全部AI 动态.

AI 导读AWS解决方案架构团队开源Deep Insight，一个用CSV和自然语言提示自动生成带引用DOCX报告的多智能体系统，由Coordinator、Planner、Supervisor、Coder、Validator、Reporter、Tracker等角色协作。文章总结五项生产挑战及对应方案：用Strands Agents SDK的Graph与Agents-as-Tools模式控制执行流，按角色分配Claude Haiku/Opus/Sonnet并选择性启用提示缓存，用Bedrock AgentCore做托管运行与会话隔离，用Fargate+ALB沙箱执行LLM生成代码，用DynamoDB、SNS、Cognito搭建运维看板。系统提供本地CLI、Web和AgentCore三种部署方式，LG电子基于同架构将分析时间从3天缩至30分钟。

AI 选稿理由给出可复用的多智能体生产架构细节：分层编排、按角色选模型与选择性提示缓存、Fargate沙箱执行生成代码的具体做法，并附LG电子落地数据（3天缩至30分钟），系统已开源可直接参考。

AI 导读AWS 发布教程，介绍如何让本地数据源与 Amazon Quick 之间的流量不经过公网：用 PrivateLink 的 VPC 端点承载控制台、API 等用户流量，用 Quick 控制台创建的 VPC 连接让 Quick Sight、Flows、Agents、Index 等经 ENI 访问 VPC 内及经 Direct Connect/VPN 连通的本地数据库和内部 API；另需为 S3、Redshift、Athena、Secrets Manager、Glue 建服务端点，并放行 CloudFront 等无端点支持的域名。文章还给出执行角色权限、端点策略、DNS 配置、IP/VPC 端点强制限制以及故障排查方法。

AI 导读AWS发布技术文章，介绍如何在AWS Trainium上使用torchtitan训练Qwen3模型。文章提供了三种配置方法：使用Transformers v5作为建模后端、使用torchtitan原生Qwen3实现、以及添加Neuron Kernel Interface混合专家内核。所有方法均可在单台trn2.48xlarge实例上运行，支持预训练和微调，并展示了如何加载和保存Hugging Face检查点。

AI 选稿理由提供了在AWS Trainium上训练Qwen3模型的具体技术实现方法，包括三种不同配置的代码示例和性能验证，适用于分布式AI训练和推理工作流的开发者。

AI 导读Pollen Robotics与Hugging Face推出平价开源双足机器人Microduck，本篇教程演示用NVIDIA Isaac Lab和Newton在GPU并行仿真中训练行走策略：61维观测、14维关节输出，16卡配置在崎岖地形下最高约125万步/秒；通过域随机化和 backlash 建模覆盖伺服摩擦与延迟，评估后自动导出ONNX，再经robotctl加载到真机，也可上传Hugging Face Hub或在Microduck Arena比拼。

AI 导读教程从零介绍如何用 torch.profiler 配合 Neuron 后端抓取干净的性能轨迹，通过 key_averages() 表定位占用 Neuron 设备时间的 ATen 算子，并用 Neuron Explorer 追踪一次算子从框架分发、运行时调度到 NeuronCore 硬件执行的全过程。以 RMSNorm 为例对比三种实现：朴素逐算子约 2355 微秒、torch.rms_norm 约 403 微秒、torch.compile 约 376 微秒，后两者融合为单次内核调度，设备时间约为前者的六分之一。

AI 导读Hugging Face 博客发布 TorchNeuron 系列教程第一篇，讲解如何在 AWS Trainium 上用 torch.profiler 和 Neuron Explorer 分析推理性能。文章以 RMSNorm 为例对比三种实现：朴素 PyTorch 算子约 2,355 µs，torch.rms_norm 约 403 µs，torch.compile 约 376 µs，后两者融合为单内核，设备时间约为朴素实现的六分之一。内容包括 NeuronConfig 配置、按 self_privateuse1_time_total 读表、用依赖链追踪一次算子从框架调度到硬件执行。

AI 选稿理由提供可复用的 Trainium 推理性能分析方法，并给出 RMSNorm 三种实现的设备耗时对比，适用于在 Neuron 后端定位算子级热点。

AI 导读基座 GPT-OSS-20B 在 50 例多语言推理测试中仅 22% 按目标语言推理（英 100%、法/西/意 0%、德 10%）。作者在 SageMaker HyperPod 上用 LoRA 微调，结论是 SFT 完成主要工作，GRPO 只在有能力提升空间时起作用；另用 Qwen2.5-7B 做对照实验验证该规律。

AI 选稿理由给出了 SFT 与 GRPO 何时各自动手的可复用判断标准和完整训练栈配置，帮助团队针对非英语用户定制开源推理模型。

AI 导读Octave 为 14000 多家受监管行业客户的质量管理平台 Reliance 构建了多租户 AI 基础。团队把所有租户的隔离要求作为前提，用 Amazon Bedrock 上的 Cohere Embed v4 完成 20 亿份文档的嵌入，并把向量存储按租户隔离到 OpenSearch Service；执行层通过 Bedrock AgentCore Gateway 和隔离 microVM 调用 Claude，前后两次经过 Bedrock Guardrails 过滤。该基础已将每个用例的部署时间缩短 50%。

AI 选稿理由文章完整给出了受监管 SaaS 平台在租户数据严格隔离、不可信内容进入和超大规模嵌入三方面的解决办法，包括逐租户向量库、按用户权限执行 Agent 和输入与输出双重过滤，可作为同类多租户 AI 平台的工程参考。

AI 导读基于 Amazon Bedrock AgentCore 的多智能体 IDP 系统可自动分类、提取、校验并学习新文档格式，无需人工配置模板，通常 20 分钟内即可完成部署。

AI 导读在AI Engineer纽约大会上，OpenAI的Joseph Kim提出模型能力越过“有用性阈值”后，金融Agent将能承担投资想法生成和交易；Anthropic则强调先建立身份、权限、沙箱、审批与可复现的信任层，让Agent只提议不执行。Two Sigma与Bloomberg补充了分类器、范围化凭证、工具调用控制与熔断开关等落地控制手段。

AI 选稿理由整理了OpenAI、Anthropic、Two Sigma和Bloomberg在金融Agent安全上的具体设计，包括审批分类器、身份权限层和确定性外部控制，可供开发金融Agent的团队直接参考。