Amazon SageMaker AI
PulseAugur coverage of Amazon SageMaker AI — every cluster mentioning Amazon SageMaker AI across labs, papers, and developer communities, ranked by signal.
- 2026-07-13 product_launch Amazon SageMaker AI launched a new UI for generative AI inference recommendations within SageMaker AI Studio. 来源
- 2026-07-10 product_launch Amazon SageMaker AI launched serverless model customization for NVIDIA Nemotron 3 models. 来源
- 2026-07-02 product_launch Amazon SageMaker AI launched a new service for multi-turn reinforcement learning. 来源
- 2026-07-01 product_launch AWS SageMaker AI has integrated the BoltzGen model to accelerate protein design workflows. 来源
- 2026-06-25 product_launch AWS has optimized Amazon SageMaker AI to utilize NVIDIA Blackwell GPUs, enhancing large model training capabilities. 来源
- 2026-06-16 product_launch Amazon SageMaker AI introduced container image caching to improve model scaling and reduce inference latency. 来源
- 2026-06-16 product_launch Amazon SageMaker AI launched container caching to improve model scaling speed. 来源
- 2026-06-09 product_launch AWS SageMaker AI has integrated NVIDIA Isaac Lab to enhance robot reinforcement learning training. 来源
- 2026-06-08 product_launch Amazon SageMaker AI now supports end-to-end encrypted machine learning inference using fully homomorphic encryption (FHE). 来源
- 2026-06-03 product_launch Amazon SageMaker AI introduced new capabilities for improving AI agent tool-calling accuracy using SFT and DPO. 来源
- 2026-05-20 product_launch Amazon SageMaker AI launched OpenAI-compatible API support for its real-time inference endpoints. 来源
- 2026-05-20 product_launch Amazon SageMaker AI launches bidirectional streaming for real-time inference, integrating with vLLM. 来源
2 天有情绪数据
-
AWS 集成 SageMaker AI 和 Bedrock AgentCore 以实现高级代理工作流
Amazon Web Services (AWS) 通过将 Amazon SageMaker AI 与 Amazon Bedrock AgentCore 相结合，使开发人员能够构建更复杂的代理工作流。此次集成允许在 SageMaker 上使用 OpenAI 兼容的端点以及 Bedrock AgentCore 运行时。这种方法有助于创建多代理系统，其中每个代理都可以利用最适合其特定任务的模型，从而提高 AI 驱动的工作流的整体能力和效率。
-
英国公司 OneAdvanced 在主权 AWS 基础设施上部署了 50 多个 AI 代理
总部位于英国的企业软件提供商 OneAdvanced 已成功在英国主权 AWS 基础设施上部署了超过 50 个 AI 代理。这是通过在 Amazon SageMaker AI 上自托管 Llama 4 Maverick 和 Llama Guard 4 模型，并辅以使用 pgvector 的 RAG 管道实现的。此次部署凸显了在利用先进 AI 功能的同时保持数据主权的策略。
-
OpenAI 的 GPT-5.6 模型现已在 Amazon Bedrock 上可用；AWS 详细介绍银行推荐系统
Amazon Bedrock 已宣布 OpenAI 的 GPT-5.6 模型（包括 Sol、Terra 和 Luna）正式可用。现在可以通过 bedrock-mantle 端点上的 Responses API 访问这些模型，并提供降低成本的选项。另外，AWS 详细介绍了如何使用 Amazon SageMaker AI 和 PyTorch 为银行业构建一个可解释的下一最佳产品推荐系统。
-
Amazon SageMaker AI 推出用于生成式 AI 推理推荐的用户界面
Amazon SageMaker AI 在 SageMaker AI Studio 中推出了一款新的用户界面，用于提供生成式 AI 推理推荐。此功能旨在通过在几分钟内为常见工作负载提供数据驱动的配置，来简化优化模型部署的复杂过程。该用户界面引导用户完成预设用例配置文件，例如“交互”、“生成”和“摘要”，并允许他们选择优化目标，如最小化延迟、最大化吞吐量或最小化成本，所有这些都无需深厚的基础设施专业知识。
-
Amazon SageMaker 为 NVIDIA Nemotron 3 LLM 增加无服务器微调功能
