跳到正文

动态

今日 7 条
10月4日周日
10月3日周六
  1. IT之家61

    OpenAI 发布 GPT-6 系列模型使用指南,讲解选模型与提示词优化

    OpenAI 发布 GPT-6 系列模型使用指南,介绍如何选择模型、优化提示词以及管理长时间运行的任务。指南建议按工作负载选型,GPT-6 Astra 面向最高难度推理,GPT-6.1 Sol 面向复杂编程、研究和计算机使用任务,GPT-6 Luna 面向大规模重复性工作,日常问答不必追求最高推理强度。提示词方面,OpenAI 建议先说清目标、受众、上下文、限制条件和完成标准。

  2. AWS Machine Learning Blog39

    Amazon SageMaker AI 使用多轮 RL 微调搜索智能体

    在 Amazon SageMaker AI 上使用多轮强化学习(MTRL)微调 Qwen3.6-27B 模型,构建能自主决策检索策略的搜索智能体。该方法通过优化完整多轮轨迹,使小模型兼具前沿模型的可靠性与低成本推理速度。此前单轮 RL 或监督微调难以有效处理多步交互中的依赖关系。

10月2日周五
  1. GitHub Blog · AI & ML46

    GitHub 提出开发者应对 AI 变革的三项核心技能

    GitHub 建议开发者重点强化指导 AI 智能体、批判性评估输出及解决复杂问题三项技能。文中指出,随着 AI 承担更多实现工作,开发者需从单纯写码转向定义问题、审查代码及权衡技术取舍。GitHub Copilot 内置的 Rubber Duck agent 利用第二模型批判首模型方案,以弥补单一模型的盲区。

  2. AWS Machine Learning Blog43

    Amazon Bedrock AgentCore 利用 Agentic AI 加速云迁移

    基于 Amazon Bedrock AgentCore 的四智能体模式将大型云迁移项目中每个应用的 IaC 开发时间从 3 到 4 周缩短至几分钟。该方案通过 MCP 工具连接内部系统,与 AWS Transform 和 AWS DMS 配合,覆盖 300 多个应用的迁移及运维需求。此前此类定制化 IaC 组合需耗费数年工程人力,此模式实现了自动化治理与监控。

  3. AWS Machine Learning Blog41

    使用 NVIDIA NeMo Agent Toolkit 和 Amazon S3 Vectors 构建智能体记忆

    文章展示了如何在 Amazon EKS 上部署 NVIDIA NeMo Agent Toolkit (NAT) 1.6,并将 Amazon S3 Vectors 实现为自定义持久记忆层。该方案利用 S3 Vectors 支持单索引 20 亿向量及强写入一致性,满足生产级多智能体系统对弹性存储和成本效率的需求。这是继此前探讨 S3 Vectors 架构优势后,进一步落地具体实现的技术指南。

  4. AWS Machine Learning Blog47

    Amazon Payments 利用 AWS SageMaker AI 上的上下文多臂老虎机优化获客漏斗

    Amazon Payments 在 Amazon SageMaker AI 上部署多目标上下文多臂老虎机(MAB),用于优化产品获客漏斗中的个性化内容选择。七周在线 A/B 测试显示,针对特定客户群体,最终漏斗转化率实现了高个位数的相对提升,但另一群体未见改善,表明问题在于内容而非模型。

  5. Simon Willison34

    pwasm 0.2a0 发布

    pwasm 0.2a0 发布,该纯 Python WebAssembly 引擎经 Claude Opus 5.5 优化后支持几乎全部 WASM 规范。PyPI 发布的 wheel 包现包含 MicroPython、QuickJS 和 Micro QuickJS 的 WASM 构建。这是作者首次让 AI 模型改进其 10 个月前由 AI 生成的代码。

  6. AWS Machine Learning Blog33

    uniopen 如何定制 Amazon Nova 以符合零售审核策略

    uniopen 通过 Amazon SageMaker AI 对 Amazon Nova 2 Lite 进行监督微调,并优化提示词,以适配其特定的零售内容审核策略。在 737 个对话窗口的测试集中,微调后的模型显著提升了行为与主体分类的 Macro F1 分数。该方案利用 AWS 托管服务构建了包含人工验证、评估及部署控制的自动化工作流,实现了生产环境的持续优化。

9月30日周三
  1. AWS Machine Learning Blog35

    Amazon Quick 提示工程基础:核心原则与结构化框架

    本文阐述 Amazon Quick 提示工程的核心原则,包括通过具体性提升清晰度、利用业务背景增强相关性以及使用示例进行少样本学习。文章介绍了 CRISPE 框架,通过定义背景、角色、意图、步骤等维度构建结构化提示,以在 Quick 各组件中生成一致且高质量的 AI 输出。

