Amazon Elastic Kubernetes Service
PulseAugur coverage of Amazon Elastic Kubernetes Service — every cluster mentioning Amazon Elastic Kubernetes Service across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
TReNDS 利用 Amazon Bedrock 自动化 AI 驱动的根本原因分析
TReNDS 中心是佐治亚州立大学、佐治亚理工学院和埃默里大学参与的一项研究计划，已开发出一套自动化系统，用于分析和识别其应用程序中错误的根本原因。该系统利用亚马逊网络服务 (Amazon Web Services) 的服务 Amazon Bedrock 来处理错误日志和源代码。通过与 AWS Lambda 和 GitHub 等工具集成，该系统可以实时检测错误，提取相关上下文，并为工程团队提供 AI 驱动的根本原因分析，从而显著缩短调查时间。
-
Moonshot AI 发布 Kimi K3，一款 2.8T 参数的开源 MoE 模型
Moonshot AI 发布了 Kimi K3，这是一款拥有 2.8 万亿参数的开源专家混合（MoE）模型。该模型采用了 Kimi Delta Attention 等架构创新，提高了扩展效率，并在长时程编码和代理工作流等复杂任务上表现出色。模型权重以 MXFP4 格式在 Hugging Face 上提供，并详细介绍了如何使用 Amazon SageMaker HyperPod 和 Amazon EKS 在 AWS 上进行部署，这需要 …
-
Couchbase 在 AWS Bedrock 上构建多模型 AI 架构以支持 Capella iQ
Couchbase 为其 Capella iQ 服务开发了多模型 AI 架构，利用 Amazon Bedrock 集成各种基础模型。这种方法增强了灵活性、运营韧性和可扩展性，使 Capella iQ 能够处理流量激增并在不同的 AWS 区域内保持高可用性。该架构通过将推理流量保留在 AWS 基础设施内来优先考虑安全性和数据驻留。
-
Unsloth 通过动态量化实现 AWS 上 LLM 的高效部署
Unsloth 开发了一种动态量化方法，可在保持精度的同时显著减小大型语言模型的内存占用。该技术分析模型的每一层，以确定其对精度损失的敏感度，从而允许对不敏感的层进行积极压缩至 4 位精度，而关键层则保留更高的精度。这种方法使得通常需要大量 GPU 资源的模型可以在较小的实例甚至 CPU 上运行，从而降低服务成本并加快迭代周期。
-
平台工程师使用 KServe 在 EKS 上部署 ML 模型的指南
本指南详细介绍了平台工程师如何使用 KServe 在 Amazon Elastic Kubernetes Service (EKS) 上有效地部署机器学习模型。它提供了设置必要的基础设施和配置以实现强大 ML 模型部署的循序渐进的方法。文章强调了最佳实践，以确保在 Kubernetes 环境中成功高效地服务模型。