跳到正文
10月31日周六
  1. AWS Machine Learning Blog45

    How Worldwide Express 使用 Amazon Bedrock 自动化货运异常处理

    Worldwide Express 利用基于 Amazon Bedrock 的多智能体 AI 解决方案,将 LTL 货运中约 14% 的发票异常自动化处理。该系统实现了 75% 的活跃异常减少、时间到现金周期缩短 4 周,并带来了 $1M 的年节省和 $10M 的一次性现金流注入。三个专业 AI 智能体分别处理发票匹配、定价差异和附加费验证,决策基于特定承运商的知识库。

10月30日周五
  1. AWS Machine Learning Blog68

    使用Kiro构建可重复的PHP到Java迁移引擎

    Kiro是一个集成AI的IDE,通过一个可复用的引擎将PHP到Java的迁移从一次性尝试转变为可衡量、可重复的过程。该引擎基于共享方法论、机械发现扫描器和八阶段工作流,以原始PHP应用为规范,直到校验套件验证后才判定Java端口正确。该流程可通过Kiro交互式驱动或通过AWS Transform在投资组合规模上自主运行。

    推荐理由:该引擎将PHP到Java的迁移过程转化为可衡量、可重复的流程,核心在于先发现后翻译和先构建判断器。

  2. AWS Machine Learning Blog66

    MoEngage 利用 AgentCore Gateway 将 400 个私有 API 转化为 Agent 工具

    MoEngage 使用 Amazon Bedrock AgentCore 的 AgentCore Gateway 将其内部约 400 个私有 REST API 转化为权限受限的 Agent 工具,避免了构建 20 多个 MCP 服务器的复杂性。该架构满足了不暴露公网、身份结构化隔离和上下文窗口限制等四项约束,使新 API 的接入时间从数天缩短到数小时。

  3. NVIDIA Blog65

    开发者如何利用 Frontier AI Agents 在 Omniverse 中构建模拟应用

    开发者结合 Frontier AI 模型和 NVIDIA Omniverse 库,通过自然语言指令指导 AI Agents 构建各类模拟应用,包括使用 Claude 和 Astra 创建可编辑 3D 资产、测试机器人拆解、重建建筑模型和构建数字孪生。

    推荐理由:文章展示了如何结合前沿 AI 模型和 NVIDIA Omniverse 库,将模拟想法转化为可编辑的 3D 应用和数字孪生。

10月29日周四
  1. AWS Machine Learning Blog51

    使用 Ray Train DLCs 和 EFA 在 EKS 上进行分布式训练

    AWS 提供了 Ray Train Deep Learning Container (DLC),该容器预装了从 CUDA 到 EFA 的完整测试栈,解决了 PyTorch 训练扩展到集群时容器依赖复杂的问题。该示例展示了如何使用 KubeRay 在 Amazon EKS 上,利用 DLC 配合 FSDP 对 Qwen2.5-1.5B 进行微调,所有配置均在外部设置而非重建镜像。

  2. AWS Machine Learning Blog65

    基于Amazon Bedrock AgentCore构建企业级Agentic AI平台架构实践

    该文章介绍了基于Amazon Bedrock AgentCore构建企业级Agentic AI平台的架构和参考实现,旨在解决生产环境中Agent部署的治理、成本和安全瓶颈。该平台采用联邦运营模型,由中央Platform控制平面和可重复的Workstream单元组成,通过推理和工具网关、部署运行时评估等机制实现端到端治理和生命周期管理。

    推荐理由:该蓝图展示了如何在多账户AWS环境中构建受治理的企业级Agentic AI平台,平衡了平台控制与业务团队自治。

  3. NVIDIA Blog66

    NVIDIA RTX Spark 笔记本新增 Nemotron 3.5 Transcribe 模型和 Agent 工具

    NVIDIA RTX Spark 笔记本现已从 ASUS、Dell、HP、Lenovo、Microsoft 和 MSI 等厂商处供货,集成了 NVIDIA Blackwell RTX GPU 和 NVIDIA Grace CPU,支持高达 128GB 统一内存和 1 petaflop FP4 AI 性能。

