跳到正文
AI 资讯
11月12日周四
  1. AWS Machine Learning Blog38

    AWS re:Invent 2026 AI/ML 参会指南

    AWS 为 re:Invent 2026 AI/ML 参会者梳理 140 多场课程及选择路径,涵盖 AI 芯片、模型训练与推理、AI 智能体开发与管理。11月30日至12月4日的活动包含 breakouts、workshops、code talks 等类型,无法到场者可按需观看许多课程并直播观看主题演讲。

  2. AWS Machine Learning Blog72

    AWS 介绍生成式 AI 可复用资产目录及部署方法

    AWS 介绍其生成式 AI Innovation Center 发布的23项开源可复用资产,并讲解如何选取、部署和验证 Contact Center GenAI Agent。这些资产覆盖 RAG、文档处理和智能体脚手架等能力,完整部署流程可在1小时内完成,并可节省约4–6周开发时间。

    推荐理由:文章提供23项开源资产的选型、部署与清理步骤,并结合客户案例说明可复用组件如何缩短交付周期。

11月11日周三
  1. Google DeepMind60

    Google DeepMind 发布 AlphaGenome 2 DNA 序列模型

    Google DeepMind 发布 AlphaGenome 2,用于预测 DNA 序列及其变异对特定人类细胞类型的影响。模型基于超过 1.07 亿个细胞谱和 68 种组织训练,在 TenK10K 数据集上识别的因果变异比例为 30%,高于原始模型的 16%,并可预测未见过的细胞状态。AlphaGenome 2 已通过 AlphaGenome API 面向非商业研究开放,商业研究处于私有预览阶段。

    推荐理由:AlphaGenome 2 将 DNA 变异预测细化到具体细胞类型,并提供跨模态补全能力,读者可据此评估其对单细胞遗传研究的应用价值。

  2. NVIDIA Blog39

    NVIDIA 展示 AI 与机器人如何帮助回收商将混合废弃物转化为可再用材料

    NVIDIA 展示 AI 与机器人如何帮助回收商从旧衣物、塑料瓶和混合回收物中识别并分拣可利用材料,延长产品与材料的使用周期。AIRECO 试点线识别准确率超过 95%,计划将年处理量从 18,000 吨增至 48,000 吨并降低 85% 运营成本;Greyparrot Analyzer 则将检查 15 吨废弃物的时间由 375 小时缩至 6 小时。

  3. AWS Machine Learning Blog72

    使用 LangGraph 和 Amazon Bedrock AgentCore Web Search 构建每日依赖监测

    AWS 教程演示如何使用 LangGraph 和 Amazon Bedrock AgentCore Web Search 构建每日依赖监测,并部署到 AgentCore runtime 或通过 AgentCore Gateway 提供服务。

    推荐理由:教程展示了如何把固定搜索规则、来源校验与去重机制放在代码中,并部署为每日运行的依赖监测智能体。

  4. AWS Machine Learning Blog64

    Amazon Bedrock AgentCore 智能体评估实践指南

    Amazon Bedrock AgentCore 提供内置评估器,并支持直接使用 DeepEval、AutoEval 与自定义评估器来检验智能体表现。指南建议先定义业务成功标准,再拆解为可观察行为,并映射到 trace 级或 session 级评估器。AgentCore 支持按需、在线和批量评估三种模式,还可用多维评估器分别衡量相互独立的标准。

    推荐理由:文章给出了从业务结果映射评估器、选择指标到配置运行模式的完整流程,便于搭建可落地的智能体评估方案。

  5. AWS Machine Learning Blog70

    Amazon Bedrock tokenomics 数据湖架构与部署指南

    AWS 介绍了一套用于集中观测 Amazon Bedrock 模型调用的数据湖方案,并通过 AWS CloudFormation、Lambda、Data Firehose、S3 和 Athena 完成部署。

    推荐理由:文章提供集中化数据湖架构、部署步骤和查询样例,可用于搭建跨账号的调用观测与成本归因流程。

  6. AWS Machine Learning Blog68

    TCS 如何用 Amazon Bedrock AgentCore 构建智能体测试编排器

    TCS 基于 Amazon Bedrock AgentCore 构建了智能体测试编排器,将业务需求转换为可执行、可治理的 API 与 UI 测试。平台利用专用智能体、上下文检索和 LangGraph 工作流完成测试生成、执行、纠错与报告,并通过租户级身份、数据和密钥隔离支持金融服务场景。