Amazon SageMaker AI 现在为 NVIDIA 的 Nemotron 3 系列开放权重大型语言模型提供无服务器模型定制。此功能允许企业使用监督微调 (SFT) 和强化学习等技术微调 Nemotron 3 Nano 和 Nemotron 3 Super 等模型，而无需管理基础设施。Nemotron 3 架构结合了 Mamba-Transformer 专家混合层，可实现高效的序列处理和参数激活，从而以更低的计算成本实现高吞吐量和准确性。
-
AWS 通过 Unsloth 和 KTern.AI 实现高效 AI 模型部署
AWS 正在使公司能够更高效地部署 AI 模型。Unsloth 利用 AWS 基础设施，为 Amazon SageMaker AI 上的量化模型开发了部署模式。此外，KTern.AI 利用 Amazon Bedrock AgentCore 为 SAP 构建了代理式 AI 解决方案，促进了企业程序专用代理的编排。
-
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。
-
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 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 Mechanical Turk 将停用，停止接受新客户
Amazon Web Services (AWS) 已宣布，作为人类智能任务众包市场的 Amazon Mechanical Turk (MTurk) 将停用。该服务已被移至 AWS 的“维护中服务”列表，表明其即将关闭。MTurk 将于 2026 年 7 月 30 日起停止接受新客户，但现有用户将继续可以使用。
-
Amazon SageMaker AI 推出多轮强化学习新服务
Amazon SageMaker AI 推出了新的多轮强化学习 (MTRL) 服务，旨在训练能够处理复杂、顺序任务的智能体。该服务旨在简化开发能够与工具交互、从错误中恢复以及从多步骤过程中学习的智能体的过程。它提供了模块化智能体-环境接口、无服务器执行、异步推出和原生算法库等功能，同时还提供了对训练指标的可观测性。
-
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。
-
AWS 使 Parcel Perform 能够微调 Amazon Nova 模型，成本降低 50%
AWS 详细介绍了电子商务物流公司 Parcel Perform 如何成功微调 Amazon Nova 模型以提高电子邮件数据提取能力。通过利用 Amazon SageMaker AI 和参数高效微调 (PEFT) 结合低秩适配 (LoRA)，Parcel Perform 实现了高达 94.77% 的提取准确率，显著优于其基线。此微调过程还将推理延迟降低了 30% 以上，成本降低了 50%，使其能够将解决方案投入生产以实现更高效的运营。
-
Microsoft 上调 Xbox 价格，推出付款计划；SageMaker AI 优化 NVIDIA Blackwell 训练
Microsoft 将提高其 Xbox Series 主机的价格，并推出“先买后付”选项。另外，一篇指南详细介绍了如何使用 NVIDIA Blackwell 架构在 Amazon SageMaker AI 上优化模型训练。
-
AWS SageMaker AI 集成 NVIDIA Blackwell GPU 以优化大型模型训练
Amazon SageMaker AI 现已针对 NVIDIA Blackwell GPU 进行优化，可更高效地训练大型 AI 模型。配备 8 个 Blackwell GPU 的新型 P6-B200 实例提供更大的内存和更高的带宽，从而缓解了批次大小和序列长度受限等瓶颈。这使得更大的批次大小、简化的模型分片以及更长的序列长度成为可能，最终缩短迭代周期并降低基础设施成本。
-
AWS 通过 SageMaker、Bedrock 和数据网格策略赋能 AI 开发 · 跟踪 4 个来源
Amazon Web Services (AWS) 正在通过几项新举措促进 AI 应用的开发。其中一篇文章详细介绍了如何在 Amazon SageMaker AI 上使用 SeedVR2 实现视频超分辨率，涵盖了架构和部署。另一篇文章演示了如何构建由 Amazon Bedrock 驱动的代理式 AI 的自助式 AWS Health 分析。此外，AWS 还通过现代数据网格策略赋能代理式 AI 应用的创建，提供安全可扩展的数据基础。
-
AWS SageMaker AI 支持 SeedVR2 实现视频超分辨率
AWS 详细介绍了一种在 Amazon SageMaker AI 上使用开源 SeedVR2 模型实现超分辨率的方法。该方法通过恢复细节和提高视频质量来解决将低分辨率视频内容放大以适应现代高清显示器的挑战。该解决方案利用 AWS CDK 进行基础设施搭建，Amazon S3 进行存储，以及 AWS Lambda 启动 ml.g5.4xlarge 实例上的 SageMaker 处理任务，提供了一种可扩展且经济高效的方式来提高视频质量，包…
-
NVIDIA 与 AWS 携手，通过新的 GPU 实例和向量搜索提升 AI 部署能力
NVIDIA 与 AWS 正在深化合作，以增强大规模 AI 部署能力。此次合作将 NVIDIA 的最新 GPU 技术，包括 RTX PRO 4500 Blackwell Server Edition GPU，集成到新的 Amazon EC2 G7 实例中，有望显著提升 AI 推理和数据分析的性能。此外，NVIDIA 的 cuVS 库现已成为 Amazon OpenSearch Serverless 中 GPU 加速向量索引的默认选项，…
-
AWS Bedrock AgentCore 为新的蛋白质研究助手提供支持
AWS 详细介绍了如何使用 Amazon Bedrock AgentCore 构建蛋白质研究助手。该工具通过支持自然语言查询，在大型数据集中查找结构相似的肽，从而协助研究人员。该助手集成了自然语言解析、使用专用语言模型的向量相似性搜索以及 AI 生成的搜索结果摘要，所有这些都由 Strands Agents SDK 进行编排。
-
Amazon SageMaker AI 增加容器缓存以实现更快的模型扩展
Amazon SageMaker AI 推出了容器镜像缓存，以加速模型扩展并减少 AI 推理的端到端延迟。此新功能旨在优化平台上部署的机器学习模型的性能。此次更新是 SageMaker 为实现更快、更高效的 AI 操作而不断增强其功能的一部分。