跳到正文

#教程/实践

今日 5 条
11月1日周日
10月31日周六
  1. AWS Machine Learning Blog39

    Amazon Bedrock 端到端成本管理:面向 FinOps 与平台团队的实践指南

    文章提出了一套基于 Amazon Bedrock 的五阶段成本管理运营模型,涵盖成本归属、请求观测、预算执行、平台优化及定期审查。该模型利用 IAM 身份实现发票级成本归属,并通过每用户会话管理解决共享角色导致的归属缺失问题。此方法旨在将生成式 AI 成本管理从简单的模型比价转变为架构与运营纪律,以应对 Agentic 工作负载带来的 token 消耗激增。

10月30日周五
  1. AWS Machine Learning Blog46

    Kiro 如何构建可复用的 PHP 到 Java 迁移引擎

    Kiro 通过集成 AI 智能体与代码库,利用共享方法论、机械发现扫描器及八阶段工作流,将 PHP 到 Java 的迁移转化为可测量的重复过程。该引擎将原始 PHP 应用视为规范,并通过一致性测试框架验证 Java 移植的正确性。此方法支持在 Kiro 中交互式运行,或通过 AWS Transform 进行大规模自主迁移。

  2. AWS Machine Learning Blog44

    MoEngage 利用 AgentCore Gateway 将 400 个 API 转化为智能体工具

    MoEngage 使用 Amazon Bedrock AgentCore Gateway 将 400 个私有 REST API 转化为权限受限的智能体工具,避免了构建 20 个独立 MCP 服务器的复杂性。该方案无需公开端点,将新 API 接入时间从数天缩短至数小时,并节省了约 6 个月的平台工程工作量。此前这些 API 分散在七个 AWS 区域的私有 VPC 中,难以被智能体安全访问。

10月29日周四
  1. AWS Machine Learning Blog36

    基于 Amazon Bedrock AgentCore 构建企业级 Agentic AI 平台

    AWS 发布基于 Amazon Bedrock AgentCore 的企业级 Agentic AI 平台参考架构与蓝图。该方案采用联邦式运营模式,通过独立的推理与工具网关、多账户控制平面及自动化评估流水线,实现 Workstream 团队在安全边界内的独立部署、回滚与成本归因。此架构旨在解决多团队构建智能体时的治理漂移、所有权审计及跨账户成本可视化等生产环境瓶颈。

10月28日周三
  1. Simon Willison36

    webframe 作为爬虫与沙箱的评估

    评估显示 webframe 是适合爬虫的快速轻量级浏览器 JavaScript 运行器,性能与 shot-scraper 相当,但存在 CSP 失败、0×0 视口及加载挂起等缺陷。该工具由 Jeff Lindsay 开发,基于 Go 和 glaze 库运行,无需捆绑浏览器引擎。作者使用 Claude Opus 5.5 对其进行了测试并生成了研究报告。

  2. Simon Willison23

    GitHub Universe 会议徽章运行 Game Boy Color 模拟器

    GitHub Universe 会议徽章被改造为可运行 Game Boy Color 模拟器的彩色屏幕计算机。Steve Francia 利用 Gemini 协助在徽章上部署了 Game Boy 和 Game Boy Color 模拟器,支持运行《塞尔达传说:林克的冒险》等 ROM。该徽章支持倒置使用内置触控按钮作为手柄,延续了去年徽章作为全功能彩色屏幕计算机的设计。

  3. TechCrunch · AI78

    OpenAI 与 Anthropic 称模型反驳 ETH,这意味着什么

    OpenAI 与 Anthropic 称其模型反驳了 ETH,本文解释该主张对计算复杂性和密码学的含义。OpenAI 昨日发布三道数学问题解法,Anthropic 数小时后也公布自身反驳。若主张成立,将促使学界重审大量依赖 ETH 的论文,且 OpenAI 检查后认为未破译现有加密系统。

    推荐理由:文章解释了 OpenAI 与 Anthropic 称模型反驳 ETH 的主张,以及它如何促使学界重审相关论文并引发密码学层面的考量。

  4. AWS Machine Learning Blog50

    Exowatt 借助 SageMaker 无服务器模型定制在专属任务准确性上超越前沿模型

    Exowatt借助Amazon SageMaker AI无服务器模型定制微调Qwen3-1.7B与Qwen3-14B,在告警分类和能源市场分析任务上准确性超越前沿模型且成本最高降至1/49。流水线覆盖数据准备、微调、评估与边云部署,边缘模型量化至8位运行于现有CPU,云端模型经Bedrock导入按活跃计费无闲置成本。该实践源于Exowatt设备群从测试台向制造与现场单元扩展时对可缩放AI层的需求。

