Amazon Elastic Container Registry
PulseAugur coverage of Amazon Elastic Container Registry — every cluster mentioning Amazon Elastic Container Registry across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AWS Bedrock AgentCore 推出 Runtime Instances，支持长时间运行的多代理工作流
AWS 为其 Amazon Bedrock AgentCore 推出了新的计算选项 Runtime Instances，专为持久化、长时间运行的多代理工作流而设计。与无服务器微虚拟机不同，Runtime Instances 利用托管的 EC2 基础设施来支持多天会话、GPU 和共享文件系统，使多个代理能够协作完成复杂任务。这项新功能通过一个涉及三个专业代理的音乐制作流水线得到演示：一个负责作曲和音频生成，另一个负责交付和音频工程，第三…
-
AWS SageMaker 支持无服务器模型定制以进行产品标记
Amazon SageMaker 提供了一项新的无服务器模型定制功能，允许用户针对产品标记等特定任务微调开放权重模型。该方法使用监督微调 (SFT) 和带有可验证奖励的强化学习 (RLVR) 来优化 Qwen3-8B 等模型以实现一致的属性生成。无服务器定制功能可管理训练容量，然后可以将优化后的模型部署用于批量处理，例如目录丰富。
-
AWS SageMaker HyperPod 添加模型缓存以大幅缩短推理冷启动时间
Amazon SageMaker HyperPod 引入了一项模型缓存功能，旨在显著减少推理冷启动时间。此新功能将模型权重和容器镜像预加载到集群节点上，使 Pod 能够从本地 NVMe 存储高速访问数据，而不是依赖于较慢的网络下载。因此，推理 Pod 可以在几秒钟内开始提供流量，而不是之前所需的几十分钟，从而提高了自动扩展的响应速度。
-
AWS 通过 LiteLLM 网关实现 OpenAI Codex 的集中控制
AWS 详细介绍了一种在 Amazon ECS 和 Amazon Bedrock 上使用 LiteLLM 设置 OpenAI 的 ChatGPT Codex 的方法。此方法允许组织为生成式 AI 编码代理实施集中的企业级控制，管理模型访问、消耗归因、预算和速率限制。该解决方案涉及在 AWS 账户内部署客户操作的 LiteLLM 网关，该网关充当 Codex 和 Amazon Bedrock 之间的控制点，确保安全和受管理的模型交互。
-
ZS Associates通过安全的Amazon SageMaker平台增强临时分析能力
ZS Associates已开发出一个使用Amazon SageMaker的安全、临时分析平台，旨在平衡开发者的敏捷性与医疗保健等受监管行业严格的合规性要求。该平台服务于超过1000名日常用户，采用多租户架构，配备隔离的SageMaker域和三层IAM角色结构，以确保细粒度控制并遵守最小权限原则。通过集成互联网隔离模式、加密存储和实时软件包扫描等安全措施，ZS在保持强大的数据保护和运营效率的同时，成功实现了机器学习访问的民主化。
-
Amazon SageMaker SDK v3 简化自定义模型部署
Amazon SageMaker 发布了其 Python SDK 的 3.0 版本，为将自定义模型和代码引入其 AI 平台引入了简化的工作流程。新 SDK 用统一的 ModelTrainer 和 ModelBuilder 类取代了特定于框架的估计器，从而简化了训练和部署过程。一个关键特性是 SourceCode 配置对象，它允许在运行时将本地代码同步到容器中，从而无需重新构建容器即可实现更快的迭代，并提供对容器环境的完全控制。
-
AWS 安全 AI：三种适用于不同工作流的架构
AWS 安全团队可以根据具体工作流，利用三种不同的架构模式来实现 AI 辅助调查。对于 AWS 安全发现的实时交互式分析，AWS 托管 MCP 结合 Claude Code 或 Codex 等工具，可提供对 AWS API 的只读访问。在分析预先存在的安全报告时，自定义 MCP 方法适用于处理存储在 Amazon S3 中的数据。对于自动化、计划性的报告生成，AWS Lambda、boto3 和 Bedrock 的组合提供了一条确定的…
-
将 SageMaker 的机器学习模型训练和部署自动化
本文详细介绍了一个自动化的 MLOps 工作流程，用于将机器学习模型从训练转移到 Amazon EKS 上的生产环境。它利用 Amazon SageMaker 进行模型调优、评估和可解释性分析，然后使用 AWS CodeBuild 和 Amazon ECR 进行容器化和部署。该过程强调可重复性，确保部署使用可追溯的模型构件和已批准的软件包。
-
AWS SageMaker AI 通过集成 BoltzGen 简化蛋白质设计
Amazon SageMaker AI 现已提供一个简化的平台，通过使用 BoltzGen 生成模型来加速蛋白质设计。此次集成旨在简化复杂且计算密集型（GPU 密集型）的蛋白质和肽设计过程，使其能够结合特定靶点。通过管理从配置实例到清理资源的整个计算基础设施生命周期，SageMaker AI 使研究人员能够专注于设计迭代，而不是运营开销。
-
Amazon SageMaker AI 通过容器缓存加速模型扩展
Amazon SageMaker AI 推出了容器缓存功能，以加速推理过程中的模型扩展。此新功能通过消除新实例预配时下载容器镜像的时间，将生成式 AI 模型的端到端延迟最多降低 51%。对于大型模型和复杂工作负载，此改进尤为显著，在测试案例中将启动时间从 525 秒缩短至 258 秒。
-
AWS 和 NVIDIA Parakeet-TDT 提供经济高效的多语言音频转录
NVIDIA 发布了 Parakeet-TDT-0.6B-v3，一个开源的多语言音频转录模型，能够处理 25 种欧洲语言。该模型部署在带有 GPU 实例的 AWS Batch 上，通过同时预测文本 token 和时长来实现高推理速度，从而以显著降低的成本进行转录。该解决方案架构旨在经济高效且可扩展，处理上传到 Amazon S3 的音频文件，并利用 EC2 Spot Instances 以节省更多成本。