GPT-6 系列模型选型指南
OpenAI 发布 GPT-6 系列模型指南,面向初创公司讲解如何选择 GPT-6 模型、调节推理强度、优化提示词与技能、协调工具调用,并为生产环境准备工作流。
OpenAI 发布 GPT-6 系列模型指南,面向初创公司讲解如何选择 GPT-6 模型、调节推理强度、优化提示词与技能、协调工具调用,并为生产环境准备工作流。
亚马逊在 Amazon SageMaker AI 上推出多轮强化学习(MTRL)能力,用于微调搜索智能体,并以 Qwen3.6-27B 为例完成训练。MTRL 将智能体任务建模为多轮决策序列,通过多轮 rollout 生成数据并用策略梯度优化,支持 PPO、CISPO、IS 损失与 GRPO 等优势估计器。
Amazon Bedrock AgentCore Gateway 可将 Claude Desktop 接入 Web Search,让模型突破训练知识截止限制,查询由 Amazon 网页索引支持的实时信息。
AWS 提出 Adjudicated Query 设计模式,让业务用户在 Amazon Quick 聊天界面提问合规问题,实际判定交由确定性规则引擎完成,模型只负责把自然语言翻译成固定类型操作并复述结果。该模式通过完整性回执保证"已扫描=合规+违规+模糊+不可读",避免 RAG 的抽样盲区和 text-to-SQL 的静默缩小风险,适用于租约合规、制裁筛查、保险理赔等场景。
GitHub 提出 AI 时代开发者应强化的三项技能:学会指挥 AI 智能体而非仅使用它、不轻信 AI 的首次答案、用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例,说明它用第二个模型对计划、代码和测试进行批判性审查,从而发现首个模型遗漏的问题。
ServiceNow CoreAI 构建了 AutoSynthData,利用目标模型的失败案例与更强教师的成功经验定位能力缺口,再生成并验证新任务用于后训练,课程随模型进步动态调整。该流程在 EnterpriseOps Gym 上做了演示,任务由系统规范、用户提示词和验证器三部分组成,需满足可行性、真实性与难度要求。
AWS Professional Services 构建了一套四智能体模式,在 Amazon Bedrock AgentCore 上运行,通过 MCP 工具连接源与目标系统,将每个应用的基础设施即代码(IaC)开发时间从 3 到 4 周缩短至几分钟。
Amazon Bedrock AgentCore 支持构建"环境感知智能体"(ambient agent):由 Amazon S3 事件或定时任务触发,在 AgentCore Runtime 上运行作业,需要时通过单个 ask_human 工具暂停等待人工审批,再从中断处恢复。
Amazon Payments 在 Amazon SageMaker AI 上用多目标上下文多臂老虎机(LinUCB)为产品获客漏斗做个性化内容选择,七周在线 A/B 测试中,一个人群组的最终漏斗转化率取得高个位数相对提升,另一人群组则无改善。团队按申请开始、提交、审批三个阶段各跑一个 LinUCB 模型并线性组合其 UCB 分数,以缓解单阶段优化带来的此消彼长问题。
NVIDIA NeMo Agent Toolkit(NAT)可通过自定义 memory provider 接入 Amazon S3 Vectors,作为多智能体系统的持久记忆层,并部署在 Amazon EKS 上。
Simon Willison 的纯 Python WebAssembly 引擎 pwasm 发布 0.2a0,经 Claude Opus 5.5 完成 42 次提交后已支持几乎全部 WASM 规范。PyPI 上的 wheel 现已打包 MicroPython、QuickJS 和 Micro QuickJS 的可用 WASM 构建,但因可靠性存疑仍标注 alpha 版本。
AWS 发布指南,介绍如何通过专用 AI Services 账户为 Claude Platform on AWS(CPonAWS)配置三种推理访问方式:AWS 工作负载账户经跨账户 SigV4 调用、开发者笔记本使用工作区级 API key、外部环境通过 OIDC 联合获取短期凭证。
uniopen 通过 Amazon SageMaker AI 对 Amazon Nova 2 Lite 进行监督微调,并做提示词层面的输出优化,使其适配自身零售审核策略。
