跳到正文
AI 资讯
11月18日周三
  1. AWS Machine Learning Blog52

    AWS re:Invent 2026 AWS Quick 完整参会指南

    AWS 发布 AWS re:Invent 2026 的 AWS Quick 参会指南,集中介绍 11 月 30 日至 12 月 4 日举行的主题演讲、客户案例、动手实验和工作坊。内容涵盖企业治理、规模化部署、知识图谱、记忆、安全以及多智能体工作流,线下参会者也可通过直播观看 50 多场活动。

  2. Microsoft Research34

    AI 能帮助构建更健康的未来吗?——Microsoft Research 播客探讨

    Microsoft Research 在《The Shape of Things to Come》播客中邀请医学、生物学与机器学习专家,讨论 AI 如何推动更健康的未来。话题涵盖 AI 辅助诊断、医学影像、全患者模型、虚拟细胞、生物基础模型及药物发现,并指出研究转化至患者仍需更好的生物数据与真实世界验证。

  3. AWS Machine Learning Blog71

    ArisGlobal 如何在 Amazon Bedrock 上扩展生成式 AI 推理

    ArisGlobal 通过调整 Amazon Bedrock 提示词缓存顺序,将共享提示词前缀放在缓存检查点之前,实现跨请求、案例和租户复用。生产环境中,65% 的输入 token 来自缓存,端到端延迟最高降低 25%,有效输入成本降低约 50%,每月超过 19B tokens 的推理支出节省约 40%。

    推荐理由:案例拆解了提示词缓存顺序的调整逻辑与生产指标,并给出可复用的多租户配置实践。

11月17日周二
  1. AWS Machine Learning Blog70

    如何使用 Agentic Retrieve 在 Amazon Bedrock Managed Knowledge Base 中构建记忆感知智能体

    Amazon Bedrock Managed Knowledge Base 可通过 Agentic Retrieve 接入 AgentCore memory,自动恢复会话、检索长期记忆并保存对话轮次。教程以多用户员工助手为例,介绍 Cognito 身份映射、ACL 文档过滤、记忆命名空间、IAM 隔离和 trace 验证方法。

    推荐理由:教程完整演示了多用户知识助手的记忆接入、权限隔离与请求配置,可用于梳理智能体记忆系统的落地方法。

  2. AWS Machine Learning Blog71

    AWS 多智能体设计模式与制造业架构选型指南

    AWS 提出多智能体系统应先采用确定性的 Tier 1 编排模式,仅在任务需要动态发现子任务时使用 Tier 2 自主模式。文章比较顺序管线、条件路由、并行工作流、计划编排、交接和辩论等模式,并给出架构选择决策树与五类反模式。制造业部署还需处理 p99 延迟、物理安全、边缘数据、班次周期记忆以及人工审批等约束。

    推荐理由:文章以制造业为背景,系统梳理多智能体编排模式、反模式与选型方法,并讨论延迟、安全、边缘计算和班次交接等落地约束。

  3. NVIDIA Blog45

    NVIDIA 如何借助全球供应链伙伴创造未来

    NVIDIA 运营负责人 Deb Shoquist 讲述其团队如何凭借 TSMC、Amphenol、Coherent、Lumentum 等长期合作伙伴,将设计转化为规模化 AI 产品。Amphenol 为含 1,500 根线缆的大型组件建造了 100 多条自动化产线,缺陷率要求低于 1 DPPM。NVIDIA 还投资新伙伴,并围绕 CPO 创建全新供应链,以支撑快速量产。

  4. AWS Machine Learning Blog55

    Novo Nordisk 用 Amazon Bedrock AgentCore 构建制造流程文档智能助手

    Novo Nordisk 与 AWS 构建并部署了基于 Amazon Bedrock AgentCore 的制造流程智能助手,通过 GraphRAG、混合搜索和先澄清后检索回答复杂流程问题。系统管理约四百万份文档,仅对已接入领域索引全文,并返回基于已批准文档及版本的引用答案。主体专家原本需要数小时或数天完成的任务被缩短至数分钟,同时会在材料缺失或存在歧义时明确提示复核。

  5. AWS Machine Learning Blog71

    Amazon Bedrock 为开放权重模型新增显式提示词缓存

    Amazon Bedrock 的开放权重模型现支持显式提示词缓存,可通过缓存断点精确标记需复用的提示词前缀。开发者可使用 Chat Completions API 配置隐式或显式模式,并从响应中的缓存读写字段观察使用量;文章还演示了 OpenCode 编码智能体会话中的隐式缓存应用。

