以 anti-unification 比較形式化政策的語義差異
開源引擎 semi-persistent 以 anti-unification 比較形式化政策,合併共享結構,並用 Variants 節點標示分歧。
開源引擎 semi-persistent 以 anti-unification 比較形式化政策,合併共享結構,並用 Variants 節點標示分歧。
AWS Machine Learning Blog 説明如何讓 OpenAI Codex 透過 Amazon Bedrock 使用受支援的 OpenAI 模型,並納入既有 AWS 身份、IAM、區域及可觀測性安排。
推薦理由:文章比較 Native AWS Access、AgentCore Gateway 與 LLM Gateway 三種接入路徑,並整理身份隔離、遙測、成本歸因及回滾等試點檢查,為企業分階段部署提供具體依據。
AWS 於 2026 年 10 月為 Amazon Bedrock、AgentCore 和 Strands 推出多項更新,涵蓋模型供應、智能體可靠性、成本管理及開發測試。
AWS Agent Registry 的範例方案以 AWS CloudTrail、Amazon EventBridge 和 AWS Lambda 偵測 MCP 伺服器更新,並同步工具定義至現有記錄。
AWS re:Invent 2026 的 AI/ML 專題設有逾 140 場課程,指南協助參加者按 AWS AI 技術堆疊挑選合適場次。專題涵蓋 AI 晶片、模型訓練與推理、智能體開發與管理,並涉及安全、治理及成本最佳化;活動於 11 月 30 日至 12 月 4 日舉行。
DXC Technology 以 Amazon Bedrock 為 DXC OASIS 建立受治理的多模型基礎層,支援企業 IT 營運中的 AI 智能體。Amazon Bedrock 統一接入多個模型,並提供 Guardrails 與私有網絡控制;DXC 自建的執行層負責工具編排、權限限制、人手審批及審計。
Google Research 提出研究框架,利用穿戴式數據評估心血管—腎臟—代謝(CKM)健康風險,並提供個人化生活習慣指導。其中的 SensorWM 以 2.28 million person-weeks 的 Fitbit 數據訓練,根據兩週基線資料預測 20 項生理指標未來 12 週的變化,再由語言模型智能體生成指導方案。
AWS 介紹其自 2023 年起發布的 23 個開源生成式 AI 可重用資產,並示範如何選用、評估及部署 Contact Center GenAI Agent。示範流程包括部署兩個 AWS CloudFormation 範本及整合 Amazon Connect,需時不到一小時。Ricoh 案例中,每次部署的工程工時由 80 小時降至不足 5 小時。
JioStar 使用 OpenAI API,在 JioHotstar 開發對話式影片及板球數據探索助手,服務逾 5 億用戶,並支援多達 72.5 million 名觀眾同時觀看直播體育賽事。團隊在約八週內完成支援 15 種以上語言的體驗,並在準確度、延遲和成本之間取捨。超過 60% 的用戶使用語音而非文字。
AWS 介紹開源的 UAEF,這套跨框架評估系統將不同框架的 AI 智能體執行軌跡轉為統一格式,並以 36 項內置指標評估 7 個品質維度。
推薦理由:文章把跨框架軌跡標準化、指標評估、基線比較和資料集準備串成一套流程,並提供各支援框架的可執行 notebooks,呈現 UAEF 的實際使用路徑。
AWS Machine Learning Blog 示範如何在 AWS Quick 配置六個智能體組成的 AI-PDLC,帶領產品團隊由分散的客戶訊號走到經驗驗證的原型。流程涵蓋探索、決策、設計和原型製作,產出痛點板、優先級評分、PR/FAQ、可供工程開發的規格及可點擊 HTML 原型。Orchestrator 協調各專責智能體,並在每個階段要求人工審批,保留決策與來源脈絡。
Google DeepMind 發佈 AlphaGenome 2,預測 DNA 序列及其變異對特定人類細胞類型的影響,連接單細胞生物學與人類遺傳學。模型以來自 68 種組織、超過 1.07 億個細胞的單細胞資料訓練,可按指定細胞類型或狀態預測基因表達等讀數,並新增 DNA 甲基化預測。
推薦理由:AlphaGenome 2 在 TenK10K 數據集上將因果變異識別率由 16% 提升至 30%,呈現其針對特定免疫細胞解析變異效應的改進。
Runway 的 Praxis-1 將 27B 參數影片基礎模型轉為開放權重世界動作模型,可同步預測未來畫面與機械人動作。DROID 微調版本在 RoboLab-120 排名世界動作模型及開源機械人基礎模型第一;RT-1 微調版本在 SimplerEnv 四項任務的平均成功率為 80.0%。