    推荐理由:文章拆解了TCS多租户测试编排器的架构、智能体分工与安全边界,并提供可量化的效率对比。

  7. NVIDIA Blog67

    NVIDIA 提交 OpenShell 并扩展 DSX AI Factory Platform

    NVIDIA 将 OpenShell 贡献给 CNCF,并推出 NVIDIA DSX AI Factory Platform 的三个新组件。OpenShell 用于确定性地控制和治理自主智能体,Agent Substrate 则面向 Kubernetes 上长时间运行的智能体工作负载,NVIDIA 将确保其兼容 NVIDIA Dynamo 与 KAI Scheduler。

    推荐理由:OpenShell 的社区治理与 DSX 新组件共同覆盖智能体安全、集群管理和推理扩缩容,为 AI 基础设施整合提供了具体路径。

11月10日周二
  1. Hugging Face Blog70

    Hugging Face 决策模型接口与生态实践

    Hugging Face 介绍决策模型如何以状态、问题和预定义答案为输入,直接返回结构化决策及概率,而不生成响应文本。其基础接口包含 Choice、Score 和 Noul 三种决策原语,并提供置信度计算方式。

    推荐理由:文章系统梳理决策模型的接口与概率计算方式,并展示其在 Transformers、llama.cpp 和 Hub 中的接入方式。

  2. AWS Machine Learning Blog57

    CrossnoKaye 如何用 Amazon Bedrock AgentCore 构建工业物理 AI

    CrossnoKaye 介绍其如何利用 Amazon Bedrock AgentCore,让 AURA 在统一工厂模型内查询运行状态、执行隔离 Python 计算并生成可追溯的技术 Brief。ATLAS 与 AURA 将设备拓扑、控制逻辑、传感器和优化状态放在同一平台边界内,并通过只读沙箱、人工审批和边缘确定性控制约束工业安全。

  3. AWS Machine Learning Blog76

    AWS Pluggable Agentic AI Framework 七层企业智能体参考架构解析

    AWS 介绍了一套由七层组成的 Pluggable Agentic AI Framework,用于将多智能体应用从原型推进到生产规模。架构覆盖数据与知识、模型与推理、编排、安全护栏、应用、可观测性和智能体运维,并以零售客服场景演示主管智能体委派订单与退款专员智能体的实现流程。文中还提供 Workshop Studio 体验和公开示例仓库,但明确指出该实现不能替代生产环境所需的安全加固、测试与审查。

    推荐理由:这套架构把安全、治理、成本、可观测性和持续评测纳入分层设计,并提供零售客服案例,可作为企业智能体生产化的落地参考。

11月9日周一
  1. Hugging Face Blog70

    HOPE 论文提出面向 MoE 语言模型的二阶专家剪枝方法

    HOPE 论文提出一种面向 MoE 语言模型的二阶专家剪枝方法,通过 F 矩阵保留专家之间的协作关系。实验覆盖 Qwen3.5-122B、Qwen3.5-35B 和 GLM-4.5-Air,在 50% 剪枝率下取得 1.58 的平均排名,并在 Qwen3.5-35B-A3B 的 SWE-Bench Pro 上达到 42.3。团队还开源了包含校准、求解二次规划和剪枝三步流程的代码包。

    推荐理由:HOPE 把专家两两协作纳入剪枝目标,并通过多模型基准与三步使用流程说明其在高剪枝率下的取舍。

11月7日周六
  1. AWS Machine Learning Blog64

    Amazon SageMaker Inference 推出 NVIDIA MIG GPU 分区支持

    Amazon SageMaker Inference 新增 NVIDIA MIG GPU 分区支持,可在托管推理端点中将单块 GPU 划分为多个硬件隔离分区,每个分区分配独立计算资源和显存。

    推荐理由:文章给出实例族、API 配置和基准结果,读者可评估 GPU 分区对模型部署密度、隔离与推理成本的适配方式。

  2. AWS Machine Learning Blog74

    AWS 教程:将 Claude Code 扩展为 Amazon Bedrock AgentCore 远程智能体

    AWS 教程演示如何将 Claude Code 接入 Amazon Bedrock AgentCore,以远程会话运行编码任务并返回 GitHub pull request。每个任务在 AWS 账户内的独立 microVM 中执行,并通过短期 GitHub 凭据、私有网络、Guardrails 和最小权限 IAM 控制访问,智能体只创建草稿 pull request,最终由人工审核并合并。

