跳到正文
11月18日周三
  1. AWS Machine Learning Blog55

    AWS FDE 已覆盖 15 国,推动 AI 从演示进入企业生产环境

    AWS Forward Deployed Engineering(FDE)现已面向 15 个国家的商业及公共部门客户开放,并配备数十种内置的生产就绪型加速器。每个 45-day sprint 采用固定价格并通过客户的 AWS 账户计费,团队直接在客户环境中构建系统。FDE 将生产化难题分为基础、工作流和治理三层,目标是让客户团队能够持续运行和扩展交付成果。

  2. Google Developers Blog77

    Google 开源 ABFS,加速超大型 Git 仓库检出与构建

    Google 开源 Another Build File Service(ABFS),通过按需加载源码和共享构建缓存,加速超大型 Git 仓库的检出与构建。在同一云网络的 GCE n2d-standard-64 VM 上,Android 源码检出从约 36 分钟降至 8 秒以内,完整构建从约 80 分钟降至略高于 2 分钟。

    推荐理由:ABFS 将按需加载、内容寻址文件系统与两阶段构建缓存结合,为超大型 Git 仓库提供可迁移的提速方案。

11月17日周二
  1. NVIDIA Blog75

    NVIDIA 推出四节点 DGX Spark HPC Developer Kit,可本地部署最多 700B 参数模型

    NVIDIA 在 SC26 推出并开售 DGX Spark HPC Developer Kit,面向研究人员提供桌面四节点集群,用于运行多节点科学计算、AI 模型和智能体。

    推荐理由:四节点桌面集群把多节点科学计算和大模型开发移到本地,可减少共享 GPU 集群排队,并让团队先在本地调试再扩展到数据中心。

  2. AWS Machine Learning Blog63

    AWS 梳理多智能体设计模式、反模式与制造业实践经验

    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。

  3. Hugging Face Blog82

    Hugging Face 将 Inference Providers 的语言模型路由切换至 OpenRouter

    Hugging Face 将 Inference Providers 的语言模型请求切换至 OpenRouter,由后者按实时价格、速度和可靠性选择供应商,并在失败时自动重试。

    推荐理由:文中同时披露路由实测与开放权重模型的用量、成本对比,可用于评估统一多供应商推理入口的工程收益和取舍。

  4. Google Developers Blog77

    如何按 AI 智能体会话为 GKE 节点池规划容量

    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。

  5. NVIDIA Blog47

    CUDA 20周年:平台如何改变科学计算

    NVIDIA在SC26纪念CUDA问世20周年,回顾该平台如何将GPU加速从图形应用扩展到科学计算与AI。如今,超过1100万名开发者使用CUDA,生态包含1,000+个NVIDIA CUDA-X库。CUDA曾用于以两块NVIDIA GPU训练AlexNet,也为AlphaFold 2提供GPU执行支持。

  6. AWS Machine Learning Blog76

    如何用 Amazon Bedrock Managed Knowledge Base 表格搜索回答跨文件问题

    Amazon Bedrock Managed Knowledge Base 现已支持表格搜索,可通过智能体检索读取 CSV、XLSX 和 XLS 文件的完整表格,并结合相关文档回答多步分析问题。

    推荐理由:文章拆解了表格搜索先检索定位文件、再在隔离沙箱中读取整表计算的机制,并提供文件选择与审计追踪方法。

  7. AWS Machine Learning Blog71

    如何在 OpenAI Bedrock Managed Knowledge Base 中按租户定制回答

    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。

  8. AWS Machine Learning Blog69

    Amazon Bedrock Guardrails 编写 Denied Topics 的八项最佳实践

    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。

11月16日周一
  1. AWS Machine Learning Blog72

    OpenAI Bedrock 为开放权重模型引入显式提示词缓存

    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。

11月14日周六
  1. AWS Machine Learning Blog71

    如何在 Amazon Bedrock 上用 NVIDIA NeMo Switchyard 将编码智能体请求路由到合适模型

    AWS 介绍了如何在 Amazon Bedrock 上部署 LiteLLM 与 NVIDIA NeMo Switchyard,为编码智能体请求配置 Stage 或 Random 模型路由。

    推荐理由:文章把编码智能体的路由评估从单次 token 价格转向每个成功任务成本,并提供可部署的 Stage、Random 配置与基线对比方法。

  2. AWS Machine Learning Blog63

    OpenFold3 在 Amazon SageMaker JumpStart 上部署并预测生物分子结构

    AWS 介绍如何在 Amazon SageMaker JumpStart 上部署 OpenFold3-preview(OpenFold3 0.4.1),并通过 SageMaker 异步推理预测蛋白质、DNA、RNA、小分子配体及其复合物的 3D 结构。

    推荐理由:文章给出 OpenFold3 在 Amazon SageMaker JumpStart 上部署异步推理端点的流程,并展示预计算 MSA 对复合物预测置信度和结合构象的影响。

  3. AWS Machine Learning Blog63

    Amazon Bedrock 如何为 AI 开发与生产力工具实现成本归因与使用控制

    AWS 介绍了如何利用 Amazon Bedrock 的 IAM principal 归因机制,为经由 bedrock-runtime 或 bedrock-mantle 调用的 AI 开发与生产力工具实现按用户成本追踪。