Amazon Bedrock Knowledge Bases 支持通过 AgenticRetrieveStream API 用自然语言查询理赔文档,并返回带引用的答案。
AWS 发布基于 Amazon Quick 与 Amazon Bedrock AgentCore 的合同智能平台方案,用 AI 智能体从合同 PDF 中抽取八个关键字段并交叉验证,签名识别分歧由 Amazon Textract 裁定。该方案将结构化结果存入 Amazon Aurora PostgreSQL,通过嵌入式仪表盘和自然语言查询同时支持组合级聚合与单份合同检索,典型情况下数秒处理一份合同。
AWS 发文拆解 Amazon Quick 各组件的提示词写法:Quick Research 需明确目标、受众与时间范围,并自行拆解子问题、限定数据源;Quick Flows 要写清触发时间、数据源、计算逻辑与交付对象,复杂流程用编号步骤,并可通过对话迭代修改。Quick Sight 的查询则需包含业务问题、指标、维度和可视化偏好。
Amazon Quick 的提示词工程决定其 AI 功能对自然语言请求的响应质量,官方发布两部分系列的第一部分,聚焦适用于各 Quick 组件的通用原则与可复用框架。
AWS 发布教程,演示如何用 vLLM-Omni DLC 在 Amazon SageMaker AI 上部署 Qwen3-TTS,通过 SageMaker 双向流式连接实现文本流入、24 kHz PCM 音频分块流出,并配套 Gradio 应用。
AWS 发布教程,演示在 SageMaker AI 上从同一个 vLLM-Omni DLC 部署两个端点:实时端点运行 FLUX.2-klein-4B 生成图像,异步端点运行 Wan2.1-VACE-1.3B 做图像条件视频生成。文本提示词先生成 PNG,再连同运动提示词经 Amazon S3 传给视频端点,最终取回 MP4,并提供命令行与 Streamlit 界面。
AWS 介绍了一种基于 Amazon Nova Act 和 Amazon Bedrock AgentCore 的智能体驱动合成监控方案,用自然语言动作替代 Selenium、Playwright 的 DOM 选择器脚本。
AWS 发布跨账户自动化管理 Amazon Textract 适配器生命周期的方案,通过将适配器 ID 外置到 AWS Systems Manager Parameter Store,生产环境适配器引用更新无需重新部署应用,原本需数小时至数天的协调工作缩短至数秒。
Simon Willison 用 Claude Opus 5.5 将三张 kākāpō 鹦鹉照片生成为 HTML5 canvas 像素动画 Kākāpō Party,画面中至少 20 只鹦鹉随音乐跳跃、撒彩带。
GitHub Copilot 应用中的 canvas(画布扩展)是一种用户与智能体共享的可定制界面,可做成看板、issue 分诊板、发布清单或仪表盘。在 agent 会话中输入 /create-canvas 并用自然语言描述工作流、界面操作和智能体权限,即可生成界面并在右侧面板打开,无需手写代码。
AWS 发布基于 Amazon EKS、EFA 和 DeepEP 的 MoE 强化学习训练架构,吞吐量提升 40%。该方案针对 RLHF 和 GRPO 等大规模 RL 训练中 rollout 生成与策略训练的资源竞争问题,通过 DeepEP 优化 Expert Parallelism 在 EFA 上的 all-to-all 通信。
在 Amazon SageMaker HyperPod 上,用开源 RL 框架 SkyRL 对 Qwen3-VL-8B 视觉语言模型做 GRPO 后训练,在固定 64 个迷宫评测集上把解迷宫成功率从 43.75% 提升到 95% 以上。
NarrateAI 在 Amazon Bedrock 上通过五项技术实现约 99% 的数值准确率并实时流式返回结果,服务超过 4000 名 AWS 高管。这五项技术分别是自适应流水线编排、跨账户多模型故障转移、实时流式评估、复合评估框架和数据准确性验证,其中约 90% 的查询走单次快速路径,仅约 10% 走并行批处理路径。