10月27日周二
  1. Latent Space64

    在喜马拉雅山麓用 OpenCode 与本地 Qwen3.5 9B 离线编码智能体实践

    Rittika Jindal 在断开网络后使用 OpenCode 连接本地 Ollama 运行的 Qwen3.5 9B,成功修复 expense_total.py 的 bug 并通过全部测试。文章给出离线环境准备、配置与测试命令,证明编码智能体可在无互联网时完成本地文件改错与运行检查。这一实测源于作者在喜马拉雅山麓遭遇网络断电仍想维持编码工作流的需求。

  2. AWS Machine Learning Blog47

    Amazon Bedrock 上 OpenAI 模型的 AI 智能体提示缓存模式

    在 Amazon Bedrock 上使用 OpenAI 模型时,通过提示缓存可复用智能体重复发送的工具定义与指令,降低输入成本。文章演示了结合隐式与显式缓存,利用 prompt_cache_breakpoint 标记静态前缀,使后续请求仅处理新增内容。此前智能体每轮需重读全部历史,导致 token 费用随轮次线性增加。

10月26日周一
  1. IT之家48

    AI 逆向破解索尼 A7C II 固件,解锁 FL2/FL3 及富士理光滤镜

    网友利用 AI 逆向技术为索尼 A7C II 相机制作定制固件,直接解锁 FL2、FL3 胶片模式,并支持导入外部 LUT 及富士 NC、理光 GR 直出色调。配套工具 A7C II Tools 3.0 已推出,是首个拥有正式图形界面的版本,无需命令行即可完成驱动设置与安装。该工具仅支持固件 2.01,且修改相机可能导致无法开机或影响保修。

10月25日周日
  1. Hacker News · AI 热帖45

    Cerebras 部署万亿参数 AI 模型

    Cerebras 演示了如何在 WSE-3T 晶圆上部署 Kimi K3 等万亿参数模型,实现 1000-2000+ tokens/s 的推理速度。该方案将 3T 参数的 Kimi K3 拆分至 59 片晶圆,利用 4-bit 量化和流水线并行处理并发请求。此前 Cerebras 常面临单片晶圆 44 GB 内存无法容纳大模型权重的挑战。

10月24日周六
  1. AWS Machine Learning Blog52

    Amazon SageMaker AI 多轮强化学习动手指南

    AWS 官方博客发布在 Amazon SageMaker AI 上实践多轮强化学习(MTRL)训练智能体的动手指南,以 Wordle 展示从部署到评估的端到端流程。实验将 gpt-oss-20b 在保留词上的解决率从 61% 提升至 84%,训练 token 费用约 $339。教程指出同一管道适用于公开模型未训练过的内部多步任务。

  2. AWS Machine Learning Blog35

    AWS CDK 编排 SageMaker AI 端点自动扩缩容

    AWS CDK 通过自定义资源编排 SageMaker AI 端点更新时的自动扩缩容注册与注销流程。该方案解决了 CloudFormation 在更新端点配置时因自动扩缩容目标未注销导致的部署失败或状态丢失问题。开发者可在单次部署中同时更新端点配置和自动扩缩容参数,无需手动干预。

10月23日周五
  1. MIT Technology Review · AI26

    EXL 阐述如何设计持久可用的 AI 服务框架

    EXL 指出企业 AI 的竞争优势取决于围绕模型构建的服务框架,而非模型本身。该框架需根据工作负载定义架构,通过优化内存管理与调度解决生产环境中的延迟与成本瓶颈。EXL 强调架构应具备适应性,以便在模型或硬件更新时避免平台重建,从而确保持续的业务价值。

  2. The Verge · AI41

    利用旧游戏与 AI 破解 Switch 2

    任天堂 Switch 2 已被破解,黑客利用旧游戏 SmileBASIC 4 和 OpenAI Codex 实现了名为 “ns2jb” 的纯软件有线越狱。该越狱需每次开机时从游戏运行,目前已展示运行包含新角色的定制版《Mario Kart World》。

  3. AWS Machine Learning Blog37

    Rescale 如何利用 Strands Agents 和 AI-DLC 构建 AI 分诊智能体

    Rescale 利用 AWS 的 AI-DLC 框架和 Strands Agents 构建了自动化测试失败分诊智能体,从问题定义到预发布部署仅用五天。该智能体运行在 Amazon EKS 上,调用 Claude Opus 4.8 对端到端测试失败进行分类和路由,并通过 MCP 查询日志生成修复报告。此前 Rescale 工程师需手动处理大量测试失败,导致发布流程受阻。

© 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