跳到正文
目前篩選:一手
  1. AWS Machine Learning Blog62

    ArisGlobal 如何在 Amazon Bedrock 上透過提示詞快取擴展生成式 AI 推理

    ArisGlobal 調整 Amazon Bedrock 請求順序,改為快取跨請求重用的共用提示詞前綴,以降低 NavaX 的推理成本。生產請求中,約 65% 的輸入 token 以較低費率從快取讀取,令有效輸入成本約下降 50%;在每月超過 19 billion tokens 的用量下,整體月度推理支出約下降 40%。此設計亦支援約 15% 更多企業租戶進駐,而 EU 跨區域推理路由維持不變。

    推薦理由:案例展示多租戶工作負載如何按跨請求重用程度安排快取前綴,而非優先快取單次個案的大型文件,並提供部署與監測要點。

  1. AWS Machine Learning Blog70

    Claude Fable 5.2 與 Claude Mythos 5.2 登陸 Amazon Bedrock 及 Claude Platform on AWS

    AWS 宣佈 Claude Fable 5.2 和 Claude Mythos 5.2 已在 Amazon Bedrock 及 Claude Platform on AWS 提供;Mythos 5.2 僅透過 Anthropic 的驗證計劃,用於網絡安全和生命科學領域的進階工作。

    推薦理由:文章交代兩款模型在 AWS 的可用範圍、Fable 5.2 的資料保留與審查要求,以及 Claude Code 遷移流程,涵蓋部署前的工程和治理考量。

  1. AWS Machine Learning Blog62

    Claude Code 如何透過 Amazon Bedrock AgentCore 執行受安全控制的遠端編碼任務

    AWS 示範如何把 Claude Code 編碼任務交由 Amazon Bedrock AgentCore 的隔離工作階段執行,並以 GitHub pull request 交回人工審核。

    推薦理由:文章將遠端編碼流程與安全控制放在同一套實作中,具體呈現隔離執行、短期憑證、網絡限制和人工審核如何共同構成部署方案。

  1. Hugging Face Blog62

    大語言模型能否可靠判斷研究構想是否新穎?

    Ai2 發佈《Old Ideas, Novel Problems》研究及基準,發現大語言模型判斷研究構想新穎性的結果會因評估設定而大幅變動。以 GPT-5.4 評估人類與 AI 生成構想的配對時,僅更改提示詞便令準確率由 93.5% 降至 40.9%,並改變逾半配對的判斷。

    推薦理由:研究從 ICLR 2026 評審中抽取明確談及原創性的案例,建立可比較人類與 AI 生成構想的基準,呈現提示詞變動對評估結果的影響。

  1. AWS Machine Learning Blog62

    Octave 如何在 Amazon Bedrock 上打造安全的多租戶 AI 基礎平台

    Octave 為 Reliance 在 Amazon Bedrock 上建立三層多租戶 AI 基礎平台,以支援受監管產業的文件搜尋與 AI 工作流程。平台採用 Cohere Embed v4,並以每租戶向量儲存、AgentCore 隔離執行環境及 Amazon Bedrock Guardrails 分層控制資料存取與內容風險。

    推薦理由:文章拆解多租戶合規場景中的隔離、身份與內容安全取捨,並呈現如何把共用基礎設施轉化為可重用的 AI 功能底座。

  1. AWS Machine Learning Blog61

    Amazon Bedrock 為 Anthropic Claude 模型提供結構化輸出功能

    Amazon Bedrock 現已為可用的所有 Anthropic Claude 模型,在 bedrock-runtime 和 bedrock-mantle 端點提供結構化輸出,回應可符合指定 JSON Schema。

    推薦理由:文章交代 JSON Schema 輸出與 strict tool use 的適用場景,並列出快取行為及不支援的 schema 特性,便於評估整合要求。

  1. AWS Machine Learning Blog61

    ShipStation Global 如何在 Amazon Bedrock AgentCore 上建構 AI IT 服務台

    ShipStation Global 在 Amazon Bedrock AgentCore 上建構 Slack AI IT 服務台 Deckhand,以知識庫回答常見問題、分析錯誤截圖及建立或更新 Jira Service Management 工單。

    推薦理由:文章拆解以 RLM 從 Slack 已解決支援對話抽取結構化解法、建立知識庫的流程,並呈現三個月內 812 次 Agent 對話未轉成工單。

  1. AWS Machine Learning Blog69

    AWS 宣佈 Claude Haiku 5.5 登陸 Amazon Bedrock 及 Claude Platform on AWS

    AWS 宣佈 Claude Haiku 5.5 已可透過 Amazon Bedrock 及 Claude Platform on AWS 使用。Anthropic 表示,它是 Claude 5.5 系列中速度最快、效率最高的模型,大多數任務的成本比 Claude Haiku 4.5 低約 75 percent。

    推薦理由:文章説明 Claude Haiku 5.5 面向高用量、成本敏感任務的定位,並列出 Amazon Bedrock 使用範例及可用區域,提供模型選用與部署的實用參考。

  1. AWS Machine Learning Blog61

    Claude Platform on AWS 多環境存取實作指南

    AWS Machine Learning Blog 提供 Claude Platform on AWS 多環境存取指南,示範為 AWS 工作負載、開發者筆電及外部環境配置推理存取。

    推薦理由:文章按 AWS 工作負載、開發者筆電與外部環境,示範 cross-account SigV4、workspace-scoped API key 和 OIDC federation 如何配置,並維持 workspace 隔離。

  1. Hugging Face Blog60

    甚麼令對話智能體有用?

    Hugging Face Blog 梳理對話智能體的訓練方法,涵蓋 IFT、SFT、RLHF 和 CoT。文中指出,IFT 所需指令數據僅為數百例量級,SFT 以人工標註改善有用性和安全性,RLHF 則根據人類偏好訓練獎勵模型,再用強化學習訓練對話智能體。

    推薦理由:文章把 IFT、SFT、RLHF 與 CoT 放在對話智能體訓練脈絡中梳理,並比較多個系統的訓練資料和評估方向,呈現各方法的分工。

已經到底了