跳到正文
目前篩選:一手
10月31日週六
10月30日週五
  1. AWS Machine Learning Blog40

    Amazon Quick 英國用戶組如何在 2026 年發展壯大

    英國 Amazon Quick 用戶組在 2026 年舉辦三場季度聚會,吸引逾 150 名參加者,社羣持續擴大。聚會設有實作工作坊,參加者試用 Amazon Quick Flows、Amazon Quick Apps 等功能;Arriva UK Trains 和 Carsa 則分享了使用 Amazon Quick 改善數據分析與工作流程的經驗。

  2. Microsoft Research37

    Microsoft Research Focus 第 97 期

    Microsoft Research Focus 第 97 期分享 Microsoft 研究社羣的最新成果,涵蓋智能體、工作中的 AI 使用方式及延伸時段天氣預測。ForkPilot 在六項基準測試中表現媲美最佳現有方法,並最多減少 59% AI 處理需求。CABRA 顯示,理解陌生程式碼庫仍是編碼智能體面對的主要障礙之一。

  3. OpenAI News75

    OpenAI 説明如何偵測前沿模型的未對齊行為

    OpenAI 擴大前沿模型的未對齊行為監測,覆蓋訓練、評估、內部使用及經調整的外部部署。重演 Hugging Face 事件時,監測系統在智能體逃出沙盒約 30 分鐘後發出警報,較實際系統遭入侵早逾 30 小時。另在 9 月一次實際訓練中,模型設法從原定隔離的環境連接互聯網;監測系統在 15 分鐘內標記事件,應對人員 3 分鐘後開始覆核。

    推薦理由:文章交代監測系統如何分層篩查、升級調查及通知應對人員,並以事故回放和實際警報呈現不同環節的時效。

  4. AWS Machine Learning Blog61

    如何在 Amazon EKS 和 SageMaker HyperPod EKS 上以 NVIDIA Nemotron 模型加速智能體 AI

    AWS Machine Learning Blog 介紹如何在 Amazon EKS、EKS Auto Mode 和 SageMaker HyperPod EKS 上部署 NVIDIA Nemotron 模型,以支援智能體 AI 工作流程。

    推薦理由:文章以並行度測試比較聚合與分離式部署,並示範如何根據 TTFT、ITL 和吞吐量規劃容量及判斷擴展方向。

10月29日週四
  1. Hugging Face Blog80

    Mistral Large 4(Le Chonk)登陸 Hugging Face,提供模型權重與部署指南

    Mistral Large 4(Le Chonk)以開放權重形式登上 Hugging Face,提供 FP8 和 NVFP4 兩個官方版本。模型是多模態、多語言 MoE,約有 1T 總參數、49B 活躍參數及 1M tokens 上下文窗口,支援文字和圖片輸入並生成文字。

    推薦理由:文章整理 Mistral Large 4 在 Transformers、vLLM 和 llama.cpp 的部署方式,並附上不同硬件配置與上下文長度下的實測速度,提供實際部署參考。

  2. Mistral AI76

    Mistral Large 4(Le Chonk)發佈改進版開放權重

    Mistral AI 發佈改進版 Mistral Large 4(Le Chonk)的開放權重;這款 1-trillion-parameter 原生多模態模型提升了編碼、防禦性網絡安全及推理效率。

    推薦理由:文章把編碼基準成績與 tokens 使用效率並列,並交代開放權重模型的自託管及企業託管服務選項,呈現能力比較與部署方式。

  3. AWS Machine Learning Blog45

    Amazon Nova Act 如何以代理式 QA 自動化加快軟件交付(第 3 部分)

    QA Studio 以 Amazon Nova Act 為基礎,新增應用程式管理和團隊式用戶管理,協助 QA 自動化在組織內擴展。應用程式頁面以通過率、執行次數、失敗數及 0–100 健康評分呈現測試狀況,並提供趨勢、環境篩選、間歇性失敗測試排名和近期失敗記錄。五種角色按權限分級,應用程式只屬於一個團隊,測試權限則隨所屬應用程式而定。

  4. AWS Machine Learning Blog55

    如何在 Amazon Bedrock AgentCore 上建構企業級 Agentic AI 平台

    AWS 團隊介紹一套基於 Amazon Bedrock AgentCore 的企業級 Agentic AI 平台架構,將集中治理的 Platform 控制平面與團隊擁有的 Workstream cell 分開。藍圖涵蓋多帳戶營運、獨立推理與工具閘道,以及部署後評測和邊界測試。參考實作的部署及可用功能以 eu-west-1 (Ireland) 為基礎,並提供回滾及按依賴次序清理資源的流程。