    推荐理由:RTX Spark 笔记本集成了 Blackwell RTX GPU 和 Grace CPU,支持 Nemotron 3.5 Transcribe 等本地 AI 模型和 Agent 工具。

10月28日周三
  1. AWS Machine Learning Blog45

    Exowatt 利用 SageMaker serverless model customization 提升模型准确性

    Exowatt 使用 Amazon SageMaker AI serverless model customization 针对能源基础设施构建了可重复的 AI 管道,该管道可将耗时数月的工作缩短至数天。该方法在 Qwen3-1.7B 模型上实现边缘告警分诊,在 Qwen3-14B 模型上实现云端能源市场分析,准确性高于 frontier models 且成本低 49×。

  2. AWS Machine Learning Blog66

    Property Finder 利用无偏评估和提示词优化提升 Amazon Bedrock 模型性能并降低 86% 成本

    Property Finder 发现 96.8% 的评估标签源自单一模型预测而非人工验证,导致模型比较存在评估偏差。团队通过构建无偏的专家标注基准,并应用进化式提示词优化,最终选择 Llama 4 Maverick 17B Instruct,在 356 张图像评估集上达到 Micro F1 0.80,成本降低 86%。

    推荐理由:文章分享了如何识别评估偏差、构建无偏基准并应用进化式提示词优化以提升模型性能和降低成本。

  3. Google DeepMind83

    Google DeepMind 发布 Genie 4 新一代世界模拟模型

    Google DeepMind 发布 Genie 4 新世界模型,实现前所未有的真实感和实时交互模拟,原生支持音频、环境噪音和交互对话。Genie 4 基于 Gemini Omni 锚定真实外观和行为,并利用 Gemini 模型进行复杂推理,目前对 Google AI Ultra 订阅者和 Gemini API 早期访问伙伴开放研究预览。

    推荐理由:Genie 4 实现了原生多模态和实时交互模拟,可用于机器人训练和创意原型设计。

10月27日周二
  1. AWS Machine Learning Blog65

    使用 CDK 在托管 Amazon Bedrock 知识库上构建智能体检索

    该方案使用 AWS CDK 构建了基于托管 Amazon Bedrock 知识库的企业级智能体检索系统,支持多知识库语义路由和推理智能体。系统内置了七层可观测性(如 CloudWatch 仪表板)以及按需和连续的评估机制,所有组件均可通过单条 cdk deploy 命令部署。

    推荐理由:该方案展示了如何利用托管知识库构建企业级智能体检索,并内置了七层可观测性和评估能力。

10月26日周一
10月24日周六
  1. AWS Machine Learning Blog65

    使用 GeoJSON 在 Amazon QuickSight 图层地图中可视化点与路径

    Amazon QuickSight 的图层地图新增对 GeoJSON 中 Point 与 LineString 的支持,可绘制单点位置(如门店)和线路(如航班、配送路径)。

    推荐理由:本文详细说明如何在 QuickSight 图层地图中使用 GeoJSON 点和线路,帮助用户快速绘制地点与路径,并演示了如何通过 API 动态更新 GeoJSON 以实现实时地图刷新。

10月23日周五
  1. Microsoft Research55

    Flint-interactive:创建交互式数据可视化的语言

    Flint-interactive 是一种用于创建交互式数据可视化的语言,支持通过点击、过滤、缩放、突出显示和跨图表交互等方式与图表交互。它利用高层语义事件和更新操作简化交互逻辑,Flint 编译器自动解析触发器并生成视觉更新,降低布局、渲染和调试难度。Flint-interactive 可在聊天、仪表盘、数据故事等场景中使用,并支持与表格、文本、应用状态等外部元素联动。