  2. AWS Machine Learning Blog28

    Amazon Quick 各组件提示工程模式与陷阱

    文章解析 Amazon Quick 各组件的提示工程最佳实践。Quick Research 需明确目标、受众及范围,并限定数据源以减少噪音;Quick Flows 应将复杂逻辑拆解为编号步骤,利用 agentic runtime 通过对话迭代优化;Quick Sight 查询需包含业务问题、指标、维度及可视化偏好。

9月29日周二
  1. AWS Machine Learning Blog22

    在 SageMaker AI 上用 vLLM-Omni 生成图像与视频(第 2 部分)

    在 Amazon SageMaker AI 上部署同一个 AWS vLLM-Omni DLC 镜像的两个端点: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 生成图像条件视频。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,生成的 MP4 存回 S3,示例提供命令行与 Streamlit 界面。

9月28日周一
9月27日周日
9月26日周六
  1. AWS Machine Learning Blog34

    NarrateAI:在 Amazon Bedrock 上实现生产级 LLM 质量保障

    NarrateAI 在 Amazon Bedrock 上通过五项技术实现约 99% 的数值准确率,并支持实时流式响应。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。该系统已服务超过 4,000 名 AWS 高管领导者,用于实时业务评审中的对话式数据分析。

9月24日周四
  1. GitHub Blog · AI & ML42

    GitHub Copilot 应用如何渲染超大 Pull Request

    GitHub Copilot 应用重构了 Pull Request 视图,以支持包含 2,200 个文件和超百万行变更的超大 diff 渲染。通过采用双几何架构,将代码行高度与动态评论块高度分离,解决了评论高度未知导致的滚动卡顿问题。该方案确保了在极端负载下,即使存在 400 多条内联评论,审查体验依然保持快速流畅。

  2. Simon Willison15

    用可交互示例讲解 Shadow DOM 的 shadow roots

    一份可交互示例讲解 shadow roots 的教程,演示样式封装、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,并与页面 DOM 进行受控交互。该示例由 Fable 5.1 Medium 根据提示词生成。

9月12日周六
9月11日周五
  1. GitHub Blog · AI & ML40

    GitHub Copilot app 新手指南:使用 diff、终端和浏览器面板

    GitHub Copilot app 内置 diff、终端和浏览器面板,允许用户在不离开应用的情况下审查代码变更、运行命令及预览界面。用户可通过 diff 面板接受或修改变更,在终端面板执行如 `npm run dev` 等脚本,并利用浏览器面板的 Pick & Polish 工具迭代 UI。这种集成工作流消除了应用切换,帮助用户在合并前验证 AI 生成代码的功能与正确性。

9月10日周四
  1. Hugging Face Blog60

    用 Hugging Face Jobs 跨机跑 Async GRPO 与 LoRA:一个存储桶、一个代理、不用 NCCL

    Hugging Face 博客介绍如何在 Hugging Face Jobs 上跨机运行 AsyncGRPOTrainer:训练 Job 只把 LoRA adapter 写入 Storage Bucket,两个 vLLM Job 从同一挂载路径读取,代理负责加鉴权头、按 KV 前缀路由 rollout 并把 adapter 加载广播到所有副本,全程不需要 NCCL。

    推荐理由:原文给出跨机异步 GRPO 的完整工程配方与五轮瓶颈定位数据,可迁移到自建 RL 训练流水线。

9月9日周三
  1. Mistral AI42

    Mistral 利用 AI 智能体将 4 万行 Fortran 77 代码迁移至 C++

    Mistral 协助欧洲能源运营商将 4 万行 Fortran 77 代码迁移至 C++,解决了无测试套件和文档的遗留代码现代化难题。项目通过构建数值一致性验证框架,并利用 Vibe CLI 生成调用树,调度超过 100 个智能体完成代码文档化。最终采用人类监督 coder、tester 和 reviewer 智能体的工作流,实现了模块化的代码重构与质量保障。

9月4日周五
  1. GitHub Blog · AI & ML38

    GitHub Copilot app 入门:如何同时运行多个智能体

    GitHub Copilot app 支持同时运行多个智能体会话,每个会话运行在独立的 Git worktree 上,互不干扰且各自保留上下文。用户可在 sessions view 中查看各会话标题与任务进度,并随时切换、无需重新说明背景。文中以 tailspin-toys 仓库为例,演示了并行处理 funded sort、无障碍审查和测试三项任务。

9月3日周四
8月26日周三
8月21日周五
8月18日周二
  1. Hugging Face Blog62

    Sentence Transformers v6.0 新增 MultiVectorEncoder 支持晚交互检索

    Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder,用于 ColBERT 式晚交互检索,可直接加载 PyLate、Stanford-NLP ColBERT 检查点,也能通过同一套 API 运行 colpali-engine 的视觉文档检索模型。

    推荐理由:原文给出多向量编码器的加载、打分与索引实测数据,可据此判断晚交互检索的落地成本。

© 2026 SI·Hot · Super Intelligence Hot · 超级智能热点 · 网站数据均来源于网络公开资料,版权归来源方所有