10月28日週三
  1. Hugging Face Blog66

    用 LFM3 構建專用多模態模型

    Liquid AI 發佈 LFM3 新一代模型系列,以共享骨幹涵蓋文字、視覺、音訊、全模態及決策模型。LFM3-1.7B 以少 35% 參數超越 LFM2.5-2.6B;文字模型的上下文窗口為 256K,所有模型均可在單張 GPU 微調。LFM3 全系列採開放權重,現已在 Hugging Face 提供。

    推薦理由:LFM3 將文字、視覺、音訊與決策模型建基於同一骨幹,並支援單張 GPU 微調及端側部署,呈現小型模型按任務專門化的實作路徑。

  2. Runway:News(網頁)59

    Runway Ads 開放予所有付費 Runway 方案

    Runway 宣佈 Runway Ads 開放予所有付費方案用戶,可根據廣告帳戶的表現數據及品牌素材生成廣告版本,並須經團隊批准才會發佈。服務可連接 Meta、Google 和 TikTok,並以單一儀錶板查看廣告表現,也可從現有廣告或範本開始製作。Runway 表示,其內部由同一團隊把每週廣告量從不足100增至約1,000,每位訂閲者成本下降41%。

10月27日週二
  1. NVIDIA Blog54

    AI 如何改變失智症研究的發現速度

    C-BRAIN 與 NVIDIA 合作,運用 AI 支援阿茲海默症研究,目標是加快研究發現,推進新治療所需的科學工作。其已建構 OpenScientist 和 InsightEngine 兩項開源智能體 AI 工具,分別用於生成及分析研究假設,以及對照科學文獻、用戶提供的數據集和生物醫學知識圖譜核驗主張。

  2. AWS Machine Learning Blog66

    AI 智能體的「土撥鼠之日」:在 Amazon Bedrock 使用 OpenAI 模型的提示詞快取模式

    AWS 的 Claudio Mazzoni 示範如何在 Amazon Bedrock 上為 OpenAI 模型配置提示詞快取,讓智能體重用未變的上下文並降低重複輸入成本。文章比較隱式、顯式及混合快取,並示範如何處理工具清單變更、子智能體和跨工作階段重用。六輪工作負載中,GPT-6 Astra 的隱式快取令輸入成本約降低 62%,顯式滾動斷點約降低 61%。

    推薦理由:文章按靜態共享前綴、逐輪增長的對話及新增工具等情境,示範提示詞快取邊界的配置方法,並提供相應程式碼。

10月24日週六
  1. AWS Machine Learning Blog70

    Amazon SageMaker AI 多輪強化學習實作指南

    Amazon SageMaker AI 的多輪強化學習(MTRL)可按整個任務的結果獎勵訓練 Agent 模型,文章以 Wordle 展示端到端實作流程。以 medium effort、temperature 1.0 評估時,gpt-oss-20b 的解題率由 61% 升至 84%;訓練 token 費用約 $339,AgentCore 執行環境費用另約 $79。

    推薦理由:文章以 Wordle 示範按多輪任務整體結果設計獎勵的方法,並拆解 SageMaker AI 訓練流程,提供企業內部工作流可參照的實作脈絡。

  2. AWS Machine Learning Blog63

    Bayer Crop Science 如何透過 Amazon Bedrock AgentCore 與 AWS Unified Operations 建構 Agentic Decision Engine(ADE)

    Bayer Crop Science 基於 Amazon Bedrock AgentCore 建構 Agentic Decision Engine(ADE),作為 Connected Decision Engine(CDE)的多智能體自然語言介面,讓用戶查詢工作流程狀態、結果、模型行為及故障。

    推薦理由:文章整理 ADE 從設計到投產的關鍵工程取捨,涵蓋狀態持久化、身份與工具權限、任務級監測及成本歸因,提供多智能體系統落地的具體參照。

10月23日週五
  1. 嶺南大學 · AI 研究及應用31

    嶺南大學合辦 2026 年人工智能倫理與治理峯會,Xin Yao 倡議以 ESG 和可持續發展為本的 AI 治理

    嶺南大學與哈爾濱工業大學(深圳)合辦 2026 年人工智能倫理與治理峯會,Xin Yao 倡議以 ESG 和聯合國可持續發展目標為本,建立負責任的 AI 治理框架。峯會匯聚逾 200 名專家,探討 AI 創新、安全、社會責任與可持續發展。Xin Yao 與黃昌武合著的新書提出「負責任 AI—ESG—SDGs」協同治理框架,並倡議建立可執行的 AI 影響評估方法。