阿里云 Qwen 团队开源的 Qwen3-TTS-12Hz-1.7B-Base 已上线 Amazon SageMaker JumpStart,可部署到全托管实时推理端点,仅凭几秒参考音频和对应文本即可克隆音色,无需重新训练。该模型覆盖中文、英文、日文等 10 种语言,支持跨语言克隆与流式生成,输出 24 kHz 音频,同系列还有 CustomVoice 和 Qwen3-ASR-1.7B 可选。
Simon Willison 发布 commit-rewriter 0.2。该工具与 git 相关,具体功能与更新细节原文未作说明。
AWS 发布 WhisperX Deep Learning Container,在 OpenAI Whisper 基础上加入批处理推理、wav2vec2 强制对齐的逐词时间戳和说话人分离,可部署到 Amazon SageMaker AI 实时或异步端点,无需自建镜像。
企业可借助 Amazon Bedrock AgentCore Gateway 与 MCP 构建多账户 AI 智能体,让各业务线数据留在自有账户,仅在查询时按需流出。
GitHub Copilot 应用重建了 pull request 视图,用一个含 2,200 个文件、超百万行改动和 400 多条行内评论的开源 PR 做压力测试。代码行沿用“绘制前高度已知”的确定性几何,评论等动态块则改为惰性测量、高度有界、修正锚定在用户当前视口,避免滚动跳动。
AWS 发布基于 Strands Agents SDK 的智能体架构视频智能方案,由 Amazon Bedrock 驱动,按用户提问在运行时调度 Amazon Rekognition、Amazon Transcribe 和 Amazon Bedrock Data Automation。
开源终端 AI 编程智能体 OpenCode 可接入 Amazon Bedrock 上的开放权重模型,推理在用户自己的 AWS 账户内完成,无按席位收费。文中演示了用 Moonshot AI Kimi K3、OpenAI GPT-OSS 120B 和 NVIDIA Nemotron 3 Super 120B 配置多模型工作流,并称 Ethara.AI 已用该架构在生产环境做多智能体编排。
一份可交互的讲解材料,用实例演示 Shadow DOM 的样式封装、继承、slots、parts 以及 JavaScript 访问方式,展示 shadow root 如何创建带私有样式表和元素的隔离 DOM 树,并以特定受控方式与页面 DOM 交互。该材料由 Fable 5.1 Medium 根据提示词生成。
GitHub 用 GitHub Copilot app 和 Copilot CLI 把 Copilot agent runtime 从 TypeScript 完全重写为超过 80 万行生产级 Rust,代码主要由 AI 智能体编写,分布在 128 个合入 main 的 PR 中增量发布而非一次性切换。
推荐理由:作者以亲历者身份给出把 80 万行运行时从 TypeScript 迁到 Rust 的完整工程细节,可迁移到大规模 Agent 协作开发。
GitHub 日本和韩国区营销负责人把活动运营流程交给 GitHub Copilot,用 GitHub Issue 表单、Labels 触发器和 Actions 工作流搭出一套自动化管线:活动从单个 Issue 自动建站、生成 UTM 链接、每日筛选报名者并在结束后自动清理。
GitHub Copilot 应用内置 diff、终端和浏览器三个面板,让用户无需离开应用即可审查、运行和预览 AI 智能体生成的代码变更。diff 面板以绿色和红色高亮显示增删改内容,终端面板支持运行命令和配置脚本,浏览器面板提供 Pick & Polish 工具用于选取元素并让智能体调整。完成审查、运行和预览后,用户可直接在应用内接受变更并创建 pull request。
Berkeley AI Research 与 IBM Research 将 K-Search 进化式内核搜索框架扩展到 MLX,通过结构化的 CUDA-to-MLX 翻译层把已有 CUDA 内核作为知识库,为 Apple Silicon 生成高质量内核。
推荐理由:读者可看到 CUDA 内核经验如何被结构化翻译到 Apple Silicon,以及翻译层对性能差距的具体贡献。
伯克利 AI 研究团队梳理了并行推理领域进展,指出当前方法多由外部固定并行结构,模型无法自行决定何时分解任务、开多少线程。文章重点讨论自适应并行推理,并提及 ThreadWeaver、ParaThinker、GroupThink、Hogwild! Inference 等方法。