Runway 現已向所有人開放 Praxis-1,並以 Apache 2.0 授權提供模型權重。這款 27B 參數的 MoE 擴散 Transformer 同時預測影片與動作,在 RoboLab-120 的 1,200 個測試回合中成功率為 46.2%,高於 FLUX 3 Action 的 42.9%、Cosmos3 Nano 的 36.8% 及 π0.5 的 28.0%。
AWS 宣佈 Amazon SageMaker AI 雙向串流推理新增按用量計量,讓模型供應商可向 AWS Marketplace 回報即時串流的實際用量,以計算軟件費用。
文章示範如何用 Sentence Transformers 為多向量嵌入模型加入 Token Pooling 感知訓練,令模型同時以原始及壓縮後的文件向量進行檢索訓練。
推薦理由:文章將壓縮後的檢索目標納入訓練損失,並在相同儲存預算下比較一般訓練與池化感知訓練的檢索品質保留差異。
香港生產力促進局及香港網絡安全事故協調中心與私隱專員公署及香港國際數據私隱學院簽署諒解備忘錄,加強個人資料私隱、數據安全、網絡安全及 AI 私隱保障方面的合作。合作推出三場免費培訓講座,對象為中小企及非牟利機構,內容涵蓋網絡攻擊防範、AI 時代的私隱保障及資料外洩事故應變。私隱專員公署委託生產力局進行「香港人工智能及數據私隱調查2026」,結果預計於年底公佈。
港口可持續追蹤起重機、吊載及附近人員的位置,並隨起重機移動調整危險區域,以監測 STS 和 RTG 起重機周圍的動態禁入區。監測方式包括實體屏障、接近感應器、RFID/UWB 穿戴式標籤、LiDAR、設備定位及 AI 影片分析,各有不同用途和限制。
新加坡航空在客戶服務、旅遊探索及員工工作流程中採用 OpenAI API 和模型,Kris 聊天機械人的客戶滿意度提升至原來的 2 倍。客服平均處理時間減少約 10%,Flight Recommender 過去一年每月用戶增至近 3 倍;部分軟件開發生命週期活動的生產力提升最高達 20%。超過 60% 的員工每月使用由 OpenAI 模型支援的內部平台 Jarvis。
Cogent 與 OpenAI 正以 OpenAI 模型及企業環境脈絡,為企業打造 Cyber Defense Factories,讓智能體由漏洞調查執行至修復驗證。
OpenAI 已向超過 20,000 名正在退役的軍人及退伍軍人提供免費一年的 ChatGPT Plus,協助他們準備投身民間職場。OpenAI Academy 及社區合作夥伴亦舉辦培訓,讓軍人社羣學習運用 ChatGPT 規劃求職、準備履歷及面試。
Tether AI Research 介紹 BotPsy,一款基於 Qwen3.5-0.8B、面向工具調用和智能體工作流的 0.8B 參數端側個人助理模型。在六項工具使用及智能體基準中,它勝過所有受測 ≤1.2B 模型,並在五項基準高於 2.5 倍大小的 Qwen3.5-2B-Think;Claw-Eval 則由後者領先。
推薦理由:文章以六項工具使用基準比較 BotPsy 與同級及較大模型,並列出多輪任務、推理效率和安全限制,呈現小型端側智能體的能力範圍。
香港中文大學領導的研究團隊結合統計物理與 AI,開發受物理定律約束的設計框架,利用無序結構設計輕質超材料。團隊以高精度 3D 列印製作並測試材料,發現其能量吸收能力和斷裂韌性均有所提升。研究成果為輕質防護結構及汽車吸能部件的開發開拓新方向。
Kimi K3.1 Pro Highspeed 現已可在 Amazon Bedrock 使用;它是 Kimi K3 的後訓練版本,採用相同的 3T-class 開放權重架構及 1-million-token 上下文窗口,Moonshot AI 稱其輸出速度是 Kimi K3.1 Pro 的 2–3 倍。
Gilbert + Tobin 由鼓勵員工試用 AI,逐步轉向使用 ChatGPT Enterprise、ChatGPT Work 和 Codex 支援多步驟智能體工作流程,並由員工負責覆核和批准。
AWS 示範以 LangGraph 和 Amazon Bedrock AgentCore Web Search 建立每日依賴項監測器,平行檢查 npm、PyPI 和容器基礎映像的安全更新。
推薦理由:文章以每日依賴項監測示範如何把日期、來源限制和搜尋預算固定在程式中,再核對引用證據,提供一套可遷移到智能體搜尋流程的實作思路。
AWS 介紹如何在 Amazon Bedrock AgentCore Evaluations 中,運用內建、DeepEval 與 AutoEval 評估器評估生產環境中的智能體表現。文章建議先定義業務成功條件,再拆解成可觀察行為,按 trace 或 session 層級選擇評估器。AgentCore 支援按需、線上及批次評估,三種模式使用相同評估器 ID,從開發測試切換至線上評估只需更改設定。
推薦理由:文章示範由業務結果拆解可觀察行為,再選擇 trace 或 session 評估器,並説明如何按需求組合內建、DeepEval 與 AutoEval 指標。