    推荐理由:文章对比了隐式与显式缓存的控制方式,并提供 Python 和 OpenCode 示例,便于开发者评估缓存命中与成本节省。

  6. AWS Machine Learning Blog65

    Amazon Bedrock Managed Knowledge Base 用检索指令定制各租户答案

    Amazon Bedrock Managed Knowledge Base 支持通过检索指令为每个租户定制回答风格、格式、检索策略和答案策略。指令包含 persona、answerFormat、retrievalGuidance、answerPolicy 四个字段,可版本化并在请求中固定,Planning 跟踪事件会记录实际应用的指令版本。

    推荐理由:教程给出了多租户检索指令的创建、版本发布、隔离与审计方法,可迁移到共享知识库的分租户问答场景。

  7. AWS Machine Learning Blog68

    使用 Amazon Bedrock Managed Knowledge Base 的表格搜索解答表格问题

    Amazon Bedrock Managed Knowledge Base 支持通过智能体检索回答 CSV、XLSX 和 XLS 表格中的问题。文章演示了创建知识库与数据源、调用 AgenticRetrieveStream、读取代码执行轨迹及引用结果,并说明表格搜索的适用边界与文件大小限制。

    推荐理由:文章通过财务数据示例演示表格搜索如何结合表格计算与文档事实,并提供知识库创建、调用和追踪流程。

  8. NVIDIA Blog65

    NVIDIA Vera Rubin 在 MLPerf 训练与端点评测中取得领先性能

    NVIDIA Vera Rubin 平台首次亮相 MLPerf 评测,并在训练、后训练和智能体推理基准中取得领先性能。平台通过了 MLPerf Training v6.1 的全部项目,Vera Rubin NVL72 单 GPU 性能最高达到 GB300 NVL72 的 2 倍,扩展至 1,024 块 GPU 时效率约 97%,训练时间由 16 分钟缩短至约 4 分钟。

    推荐理由:原文汇总了 Vera Rubin 在训练、扩展效率与智能体推理上的基准表现,便于横向比较其性能和能效。

11月16日周一
11月14日周六
  1. AWS Machine Learning Blog73

    在 Amazon Bedrock 上使用 NVIDIA NeMo Switchyard 为编码智能体路由模型

    AWS 演示如何使用 LiteLLM 与 NVIDIA NeMo Switchyard 在 Amazon Bedrock 上为编码智能体请求选择合适模型。教程涵盖 Stage 与 Random 路由策略、AWS CDK 部署、网关测试,以及按通过测试的任务成本对比路由组和单模型基线。

    推荐理由:教程给出模型路由配置、AWS 部署和任务成本评测流程,并以通过测试的任务成本比较路由与单模型基线。

  2. AWS Machine Learning Blog47

    GS Caltex 如何用 Amazon SageMaker Canvas 和 Amazon SageMaker Pipelines 实现生产级 MLOps(第一部分)

    GS Caltex 将 SageMaker Canvas 中无代码构建并验证的模型接入 SageMaker Pipelines,复用预处理流程与已验证模型部署到生产工作流。ML 工程师可在几小时内完成模型部署,而此前约需一周;系统每 30 分钟运行一次批量推理,减少持续运行端点的需求并降低推理成本。

  3. AWS Machine Learning Blog72

    Amazon Bedrock AgentCore Runtime V2 快速会话启动的架构模式

    AWS 介绍 Amazon Bedrock AgentCore Runtime V2 的快速会话启动架构,通过环境快照与恢复替代逐会话初始化。文中说明 V2 的构建和调用流程、CloudWatch 延迟指标拆分、build hook 配置,以及预热会话、实现约 2 秒启动和亚秒级响应的方法。

    推荐理由:文章提供了会话启动的分段测量方法、四种优化模式及代码示例,可直接迁移到智能体运行时性能优化。

  4. Google Research78

    Google 开放 Antigravity /teamwork 与 /boost 多智能体工具

    Google 开放 Antigravity 的 /teamwork、/boost 等智能体工具,并与 Gemini 4 Argon、Gemini 4 Carbon 和 Gemini 4 Hydrogen 配合用于研究、形式化验证、编码和系统优化。

    推荐理由:文章同时给出多智能体工作流的设计机制、研究案例与性能数据,便于评估其对研究和工程流程的实际影响。