    推荐理由:文章把按用户、团队和成本中心追踪 Bedrock 支出的配置步骤与控制方案串联起来,便于搭建可查询、可分层治理的成本管理流程。

11月12日周四
  1. Google AI85

    Google 发布 Gemini Decision 1 模型与 Decisions API,支持多模态决策评估

    Google 发布 Gemini Decision 1 模型与 Gemini Decisions API,支持在一次请求中对文本、图片、音频、视频和 PDF 进行最多 1,000 个 yes/no、choice 或 rubric-scoring 问题评估。

    推荐理由:原文给出单次处理多模态输入和 1,000 个问题的接口设计,并列出延迟、价格与置信度输出,便于评估其在路由和审核流程中的适用性。

11月11日周三
  1. Google Developers Blog77

    Google 发布 A2UI 1.0 稳定版,支持跨平台智能体界面渲染

    Google 发布 A2UI 1.0,这是其生成式 UI 开放协议的首个稳定版本,可让 AI 智能体返回表单、图表等交互界面。协议支持双向函数调用、无障碍和扩展元数据,开发者可使用面向 Web、Android 和 iOS 的开源渲染器,以及 Python、TypeScript 和 Dart SDK。

    推荐理由:A2UI 1.0 将智能体生成界面与应用原生渲染分开,并补充双向函数调用和多平台 SDK,适合了解跨端生成式 UI 的实现路径。

11月10日周二
11月9日周一
  1. Google Developers Blog81

    Google AI Studio 支持从提示词构建 Google Maps Platform 应用

    Google AI Studio 现可通过提示词构建由 Google Maps Platform 驱动的应用,并自动处理配置和 API key 管理。平台提供 Maps、Places、Routes 和 Environment 等空间工具,可用于创建地图、地点搜索、路线规划和环境监测应用。

    推荐理由:文章说明 Google AI Studio 已可直接配置 Google Maps Platform 并管理 API key,还列出 sandbox 配额与生产环境升级路径。

  2. Google Developers Blog70

    Google Cloud 正式开放 Pathways 单控制器训练系统

    Google 宣布 Pathways 在 Google Cloud Platform 上正式开放,这是其用于训练包括 Gemini 在内大型模型的分布式系统。Pathways 通过单一 Python 客户端描述计算图,运行时负责虚拟设备映射、张量移动与重分片、调度和故障主机重映射。

    推荐理由:文章解释了 Pathways 如何用单一客户端和分布式运行时协调跨设备训练,并对比其与 SPMD、Ray 在执行层的差异。

  3. Google Developers Blog66

    Google 宣布 MaxText v0.2.4 支持基于上下文并行的长上下文 TPU 训练

    Google 宣布开源 JAX 训练框架 MaxText 支持在 Cloud TPU 上进行长上下文训练,提供 All-gather、A2A、P2P 和 USP 四种 Context Parallelism 策略。

    推荐理由:文章系统比较了 All-gather、Ulysses、Ring Attention 和 USP 的内存、通信与扩展取舍,并给出不同上下文长度下选择 MaxText 策略的实践依据。

11月5日周四
  1. Mistral AI74

    Mistral Studio 扩展企业 AI 平台,新增托管智能体与工作流能力

    Mistral 扩展企业 AI 平台 Mistral Studio,新增托管智能体和应用,以及工作流、企业上下文、智能体可观测性与评测能力。平台可在 cloud、VPC、on-premises 或组合环境部署,并通过连接器和 MCP servers 接入企业数据与系统。Mistral Large 4 (Le Chonk)提供编码、网络安全和文档推理能力,作为 Studio 中可使用的模型。

    推荐理由:文章集中说明 Mistral Studio 如何把托管智能体、工作流和应用接入企业数据,并通过多环境部署、可观测性与评测支持从试点走向生产。

11月4日周三
  1. Google DeepMind69

    Google Antigravity 上线 Cheminformatics Skills,支持药物发现工作流

    Google Antigravity 上线 Cheminformatics Skills,可检索并整理数千种化合物,执行 matched molecular pair analysis 和药效预测,提出新型刚性化大环分子及合成路线。该套技能基于 RDKit,并连接 ChEMBL 和 PubChem;相关设计仍需经过合成与实验验证,技能现已开放使用。

    推荐理由:文章展示了 Cheminformatics Skills 如何串联文献检索、分子分析、建模与合成路线设计,并交代了模型预测仍需实验验证。

11月3日周二
  1. Google Developers Blog75

    Google 解析用低成本分类器在 Gemini 模型与 thinking level 之间路由任务

    Google 通过 50 个自动评分的编码智能体任务,比较 Jev 分类器、启发式规则与 Gemini 不同配置的任务路由效果。Jev 在 34 个未见任务上与人工难度标注 34/34 一致,Jev 路由方案让简单任务使用 Flash-Lite、复杂任务升级到低 thinking 的 Flash,50 题全部答对,并可降低相较于全程低 thinking 的成本和响应时间。

    推荐理由:文章用 50 个编码智能体任务比较启发式路由、Jev 与不同 Gemini 配置,给出按任务难度设置 thinking level 和维护上下文缓存的实践依据。