Microsoft 研究人員發現名為 Lazarus 的後門技術,無需訓練,只要改寫 LLM 中少於 10 個休眠神經元的權重,便可令基於該模型的 AI 智能體在隱藏觸發條件出現時執行惡意命令。
推薦理由:研究展示少於 10 個休眠神經元即可植入後門,並説明模型來源追溯及權重完整性為何成為智能體安全防護的關鍵。
原文標題指出 OpenAI 推出 ChatGPT 商務版,但正文只有網站錯誤訊息及導航內容,未提供產品詳情或功能資訊。
Trovata 在 Amazon Bedrock 和 Amazon Bedrock AgentCore 上構建自主財資智能體,將財資作業轉為可持續執行的工作流程。智能體可按排程、觸發條件或規則監察活動、解釋差異、偵測異常及自動提供更新,並透過角色型存取控制(RBAC)在企業權限範圍內運作。用戶可透過自然語言查詢多銀行數據,系統則經 Trovata 已驗證的 API 層擷取數據並在安全環境中作答。
Hugging Face 現允許組織管理員將 Hugging Face 組織連結至 Google Cloud 帳戶,讓使用費用列入 Google Cloud 帳單,而非信用卡扣款。適用範圍包括 Team 或 Enterprise 訂閲、按用量付費的運算服務及額外儲存空間。訂閲須經 Hugging Face 團隊審核;審核期間,費用仍按原有付款方式收取。
AWS 介紹 Amazon Bedrock 呼叫觀測數據湖方案,將多個帳戶的模型呼叫記錄集中整理,供 Athena 跨帳戶查詢。方案透過 CloudWatch、Lambda 和 Amazon Data Firehose 將記錄轉為 Parquet 存入 S3;每次呼叫可查閲提示詞、回應、token 數、模型及 IAM 身份。
TCS 在 AWS 上以 Amazon Bedrock AgentCore 建構智能體測試編排器,並已在 BFSI 客戶環境投入生產,將需求轉化為可執行的受控測試。
Google DeepMind 開放 Gemini 4 Carbon,供開發者、企業、科學家及一般用戶使用,並定位為面向複雜知識工作、軟件工程及科學推理的前沿模型。
推薦理由:文章列出 Gemini 4 Carbon 在多項工作流程基準的排名及相對成本,並交代付費開發者和企業的使用入口,呈現其產品定位與採用條件。
OpenAI 與 Upwork 的研究指出,AI 可能正在改變自由工作者的服務需求與項目範圍,AI 相關項目亦涉及更大固定價格預算和更多工時。研究分析 63 個工作類別,其中 43 個類別呈現 ChatGPT 使用佔比較高、Upwork 職缺佔比下滑的模式。AI 相關職缺的工作組合多樣性由 2023 年初至 2025 年末增加 45%;這些項目的固定價格預算較高、工時較多,而刊登時薪相近。
Hugging Face 將決策模型支援整合至 Transformers,並以共通介面讓模型根據狀態、問題及允許答案輸出結構化決策和機率。
推薦理由:文章比較決策模型與傳統分類、零樣本分類的定位差異,並展示 Transformers 與 llama.cpp 如何透過共通介面處理選項、序位評分及是非判斷。
Google DeepMind 推出 Gemini Robotics 2.5,擴大機械人可學習的技能範圍並加快學習速度,同時提升靈巧度、可靠性及安全性。模型在逾 200 項不同任務中接受評估,按任務類型較先前基線的成功率高 30% 至 100%,完成速度快 20% 至 30%。與 Apptronik、Mercedes-Benz 在汽車生產線進行的概念驗證中,Apollo 2 的成功率為 96%。
推薦理由:文章以逾 200 項任務的測試,以及 Mercedes-Benz 生產線試點的 96% 成功率,呈現模型在基準評估與實際操作中的表現。
OpenAI Academy 與 Caregiver Action Network、Alzheimer’s Association 及 American Diabetes Association® 合作,於 National Family Caregivers Month 在美國五個城市舉辦免費 ChatGPT 實體工作坊,協助照顧者學習實用、安全地使用 AI。
Google DeepMind 研究人員使用 AlphaProof Code,對 Signal 加密協議的實際編譯程式碼進行形式化驗證,證明其符合指定的關鍵安全性質。這個多 LLM 智能體框架生成超過 600 萬行 Lean 證明,並將需人工複查的範圍縮至程式碼庫的 1%;整個驗證流程歷時四週。Google DeepMind 將公開形式化驗證成果供社羣使用。
推薦理由:文章展示 AlphaProof Code 如何把形式化驗證延伸至 Signal 實際程式碼,並以 Lean 機器檢查證明,呈現驗證協議設計與實作落差的一種方法。
嶺南大學與清華大學簽署校際合作備忘錄,將深化師生交流、科研合作及人才培養,共同推動「AI+」教育科技融合與創新人才培養。雙方亦探討「AI for Education」、「AI for Materials」及人工智能交叉研究等合作空間。