Lovable 推出 Drafts 功能,支持并行探索应用改动
Lovable 推出 Drafts 功能,用户可并行创建应用的不同版本,在不影响线上应用的情况下独立编辑、预览和比较方案。每个 Draft 都是包含设计和数据库的完整副本,可按需包含后端,并提供示例数据供测试。只有接受 Draft 后再发布,改动才会进入线上项目;测试数据在接受或删除 Draft 时清除,也可在发布前通过 History 回滚。
Lovable 推出 Drafts 功能,用户可并行创建应用的不同版本,在不影响线上应用的情况下独立编辑、预览和比较方案。每个 Draft 都是包含设计和数据库的完整副本,可按需包含后端,并提供示例数据供测试。只有接受 Draft 后再发布,改动才会进入线上项目;测试数据在接受或删除 Draft 时清除,也可在发布前通过 History 回滚。
卡兹克解析了 AI 生成纯 HTML 3D 游戏压至几百K的原理:Three.js 构成基础框架,其余内容主要依靠程序化生成。一个 1.4M 游戏 demo 中约 700KB 为打包的 Three.js,贴图与音效均由代码现场合成,不含图片、模型或录音文件,并通过 WebGL/WebGPU 实时渲染。
Datasette Agent 0.6a0 累积多项小修复,继续完善用于查询数据的 Datasette 智能体插件。新版本将智能体提示词直接添加到 Datasette 首页,并支持通过 hash-mentions 引用表格和查询。
美团发布面向智能体的 1.6 万亿参数 LongCat-2.5,并按 MIT 许可证开放模型权重。该模型全程使用中国 AI 芯片训练,采用 MoE 架构,每个 token 激活约 48B 参数,支持文本、图像和视频输入、1M token 上下文及最长 128,000 token 输出。
推荐理由:美团同时披露了 LongCat-2.5 的开放权重、中文芯片训练路径与多项智能体基准成绩,便于读者评估其自部署成本和能力位置。
datasette-llm 0.1a11 新增 OpenAI 兼容端点支持,可配置使用任意兼容该协议的 LLM。借助 datasette-agent,可通过 uvx 将 Datasette 连接到 LM Studio、Ollama 或刚发布 v1.0.0 的 llama.cpp 运行的本地模型。
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。
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。
美国联邦航空管理局(FAA)将用于辅助空管调度的 SMART AI 系统扩展至全国全部 22 个空管中心。该系统结合天气模式、飞行路径、交通流量和人员配置数据,提供航班调度、路线及到达顺序建议,最终由华盛顿特区的人工团队验证后再发送给各地空管设施。
AWS 教程介绍如何在 Amazon SageMaker JumpStart 部署 OpenFold3-preview,并通过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。
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。
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。
AWS 介绍了 AssemblyAI 使用 Amazon ECS、Amazon EC2 Spot Instances 和 Amazon SQS 优化大规模语音转文字推理成本的架构。
推荐理由:AssemblyAI 的案例完整展示了通过多类型 GPU 实例、SQS 重试和区域隔离控制推理成本并保障服务可用性的方法。
Anthropic 介绍了构建常驻智能体所需的五个核心架构原语,包括事件收件箱、定时器、记忆、权限和发件箱。文章进一步说明事件进入、任务运行、记忆更新、消息交付及再次唤醒的完整循环,并给出事件去重、单活跃 worker、持久化记忆、延迟工具调用和消息频率评测等实践建议。
Amazon Bedrock 可在无需工具专用埋点的情况下,将 Claude Code、OpenAI Codex 等工具的推理调用按 IAM 主体归因到具体用户。
Hugging Face 教程演示如何使用 SimReady Central 的 UR17G 机械臂、Robotiq 2F-140 夹爪和饮料罐资产,在 Isaac Sim 6.2 中构建抓取放置仿真。
Amazon SageMaker HyperPod Data Capture 可在三个独立层级记录生产推理输入和输出,并将数据写入 Amazon S3。文章以家电支持路由器为例,演示通过 Amazon Athena 发现新产品分类盲点、使用 SQL 策略生成标注数据,以及利用 HyperPod training operator 完成 LoRA 微调和并行部署。
