blog.primeradiant.com/externa…
OpenAI 展示如何通过 OpenAI Bedrock Managed Knowledge Base 的 Agentic Retrieve 构建具备短期和长期记忆的多用户 AI 智能体。
AWS 将多智能体协调模式分为预定义控制流的 Tier 1 和由模型运行时选路的 Tier 2,并比较不同模式的确定性与构建成本。文章列出全能智能体、无限迭代、自然语言契约、过早采用多智能体和无保护客户接触五类反模式,建议优先从 Tier 1 起步,仅在任务需要动态发现子任务时采用 Tier 2。
Duco 介绍其如何基于 OpenAI Bedrock 和 OpenAI Bedrock AgentCore 重建金融数据自动化的智能体技术栈。该架构为每个租户配置独立运行时和 Gateway,并按需加载 MCP 技能,将主上下文从 200,000 tokens 降至约 20,000 tokens,减少 90%。
Google 开源 AI-Hypercomputer/tpu-codesign 指南,给出面向 TPU 训练与推理的模型设计和性能优化规则。核心建议包括将归约与输出维度对齐到 256、用 LatentMoE 压缩 MoE 路由流量,并把并行轴映射到 D2D、ICI 和 DCN 等物理链路。
MoEngage 基于 Amazon Bedrock 和 Amazon Bedrock AgentCore 构建 Merlin AI,让营销与产品团队通过一次对话起草、分析和调整跨渠道活动。
Google 通过实操指南讲解如何在 Gemini Platform 上配置 Agent Anomaly Detection,并用一组正常会话和一组越界会话验证异常检测。
推荐理由:通过正常与越界会话的对照演练,展示如何用现有遥测定位智能体工具滥用,并将检测结果接入现有告警流程。
Novo Nordisk 与 AWS 基于 Amazon Bedrock AgentCore 构建制药制造流程智能助手,将部分专家工作从数小时或数天缩短至几分钟。
Google 讲解了如何按 AI 智能体会话而非 Web 请求为 GKE 节点池规划容量,并介绍 Agent Substrate 和 AX 如何在会话等待时停放沙箱、释放计算资源。
推荐理由:文章用100个编码智能体的成本模型说明,应按实际占用 worker 的会话配置节点池,并以最繁忙时段的提示频率校准容量。
OpenAI 演示如何使用 OpenAI Bedrock Managed Knowledge Base 的 retrieval instructions,为共享知识库中的不同租户设置语气、答案格式、检索指导和回答策略。检索指令不构成授权或数据隔离边界,因此需配合服务端元数据过滤或独立知识库,并通过固定版本和 Planning trace 实现分租户发布与追踪。
AWS 给出 Amazon Bedrock Guardrails 中 Denied Topics 的八项编写实践,重点是按用户意图和具体动作界定主题。文章建议采用动作型名称与定义、最多五个边界示例和上下文锚点,合并重叠主题,并将通用安全类别、固定词、敏感信息和提示词攻击分别交给对应策略。Denied Topics 的结果并非完全确定,关键输入应重复测试,并在主题增删、改名或重排后重新评估。
OpenAI Bedrock 为开放权重模型新增显式提示词缓存,可通过 Chat Completions API 标记可复用前缀,并从响应中读取缓存使用情况。隐式缓存自动复用匹配前缀,显式缓存使用 prompt_cache_options 和 prompt_cache_breakpoint 控制缓存边界;示例还演示了 OpenCode 1.18.35 编码智能体会话中的缓存验证与最佳实践。
Anthropic 建议 Claude Opus 5.5 用户停止使用“think hard”和“think carefully”等旧提示词,并从默认的 Medium effort 开始,根据任务需要再切换到 High。公司称,Opus 5.5 在 Medium 上的表现可匹配 Opus 5 的 High;连接文件和系统、直接提供图表、描述最终结果并直接索要成品,更适合该模型。