跳到正文
10月13日周二
  1. AWS Machine Learning Blog一手

    ShipStation Global 用 Amazon Bedrock AgentCore 构建 AI IT 客服 Deckhand

    ShipStation Global 用 Amazon Bedrock AgentCore 构建 AI IT客服 Deckhand,在 Slack 频道中自动回答常规 IT 问。该系统在 12 个月 1,500 个工程师工单中,解决了 97.5% 的频道查询,并获得 96% 的员工好评。Deckhand 可读取错误信息截图,并可一键将对话转为情境化的 Jira 工单。

    阅读原文 来源:AWS Machine Learning Blog
  2. NVIDIA Blog一手

    NVIDIA RTX Spark:全球 PC 应用生态系统就绪

    NVIDIA RTX Spark 发布,将游戏 PC、创意工作室和个人 AI 超级计算机合二为一。10 月 16 日起可购买,新增智能体功能包括 GitHub Copilot、Hermes 等更新,Nemotron 3.5 Bolt 74B 等模型发布。

    阅读原文 来源:NVIDIA Blog

    推荐理由RTX Spark 发布了新的智能体功能、模型和工具,给出了开放入口和主要能力变化,读者可以据此判断它会怎样改变现有工作流。

10月12日周一
10月9日周五
  1. NVIDIA Blog一手

    NVIDIA 发布 Astra 与 Omniverse 库结合的开发者应用实例

    NVIDIA 发布 Astra 与 Omniverse 库结合的开发者应用实例。Astra 与 Omniverse 库结合,开发者可通过自然语言指令指挥 AI 代理完成模拟搭建、物理仿真和传感器模拟等工作。

    阅读原文 来源:NVIDIA Blog

    推荐理由原文展示了 Astra 与 Omniverse 库结合的多个应用实例,读者可以看到具体的能力变化和开放入口,据此判断它会怎样改变现有工作流。

10月8日周四
  1. GitHub Blog: AI & ML一手

    GitHub Blog: Secret protection must scale with software

    GitHub 发布数据显示,一季度三个 PR 涓涉 AI 代理,年内从 1/10 升至 1/3。九季度数据显示,推送凭证暴露率无显著上升,但开源者主动作从 6.63% 跌至 3.93%。GitHub 用微调分类器可在 2ms 内判断候选凭证,并使可防止的凭证数目超两倍;推送掦护在一季度内每秒至少阻断一次凭证。

    阅读原文 来源:GitHub Blog: AI & ML
  2. Microsoft Research一手

    Agent Lightning v1.0:3,500 行轻量化 Agentic RL 框架,支持真实 harness 训练

    Microsoft Research Asia 发布 Agent Lightning v1.0,这是一个约 3,500 行代码的轻量化 Agentic RL 框架。

    阅读原文 来源:Microsoft Research

    推荐理由Agent Lightning v1.0 发布轻量化的 Agentic RL 框架,展示了通过真实 harness 训练的方法和 Kubernetes 原生部署,读者可了解该框架如何解决传统 RL 重实现成本高、行为偏差大的问题。

10月6日周二
  1. Google Research一手

    Google发布智能体隐私与安全研报:基于语境完整性的治理框架

    Google发布研报《Open and Emergent Problems in Agentic Privacy and Security: A Contextual Angle》,基于语境完整性理论扩展智能体行为的语境安全。

    阅读原文 来源:Google Research

    推荐理由本文提供了首个系统性的框架,将语境完整性理论扩展到智能体行为的安全与隐私,读者可以据此理解当前智能体系统的核心挑战与治理路径。

10月2日周五
9月9日周三
5月8日周五
  1. Berkeley AI Research一手

    Adaptive Parallel Reasoning:高效推理的下一个范式

    文章分析了平行推理的最新进展,重点探讨了自适应并行推理。研究指出,现有方法多由外部决定并行结构,缺乏模型自主决策能力。文章介绍了从固定并行到自适应控制的演进,涵盖了Fork-and-join、Tree of Thoughts、GroupThink以及Hogwild! Inference等方法,并讨论了模型如何根据问题复杂度自主决定并行程度与线程数量。

    阅读原文 来源:Berkeley AI Research