推荐理由:文章以完整案例串联生产数据捕获、Athena 分析、SQL 标注、LoRA 微调和并行部署,提供了可复用的模型改进闭环。
Sierra 发布 Personal Agent Protocol(Poppy)v1.0,允许个人智能体通过企业智能体、网站和 API 与企业服务交互。协议基于 MCP、OpenAPI 和 UCP,并通过 OAuth 管理用户授权;Shopify 已为平台所有商家启用 Poppy,设计合作伙伴总数超过 100。
推荐理由:Poppy v1.0 明确了个人智能体连接企业服务的协议机制,并提供分阶段接入、扩展机制、验证工具和实际业务案例。
Anthropic 发布 Claude for Manufacturing 插件,让 Claude 通过四类通用接口连接 Autodesk Fusion、Oracle NetSuite、Microsoft 365 和 Infor,自动化工厂工作流。
Hugging Face CEO Clément Delangue 与 ggerganov 宣布 llama.cpp v1.0.0 发布,这是该本地 AI 模型运行库的首个稳定大版本。作者称用户可在手机、笔记本和工作站上本地运行模型,数据无需发送给他人,并承诺支持不同硬件、平台和模型类型。
llama.cpp 项目发布 llama.cpp v1.0.0 和 ggml v1.0.0 库版本,并为主要破坏性变更启用明确的 MAJOR 版本升级规则。新版本覆盖 Linux、macOS、Windows、Android 和 iOS 等分发渠道。llama.cpp 目前支持 150 多种架构变体及主流推测解码方法,ggml 则通过可动态加载的后端适配多种硬件。
推荐理由:项目明确了公开 API 与 ABI 的主版本升级边界,为下游依赖和多平台集成的兼容性管理提供了清晰依据。
Proximie 借助 NVIDIA Cosmos 3 优化手术室调度,已用于 700 多间手术室,使病例处理量增加 8%、周转速度提升 45%、准时开台率提升 26%。ConcertAI 通过 Cara AI 和 TriaLinQ 将临床试验匹配速度提高约 3 倍,并支持最高提升 50% 的试验入组率,同时由临床医生审核 AI 输出并作出治疗决定。
美国联邦航空管理局(FAA)将用于辅助空管调度的 SMART 系统扩展至全国全部 22 个空管中心。FAA 称,该系统耗资 $875 million,自 9 月 21 日在华盛顿特区空域部署以来已帮助改道 180 个航班,平均每班节省 10 分钟和近 80 gallons 燃油。
GitHub Blog 介绍了构建可跨智能体复用技能的方法,涵盖任务定义、技能编排、项目配置、权限边界和人工审批。实践以 Proof Agent 与 Data Forge 为例,将技能分别打包为 Claude Code、Cursor 和 GitHub Copilot 所需格式,并通过 CI 检查验证各客户端的安装与执行设置。
推荐理由:文章用 Proof Agent 和 Data Forge 展示如何拆分、配置及校验可跨智能体复用的技能,提供了可迁移的工程实践。
Amazon 宣布 SGLang-Neuron 已公开可用,可通过 AWS Deep Learning Container 在 AWS Trainium 上部署模型并生成 RL rollouts。
推荐理由:文章提供容器启动、模型服务和请求验证的完整路径,并说明插件架构与多硬件支持,便于评估迁移和配置成本。
Natera 介绍如何基于 Amazon Bedrock AgentCore 构建实验室运维智能体系统 SWARM,用自动化诊断承接 Jira 工单,并保留工程师实时交互排障流程。
推荐理由:文章拆解了 SWARM 的知识库、双运行时、技能库与持续评测架构,并给出安全、集成和文档处理细节,可迁移到同类运维智能体建设。
Nebius 在第三季度财报电话会上宣布计划在2027年投入400亿美元,远高于华尔街预期,并主要依赖客户预付款和合同支持的贷款融资。公司称预付款与资产支持融资最多可覆盖2027年400亿至450亿美元资本支出的85%,但其最大客户 Microsoft 在新泽西的容量交付已延至2027年第二季度。
Amazon Bedrock 的缓存时长、服务层级、推理强度和 maxTokens 会影响推理成本,但具体影响取决于模型与工作负载。文章通过测试展示各类设置的计费差异、模型支持情况和适用场景,并建议结合响应元数据、CloudWatch 日志、调用记录与账单数据逐项验证。
推荐理由:文章通过对照测试说明缓存时长、服务层级、推理强度和输出上限如何影响 Bedrock 成本,并给出逐项验证与应用校准方法。