    推荐理由:示例完整展示了远程编码智能体的部署、安全隔离和提交流程,并明确其适用边界与人工审核要求。

  3. AWS Machine Learning Blog61

    Taxbit Assist 如何在 Amazon Bedrock AgentCore 上构建可引用、权限感知的 AI 智能体

    AWS 介绍了 Taxbit Assist 如何在 Amazon Bedrock AgentCore 上构建面向数字资产税务场景的 AI 智能体,并说明其检索、安全、权限控制与质量评测方法。

    推荐理由:文章拆解了受监管场景中构建可引用、权限感知智能体的检索、安全与持续评测方案,便于迁移到生产级 RAG 应用。

  4. AWS Machine Learning Blog72

    Greenlight Financial 如何基于 Amazon Bedrock AgentCore 构建自主安全运营中心

    Greenlight Financial 基于 Amazon Bedrock AgentCore 构建了自主安全运营中心 Luna,采用分级监督架构协调 30 多个专用智能体,并通过 AgentCore runtime 和 memory 承载智能体及记忆层。

    推荐理由:Greenlight Financial 基于 Amazon Bedrock AgentCore 构建分层多智能体安全运营方案,公开了架构、记忆机制与生产指标。

  5. AWS Machine Learning Blog61

    使用 Okta Cross App Access 和 Amazon Bedrock AgentCore 治理 AI 智能体访问(第一部分)

    本文通过分步实践,演示如何使用 Okta Cross App Access 决定 AI 智能体可代表哪些用户访问哪些应用,并由 Amazon Bedrock AgentCore Identity 执行授权和短期凭证管理。

    推荐理由:文章给出完整的委托链配置、权限校验与性能测试,可作为跨应用 AI 智能体访问治理的实践参考。

  6. AWS Machine Learning Blog68

    AWS 讲解如何用 Amazon ECS Fargate 构建无服务器 MCP 服务器

    AWS 介绍其基于 Amazon ECS Fargate 构建的无服务器 MCP 服务器,为 AI 智能体提供统一访问企业数据湖的标准化网关。系统以元数据目录驱动数据集接入,通过 Amazon Bedrock 生成并校验 SQL,调用 Athena、Redshift 和 Knowledge Bases 完成查询与文档检索。

    推荐理由:文章完整拆解了基于元数据驱动、标准化 MCP 端点和分层权限控制的实现,可为多智能体访问企业数据湖提供可迁移架构。

  7. NVIDIA Blog40

    NVIDIA开源工具如何助力研究人员构建下一代6G网络

    NVIDIA开源工具正帮助研究人员构建下一代6G网络,将仿真、AI训练与真实无线系统实验连接起来。过去一年,NVIDIA AI Aerial与NVIDIA Sionna的全球开发者采用量增长10x,开源5G/6G工具下载量超过1 million。机器人实验将任务完成时间最多缩短52.6%,部分5G网络仿真由约3小时缩至10-20分钟。

11月6日周五
  1. NVIDIA Blog60

    NVIDIA Vera CPU提升AI智能体吞吐量与执行速度

    NVIDIA发布Vera CPU,兼顾AI智能体执行速度与每瓦容量。在100-megawatt数据中心对比中,Vera每瓦可支持1.6x更多智能体,相比最高能效的x86 CPU实现2x智能体速度。Perplexity、DeepInfra、ClickHouse、Daytona和Modal等合作方已开展生产环境测试,其中Daytona以Vera在10.8秒内上线1,000个智能体沙箱。

    推荐理由:通过与x86 CPU对比及合作伙伴实测,呈现Vera在智能体吞吐量、能耗效率和并发能力上的表现。

  2. Microsoft Research62

    PDD Kit 用 Verus 形式化验证智能体编写的 Rust 全栈应用

    Microsoft Research 推出研究原型 PDD Kit,将用户意图转为 Verus 形式化规范,验证编码智能体生成的 Rust 代码,并在证明无法覆盖处回退到测试。

    推荐理由:给出了从意图澄清、Verus 证明、信任边界测试到 CI 接入的完整流程,可用于评估形式化验证如何约束编码智能体生成代码。

  3. NVIDIA Blog60

    NVIDIA 通过全栈协同设计缓解 AI 推理显存压力

    NVIDIA 通过联合设计 GPU、CPU、网络、存储和软件,缓解大模型及智能体推理中的 HBM 内存压力。方案包括以 NVFP4 压缩模型权重和 KV cache、通过 Dynamo 与 CMX 分层复用上下文,以及让 cuVS 在 CPU 和存储中承载 RAG 索引。

    推荐理由:文章梳理了从模型权重、KV cache 到 RAG 索引的分层内存方案,并提供不同平台的吞吐量与成本对比。