Amazon SageMaker
PulseAugur coverage of Amazon SageMaker — every cluster mentioning Amazon SageMaker across labs, papers, and developer communities, ranked by signal.
- 2026-07-06 product_launch Amazon SageMaker launched an MLflow integration for streaming AI benchmark and recommendation results. 来源
- 2026-06-22 product_launch AWS SageMaker now supports ComfyUI for running AI processing jobs, enabling scalable content generation. 来源
- 2026-06-17 product_launch Amazon SageMaker AI Async Inference now supports inline request payloads, simplifying the inference process by allowing direct payload submission. 来源
- 2026-06-17 product_launch Amazon SageMaker AI Async Inference now supports inline request payloads, simplifying the process for users sending inference data. 来源
- 2026-06-08 product_launch Amazon SageMaker has introduced end-to-end encrypted ML inference capabilities using fully homomorphic encryption. 来源
- 2026-05-28 product_launch AWS launched a new integration method for SageMaker MLflow Apps into custom portals. 来源
- 2026-05-13 product_launch Integration enabling governed LLM fine-tuning with Databricks Unity Catalog. 来源
- 2026-05-04 product_launch Amazon SageMaker introduced capacity-aware instance pools for AI inference endpoints. 来源
10 天有情绪数据
-
AWS SageMaker HyperPod 通过新功能提升企业 AI 推理能力
Amazon SageMaker HyperPod 推出了新功能，以增强生成式 AI 工作负载的企业推理能力。这些更新包括在推理管道的各个节点改进数据捕获能力，提供更强的可观测性和可审计性。该平台现在支持直接从 Hugging Face 等社区中心进行部署，并内置了受控访问和版本固定功能。通过 NVMe 存储降低延迟以提升性能，并通过细粒度的 IAM 权限和自动 DNS 管理增强安全性。
-
AWS GraphRAG 使用统一知识图谱将药物研发速度提高 87%
Amazon Web Services 开发了一个 GraphRAG 框架，通过将分散的专有数据库集成到统一的知识图谱中，显著加速了药物的研发。该系统利用 Amazon Neptune Analytics 和 Bedrock 以及 Anthropic 的 Claude 4.5 Sonnet，允许研究人员使用自然语言查询海量数据，将研发周期缩短了 87%。尽管有效，但该过程在数据规范化方面仍面临挑战，并且需要仔细的模式治理来减轻潜在的不…
-
Amazon 提供用于 AI 图像编辑代理和模型监控的工具
Amazon 正在为开发人员提供构建和监控 AI 模型的工具和指导。其中一篇文章详细介绍了如何使用 Amazon Bedrock AgentCore 创建无服务器图像编辑代理，允许用户用简单的英语描述编辑。另一篇指南演示了如何使用 Amazon SageMaker 和 MLflow 监控判别式 ML 模型，强调了保持预测准确性的重要性。
-
Hugging Face 和 Amazon SageMaker 集成，实现一键模型部署
Hugging Face 和 Amazon SageMaker 推出了一项新集成，允许用户一键将模型直接从 Hugging Face 迁移到 Amazon SageMaker Studio。此功能通过预先配置环境和权限，简化了发现、微调和部署模型的过程。该集成还提高了 GPU 配额可用性的可见性，减少了希望快速迭代 AI 模型的开发人员和企业的障碍。
-
AWS SageMaker HyperPod 支持企业智能体进行多轮强化学习训练
AWS 在 Amazon SageMaker HyperPod 上推出了一种用于训练多轮强化学习智能体的新基础设施。该系统利用 Amazon Nova Forge，旨在通过从整个交互序列中学习，而不是孤立的响应，来优化智能体处理复杂的多步工作流。部署涉及一个事件驱动的管道，该管道可自动配置计算资源并路由奖励，使智能体能够学习工具编排和错误恢复，以完成诸如玩 Wordle 等任务。
-
Amazon Nova 使用 AI 自动屏蔽图像中的 PII
Amazon 推出了 Amazon Nova，这是一系列新的基础模型，旨在自动识别和屏蔽图像中的个人身份信息 (PII)。该先进系统利用上下文视觉推理来协调 Meta 的 Segment Anything Model (SAM 3) 等专业工具进行精确分割，以及 Amazon Textract 进行光学字符识别。该流程旨在处理具有挑战性的 PII 情况，例如反射或部分视图，确保符合 GDPR 和 PCI DSS 等法规。
-
AWS SageMaker AI 与 MLflow 集成，用于模型监控和基准测试
Amazon SageMaker AI 正在通过与 MLflow 集成来增强其功能，为机器学习模型提供更好的监控和基准测试。首次集成侧重于监控判别式模型的数据和模型漂移，允许用户跟踪准确性和输入数据的统计属性。第二次集成能够将生成式 AI 模型的基准测试和推荐结果实时流式传输到 MLflow，从而更容易比较不同的配置并提高可复现性。
