跳到正文
10月31日周六
  1. AWS Machine Learning Blog57

    Amazon Bedrock 端到端成本管理手册:面向 FinOps 与平台团队的五阶段操作框架

    AWS 官方博客发布 Amazon Bedrock 端到端成本管理手册,提出归属、可观测、执行、优化、运营五阶段闭环。核心做法是用 IAM 主体标签和 CUR 2.0 把每笔推理成本归属到具体身份,通过共享网关按用户 assume role 解决共享角色归属丢失问题,并按监控告警、IAM 拒绝策略、网关同步拦截三档执行预算。

  2. AWS Machine Learning Blog60

    使用 Amazon Bedrock AgentCore runtime 的 Session endpoints 实时预览编程智能体构建的网页应用

    AWS 官方博客介绍了 Amazon Bedrock AgentCore runtime 的 Session endpoints:为每个智能体会话生成带鉴权的 URL,将 HTTP 与 WebSocket 请求转发到会话内允许的端口,使编程智能体编辑的网页在浏览器中无需刷新即可更新。

    推荐理由:原文逐步演示了如何用 Session endpoints 在浏览器中实时预览智能体构建的网页,读者可把这套带鉴权的端口转发机制迁移到自己的智能体调试流程。

  3. AWS Machine Learning Blog28

    如何在 AWS GovCloud (US) 中通过 Amazon Bedrock 配置 ChatGPT 桌面应用

    ChatGPT 桌面应用现已可在 AWS GovCloud (US) 中通过 Amazon Bedrock 使用,提供 Work 与 Codex 两种组件接入 OpenAI 前沿模型。模型推理经 us-gov-west-1 的 Amazon Bedrock Mantle 端点路由,可由 IAM 和现有网络控制治理,数据留在所选区域。按 token 计费、无席位许可,并支持零数据留存(ZDR)。

10月30日周五
10月29日周四
10月28日周三
  1. AWS Machine Learning Blog40

    Exowatt 借助 SageMaker 无服务器模型定制在准确率上超越前沿模型

    Exowatt 使用 Amazon SageMaker AI 无服务器模型定制构建可复用 AI 流水线,为边缘与云端两个部署目标产出任务专用微调模型,准确率超越前沿模型且成本最多降低 49×。该流水线基于 Qwen3-1.7B 微调用于边缘告警分诊,并基于 Qwen3-14B 微调用于云端能源市场分析。Exowatt 现在可在数天而非数月内完成从原始运行数据到微调模型的全流程。

10月27日周二
10月24日周六
  1. AWS Machine Learning Blog47

    Amazon SageMaker AI 上的多轮强化学习:实战指南

    Amazon SageMaker AI 的多轮强化学习(MTRL)以整个任务序列的最终成败为奖励信号,用 GRPO 更新 LoRA 适配器来训练智能体。在 Wordle 示例中,MTRL 将 GPT-OSS-20B 在预留词上的解题率从 61% 提升到 84%(低推理强度下从 15% 升至 69%),训练 token 成本约 $339。

10月23日周五
  1. AWS Machine Learning Blog74

    使用 Amazon SageMaker training session APIs 编写自定义训练循环,无需管理 GPU

    Amazon SageMaker AI 的 serverless 模型定制推出 training session APIs,把 forward_backward()、optim_step()、sample() 等 GPU 操作封装为 API 调用,模型常驻托管 GPU,服务负责分布式执行、梯度同步、容错与检查点,训练循环由用户在本地 Python 进程中编写。

    推荐理由:原文把新 API 与 SageMaker 现有模型定制方案逐项对比,并给出可迁移的 GRPO 训练循环写法,读者可套用自己的奖励函数。

  2. AWS Machine Learning Blog60

    Amazon SageMaker AI 宣布推出训练会话,无需管理 GPU 即可定制模型

    AWS 宣布 Amazon SageMaker AI 无服务器模型定制的训练会话正式可用,用户自己编写并协调后训练循环(含自定义损失函数和奖励信号),由 SageMaker AI 负责 GPU 分配、分布式执行、故障恢复与检查点存储。

    同一新闻,精选展示《使用 Amazon SageMaker training session APIs 编写自定义训练循环,无需管理 GPU》

  3. AWS Machine Learning Blog35

    Rescale 如何用 Strands Agents 和 AI-DLC 构建 AI 分诊智能体

    Rescale 用 AWS 的 AI-DLC 框架构建 AI 测试分诊智能体,5 天内完成从问题定义到预发布部署,数周内进入生产。该智能体运行在 Amazon EKS 的 Argo Workflows 流水线中,调用 Amazon Bedrock 上的 Claude Opus 4.8,将夜间 Playwright 测试失败分类为基础设施问题、代码缺陷、不稳定测试或环境问题。

10月22日周四
  1. NVIDIA Blog33

    企业如何利用 NVIDIA DSX 打破电力瓶颈

    全球企业正采用 NVIDIA DSX AI 工厂平台,将电网与 AI 工厂作为统一系统规划和运行,以打破电力瓶颈。该平台通过 DSX Sim、DSX Flex 等组件实现联合仿真与需求同步,优化跨系统能耗。GE Vernova、Hitachi Energy 等合作伙伴正推进相关电力与散热方案,Phaidra 借此在同一电力包络内提升约 10% 算力。

  2. NVIDIA Blog61

    NVIDIA Cosmos 开放训练、评估和部署世界模型的新工具

    NVIDIA 扩展 Cosmos 平台,新增训练工具、仿真检查点和 Cosmos Data Factory 蓝图,帮助物理 AI 开发者构建、评估和部署世界模型。

    推荐理由:原文把数据、训练到部署各环节的工具与落地案例写得较具体,读者可据此评估其中哪些方法能迁移到自己的世界模型开发流程。

  3. AWS Machine Learning Blog72

    Deep Insight 如何解决多智能体系统的五大生产挑战

    AWS Solutions Architecture 团队构建并开源了生产级多智能体系统 Deep Insight,用户上传 CSV 并输入自然语言后,由八个分工智能体协作完成数据分析、图表生成、计算校验,最终输出带引用的 DOCX 报告。

    推荐理由:原文给出多智能体系统从架构到生产部署的完整设计,读者可把分层编排和按角色选模型的思路迁移到自己的系统。

  4. Hugging Face Blog44

    专精 SLM 词表如何在真实应用中削减 77% 推理成本

    Hugging Face 预览 VocabX 论文成果:围绕 token 成本而非频率专精词表,可在不改变基座模型的情况下将真实应用中的推理成本削减 77%。在基于 Qwen3-4B 的葡萄牙语作文自动批改系统中,该方法将输出层词表从约 152,000 行缩减至约 65,000 行,有效降低了内存带宽受限的解码开销。