跳到正文

全部动态

今日 1 条
11月1日周日
  1. Latent Space38

    Arca 如何用 AI 智能体做长周期财富管理:智能体提示人,而非人提示智能体

    AI 原生财富管理公司 Arca 让智能体承担最长可达十天的长周期任务,但交易和资金流动仍由人类顾问最终决策。Arca 以 Claude 为主要模型,自建 harness 按内部基准自动选模型,并用内部记忆系统追踪每位客户的进展与责任人。其安全限制完全确定性,智能体仅负责分析与提出方案,另设沙箱与格式校验防范提示词注入。

10月31日周六
  1. AWS Machine Learning Blog36

    如何端到端管理 Amazon Bedrock 成本:面向 FinOps 与平台团队的实操手册

    AWS 提出用五步闭环管理 Amazon Bedrock 生成式 AI 成本:归因、可观测、预算强制、平台默认优化与定期复盘。Amazon Bedrock 可将推理成本自动归因到发起调用的 IAM 主体,调用方 ARN 写入 CUR 2.0 的 line_item_iam_principal 列,覆盖 IAM 用户、角色、联合身份与 API key。

10月30日周五
  1. AWS Machine Learning Blog55

    用 Kiro 构建可重复的 PHP 到 Java 迁移引擎

    AWS 博客介绍如何用 AI IDE Kiro 把 PHP 到 Java 迁移做成可重复流程,核心是一套共享技能文件、一个发现扫描器和八阶段工作流。扫描器 discover-models.php 以单文件、无依赖方式读取源码 token,输出包含字段、类型转换和关系的 JSON 清单,并把歧义项放入人工复核队列。

  2. AWS Machine Learning Blog40

    MoEngage 如何用 AgentCore Gateway 将 400 多个 API 变成智能体工具

    MoEngage 借助 Amazon Bedrock AgentCore Gateway,把约 400 个 VPC 私有 REST API 转成权限受控的智能体工具,节省约六个月平台工程投入,新 API 接入从数天缩短到数小时。该方案放弃为 25 个团队各建 MCP server 的做法,由 AI 平台团队统一维护 MCP 层,团队只需提供 OpenAPI spec,全程无公网端点。

10月29日周四
10月28日周三
  1. AWS Machine Learning Blog34

    Exowatt 用 SageMaker 无服务器模型定制,精度超越前沿模型且成本低至 1/49

    Exowatt 基于 Amazon SageMaker AI 无服务器模型定制,用 Qwen3-1.7B 和 Qwen3-14B 分别构建边缘告警分诊与云端能源市场分析模型,精度超过前沿模型,成本最高降低 49 倍。该流程通过 LoRA 与 SFT 微调,配合 SageMaker 无服务器评估和 Model Registry,将原始运营数据到可部署模型的周期从数月缩短到数天。

  2. AWS Machine Learning Blog40

    Property Finder 如何修正评估偏差,在 Amazon Bedrock 上选出更优模型

    Property Finder 发现其评估标签中 96.8% 直接来自现有视觉语言模型的预测而非人工核验,导致任何替代模型在对比中天然处于劣势。团队重新人工标注 356 张 UAE 图像,将单标签改为多标签分类,并通过 v0 到 v27 的提示词优化循环在 Amazon Bedrock 上选型,最终实现准确率提升且成本降低 86%。

10月27日周二
  1. AWS Machine Learning Blog51

    Amazon Bedrock 上 OpenAI 模型的提示词缓存模式:为 AI 智能体降低重复上下文成本

    AWS 博客介绍在 Amazon Bedrock 上调用 OpenAI 模型时,如何用隐式与显式提示词缓存减少智能体每轮重复发送的工具、指令和历史。可缓存前缀需至少 1,024 tokens,缓存 TTL 至少 30 分钟,缓存写入按正常输入价格的 1.25 倍计费。在六轮测试中,GPT-6 Astra 的隐式缓存使输入成本降低约 62%,显式滚动断点降低约 61%。

10月24日周六
  1. AWS Machine Learning Blog58

    AWS 发布 SageMaker AI 多轮强化学习实操指南

    AWS 发布在 Amazon SageMaker AI 上做多轮强化学习(MTRL)的实操指南,训练任务通过 AgentCore 托管的智能体执行多轮动作,按整局结果给奖励。示例中 gpt-oss-20b 在留出词上的解谜率从 61% 提升到 84%,训练 token 花费约 339 美元。文章还给出奖励设计的两处反转错误和训练中遇到的失败,并建议在服务时的设置下做评测。

10月23日周五
  1. MIT Technology Review · AI22

    EXL 谈如何设计可持续演进的 AI 服务框架

    EXL 提出企业 AI 的竞争优势正从选模型转向围绕模型构建的服务框架(serving harness),即架构、内存管理、调度与推理优化的工程系统。其主张先按业务负载确定约束再定架构,并以 KV cache 随并发与上下文增长导致 GPU 显存不足为例,强调先测量再优化。框架还应便于吸收新模型与硬件变化,使换模型成为评估与配置决策而非架构重建。

10月22日周四
  1. Hugging Face Blog60

    Dharma-AI 提出 VocabX:专门化 SLM 词表可将推理成本降低 77%

    Dharma-AI 团队提出 VocabX 方法,在不更换基座模型、数据和训练配方的前提下,围绕每个 token 的推理成本而非出现频率重建词表,在基于 Qwen3-4B 的葡萄牙语作文评分器上将实测推理成本降低 77.0%。

    推荐理由:作者团队公开 VocabX 的词表专门化方法,读者可了解按生成成本而非词频选择 token 的思路与实测数据。

10月21日周三