-
Amazon Bedrock 和 SageMaker 增强 AI 安全性和训练
Amazon Bedrock 正被用于检测 AI 生成的网络钓鱼邮件，这是网络安全中日益增长的威胁。该平台帮助安全团队识别和缓解这些复杂的社会工程攻击。此外，Amazon SageMaker 中多轮强化学习的最佳实践正在被分享，以提高 AI 训练环境的可靠性。
-
Huntington Bank 使用 AWS AI 自动删除 4 亿多份文档中的敏感数据
Huntington Bank 已成功实施了一个大规模数据自动删除系统，用于识别和移除 4 亿多份文档中的敏感客户信息。通过利用包括 Amazon Textract 进行数据检测和 Amazon SageMaker 进行机器学习在内的 AWS 服务组合，该银行将一个历时数年的项目时间表大幅缩短至仅几个月。该解决方案确保了数据安全并符合 PCI DSS 等严格要求，同时还将处理后的数据复制回本地存储。
-
AWS 为小鹏、Kimi 和猎豹移动提供 AI 代理支持
Amazon Web Services (AWS) 正在赋能小鹏、Kimi 和猎豹移动等公司将 AI 代理集成到其核心业务运营中。小鹏利用 AWS 服务开发了名为“灵犀”的内部 AI 编码和代理工作平台，以自动化复杂的开发工作流程并显著缩短 bug 修复时间。中国大模型公司 Kimi 正与 AWS 合作，利用 AWS 的基础设施进行模型部署以及与 Amazon SageMaker 和 Bedrock 等服务的集成，以拓展其全球业务。猎…
-
AWS SageMaker 集成 ComfyUI 以實現可擴展的 AI 內容生成
Amazon SageMaker 現已支持 ComfyUI，這是一個用於生成式 AI 的基於節點的可視化工作流程構建器。此次集成使企業能夠大規模自動化圖像、音頻和視頻等多媒體資產的創建。通過利用 GPU 加速實例和按秒計費，用戶可以快速生成數百張符合品牌形象的視覺內容，讓創意團隊能夠專注於戰略任務，並提高營銷活動的響應速度。
-
AWS SageMaker 通过 CloudWatch 仪表板增强 AI 推理监控
Amazon SageMaker 通过在 Amazon CloudWatch 中集成详细指标和新的 Insights 仪表板，增强了对生成式 AI 推理端点的监控能力。此次升级通过提供超过 100 项新指标，使用户能够更有效地解决 GPU 内存压力或延迟峰值等问题。SageMaker Insights 仪表板跨性能、容量和可靠性提供车队、端点和推理组件级别的视图，简化了复杂多模型部署的可观察性。
-
Amazon SageMaker AI 异步推理增加了内联负载支持
Amazon SageMaker AI 异步推理已推出对内联请求负载的支持，允许用户直接在 InvokeEndpointAsync API 请求体中发送推理数据。此更新消除了之前将小负载上传到 Amazon S3 的要求，简化了客户端代码，并通过消除一次网络往返来降低延迟。此新功能特别有利于输入尺寸较小（最多 128,000 字节）但处理时间比实时推理更长的负载。
-
AWS P-EAGLE 将 LLM 解码并行化，速度提升 1.69 倍
AWS 开发了 Parallel-EAGLE (P-EAGLE)，一种新颖的方法，可将大语言模型的投机解码并行化，克服了 EAGLE-3 等先前技术顺序草拟的限制。这项创新允许所有投机草拟的 token 在一次前向传播中同时预测，而不是顺序预测。在基准测试中，P-EAGLE 与 EAGLE 框架相比，吞吐量速度提升高达 1.69 倍，并且现在已原生支持 Amazon SageMaker JumpStart，便于部署。
-
Amazon SageMaker 通过 FHE 实现加密的机器学习推理
Amazon SageMaker 现在支持使用完全同态加密 (FHE) 进行端到端加密的机器学习推理。这一进展允许在不解密的情况下安全地处理敏感数据，从而增强了 AI 应用的隐私性。此次集成建立在先前关于 FHE 在安全机器学习推理方面潜力的讨论之上。
-
戴尔股价因创纪录的 AI 服务器销售额飙升 32%
在宣布创纪录的季度营收后，戴尔股价大幅上涨超过 32%，创下有史以来最佳交易日。公司令人印象深刻的财务业绩主要得益于 AI 服务器销售额的显著增长。自 2018 年重新上市以来，该公司的收入增长率最快，令分析师感到惊讶。
-
AWS 训练阿塞拜疆模型，Tether 简化 LLM 微调
AWS 正在其 SageMaker 平台上为阿塞拜疆语开发语言模型，旨在提高人工智能对代表性不足语言的可及性。Tether 发布了 Bitnet，一个简化大型语言模型微调的框架，使其更易于初创公司和小型团队适应。此外，开源模拟器 QEMU 正在探索在非关键领域使用人工智能进行代码贡献，而 Vidai 推出了基于 Rust 的人工智能网关，强调性能和安全性。
-
AWS 支持 SageMaker MLflow 应用的自定义门户集成
Amazon Web Services 推出了一种将 Amazon SageMaker MLflow 应用集成到自定义内部门户的新方法。通过允许团队将 MLflow 实验跟踪 UI 直接嵌入到他们现有的单点登录 (SSO) 集成门户中，这种方法简化了不断壮大的 ML 团队的访问管理。该解决方案利用 React 前端和 Flask 反向代理来处理身份验证和 API 请求，为用户提供持久的、可书签的 URL，而无需直接访问 AWS Man…
-
AWS 和 Snowflake 集成 AI 以自动化反洗钱警报分类
AWS 和 Snowflake 已集成其 AI 服务，为金融机构自动化反洗钱 (AML) 警报分类流程。这一新框架结合了 Snowflake 的 AI Data Cloud 和 AWS 基础设施，实现了自动化工作流程，显著减少了调查警报所花费的时间。该解决方案使用 Amazon Quick Flows 来协调任务，连接到 Snowflake Cortex Agents 进行数据分析，从而简化了通常劳动密集型的合规流程。
-
SageMaker Feature Store 增加了 Lake Formation 和 Iceberg 支持
Amazon SageMaker Feature Store 推出了增强 ML 功能管道的新功能。这些更新包括与 AWS Lake Formation 的原生集成，用于细粒度访问控制，以及新的 Apache Iceberg 表属性，用于管理元数据累积和降低存储成本。这些增强功能可通过 SageMaker Python SDK v3.8.0 获得，旨在简化机器学习操作的功能数据管理和成本可预测性。