AWS 介绍了一套无需编写应用代码的 Amazon Bedrock 成本治理方案,通过 IAM principal 归因、CUR 2.0 报告和 AWS Budgets 实现身份级费用可见与支出上限。
Amazon Bedrock AgentCore runtime 发布新一代更新,会话启动速度最高提升 15x,计算能力扩展至 4x,资源运行效率最高提升 68%,同时保持 Firecracker MicroVM 硬件隔离。新版本支持最高 8 vCPUs、32 GB 内存和 10 GB 容器镜像,会话可在 2 秒内启动,并可动态挂载和保存数据以延伸信任边界。
推荐理由:围绕隔离、启动速度与用量计费展开的更新,并给出客户实测数据,便于评估智能体规模化运行的基础设施取舍。
AWS 展示了如何使用 Amazon Bedrock Application Inference Profiles 与 AWS Fargate 上的 LiteLLM 构建自助式 LLM 网关。
Amazon Bedrock 成本优化框架以“每次任务成本”衡量 AI 智能体支出,并用人工基线和五维评分卡验证 ROI。框架归纳 tokenizer 效率、输出冗长度、智能体循环效率与推理开销四类隐性成本,通过缓存、路由和输出约束降本。示例中,标价高 2x 的 Model B 单任务成本 $0.00145,比 Model A 的 $0.0042 低 65%。
Google DeepMind 开始向多类渠道开放推送 Gemini。
Tomasz Tunguz 分析 Jensen Huang 辞任 Nvidia CEO 后对 AI 经济的五点影响。文中认为,财务约束可能放缓 AI 基础设施建设,Nvidia 对开源 AI 企业的投资与收购将留下更大缺口,监管与定制芯片竞争也可能受到推动。原文还披露,Colette Kress 被任命为临时 CEO,Harvey C. Jones 出任董事会主席。
推荐理由:文章把 Nvidia 的投资、担保与开源支持拆成五项影响,便于理解管理层变动如何传导至 AI 建设节奏和供应商格局。
World Labs 宣布世界模型 Atlas 面向所有用户开放,并提供应用和 API 端点。用户可用 Atlas 生成关键帧、视频片段或 3D Gaussian splats,李飞飞转发并期待用户借此构建内容。
Epoch AI 通过卫星影像和公开资料估算,华为林格尔数据中心当前约有 81,000 个 H100 等效算力,仅为 Colossus 2 的约 7%。研究利用冷却设备推算 4 栋高密度建筑合计约 286 MW 的 IT 电力容量,并结合 Ascend 910C、910B 部署量估算园区算力。按现有建设进度,其算力到 2028 年初可增长逾 70%,但仍难缩小与 Colossus 2 的差距。
AWS 在 Agent Toolkit for AWS 的 amazon-bedrock skill 中加入知识库迁移指南,用编码智能体规划并迁移至 Amazon Bedrock Managed Knowledge Base。
推荐理由:指南把迁移拆分为发现、规划、审批、实施和验证环节,并给出权限控制与回滚检查方法。
黄仁勋被 Nvidia 董事会罢免,可能削弱他在开放权重模型、智能体安全和数据中心融资等领域的行业号召力。文章分析其推动开放权重模型、组织百余家科技公司参与 Open Agent Safety Platform,以及借助 Nvidia 为 AI PC 和数据中心融资扩张时积累的影响力。
AWS 提出 Agent DLC,通过一个生命周期、内外两个循环和明确的 gold standard,评估 AI 智能体的每次变更并决定是否发布。该框架覆盖 Define、Build、Evaluate、Release、Observe 和 Feed Back 六个环节,以及五个质量维度和三级验收标准。
推荐理由:文章把智能体生产化拆为评估、诊断、改进与发布环节,并以指标对照说明单一总分无法暴露信息覆盖和责任约束问题。
AWS 演示如何使用 A2A 在两个独立账户中连接基于 LangChain 和 Strands Agents 构建的智能体。示例通过 Agent Card 发现技能,以双向 OAuth 认证实现跨边界协作,并由 3 个 Jupyter notebook 完成部署和端到端测试。
推荐理由:教程完整拆解了跨框架、跨账户多智能体架构,并提供代码、部署步骤与信任边界测试。
Hugging Face 提供 TRELLIS.2 3D生成模型的 LoRA 微调脚本与容器,可通过 Hugging Face Jobs 或本地 Docker 运行。
推荐理由:教程完整拆解了 TRELLIS.2 的 LoRA 微调流程,并提供可在 Hugging Face Jobs 或本地 Docker 运行的脚本与容器。