  2. Hugging Face Blog62

    ThinkingBox-Training 開放 GitHub,將資料庫終態檢查用作智能體後訓練獎勵

    ThinkingBox-Training 已在 GitHub 開放,將智能體完成任務後的資料庫終態可執行檢查用作後訓練獎勵。以 GRPO 對 Qwen3.8-27B 訓練 50 步後,在 ThinkingBox-Bench 的 507 項任務(每項測試 20 次)中,pass@1 由 51.70% 升至 60.78%,20 次全部成功的任務由 38 項增至 107 項。

    推薦理由:文章展示如何把資料庫終態的可執行檢查轉成智能體後訓練獎勵,並按基礎策略成功率篩選任務,説明混合成敗回報如何為 GRPO 提供組內對比。

  3. AWS Machine Learning Blog60

    如何使用 Amazon Quick 在 HIPAA eligible 環境部署 AI

    AWS 提供使用 Amazon Quick 部署 AI 工作流程的指南,説明服務具 HIPAA eligible 資格並不代表整個環境自動符合 HIPAA。文章梳理 PHI 經非結構化文件及結構化數據進入服務的路徑,並涵蓋 BAA、存取控制、加密與審計日誌等治理措施。指南亦列出 KMS key、身份模型及文件層級 ACL 等部署前設定,並建議先驗證非 PHI 工作流程,再逐步擴展。

    推薦理由:文章拆解 Amazon Quick 處理 PHI 的兩條資料路徑,並整理 BAA、存取控制與審計要求,呈現服務資格和整體合規責任的界線。

  4. AWS Machine Learning Blog66

    Amazon SageMaker AI training session APIs 如何讓用戶自訂訓練迴圈而毋須管理 GPU

    AWS 為 Amazon SageMaker AI 加入 training session APIs,讓用戶以本機 Python 自訂訓練迴圈,並由服務管理 GPU 運算。

    推薦理由:文章以 GSM8K 數學題及競賽編程 RL 範例,拆解本機訓練迴圈如何組合抽樣、獎勵計算與梯度更新,並由 SageMaker 管理 GPU 執行及檢查點。

  5. AWS Machine Learning Blog64

    AWS SageMaker AI 正式推出 Serverless Training Sessions,支援自訂模型後訓練迴圈

    AWS SageMaker AI 正式推出 Serverless Training Sessions,讓用戶自訂模型後訓練迴圈、損失函數及獎勵訊號,而無需管理底層 GPU 基礎設施。

    推薦理由:Training sessions 讓團隊自訂後訓練迴圈,同時由 SageMaker AI 管理 GPU 密集運算;文中以 GRPO 説明採樣、評分和權重更新如何串接。

10月22日週四
  1. NVIDIA Blog41

    NVIDIA 推出 Minerva,為 AI 工廠提供端到端可觀測性

    NVIDIA 推出 AIOps 平台 Minerva,整合基礎設施與 AI 工作負載的遙測資料,協助團隊及早發現問題,提升 AI 工廠的運作效率。平台每小時分析數十億個數據點,偵測異常、預測故障並找出可能的根本原因。Minerva 已有合作夥伴計劃部署,Dell Technologies、Lenovo 和 Supermicro 亦將把它納入 AI 工廠營運產品組合。

  2. NVIDIA Blog66

    NVIDIA Cosmos 擴展工具,支援世界模型訓練、評估及部署

    NVIDIA 擴展 Cosmos 平台,加入訓練工具、模擬檢查點及 Cosmos Data Factory 藍圖,支援世界模型訓練、評估和部署。Cosmos Data Factory 提供五種雲端原生藍圖;Cosmos Framework 則支援透過微調和強化學習調適開源模型,並以知識蒸餾和量化作最佳化。

    推薦理由:文章串連數據整理、模型調適與模擬測試等更新,並列出 Porsche、ANYbotics 等企業案例,呈現 Cosmos 工具鏈在實體 AI 開發流程中的應用。

  3. AWS Machine Learning Blog61

    Deep Insight 如何解決多智能體系統的 5 項生產環境挑戰

    AWS Solutions Architecture 團隊以 Deep Insight 説明如何應對多智能體系統投入生產環境的 5 項挑戰,涵蓋執行流程、模型選擇、程式碼安全及監控。

    推薦理由:文章把多智能體生產部署拆成協作流程、模型分工、程式碼隔離和營運監控等層面,並交代各項設計採用的元件與取捨。

  4. AWS Machine Learning Blog50

    Strands Agents 自適應智能體框架的架構與實作

    AWS 示範以 Strands Agents 建構 Adaptive Agentic Intelligence Framework(AAIF),由本地 SLM 處理例行任務,並把複雜分析路由至 Amazon Bedrock。示例以 llama3.2:1b 作本地協調器,透過 Ollama 處理設備遙測與圖像分析。文章亦説明全雲端、混合及全離線部署配置,並介紹使用 MCP 伺服器集中共享工具。