Amazon SageMaker AI
PulseAugur coverage of Amazon SageMaker AI — every cluster mentioning Amazon SageMaker AI across labs, papers, and developer communities, ranked by signal.
- 2026-11-18 product_launch AWS launched cross-Region inference routing for Amazon SageMaker AI to improve model serving reliability. 来源
- 2026-11-17 product_launch Amazon SageMaker AI real-time endpoints now support KV cache aware routing. 来源
- 2026-10-23 product_launch AWS introduces Multi-Turn Reinforcement Learning capabilities on Amazon SageMaker AI. 来源
- 2026-10-22 product_launch AWS announced new serverless model customization features for SageMaker AI, including training sessions, to simplify AI model fine-tuning without requiring users to manage GPUs. 来源
- 2026-10-22 product_launch AWS introduces a new method for streaming low-latency speech from AI agents using Kokoro TTS on Amazon SageMaker AI. 来源
- 2026-10-22 product_launch AWS introduces a new method for streaming low-latency speech from AI agents using Kokoro TTS on Amazon SageMaker AI. 来源
- 2026-10-02 product_launch Amazon SageMaker AI has introduced a new multi-turn reinforcement learning (MTRL) capability for fine-tuning large language model-powered search agents. 来源
- 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
4 天有情绪数据
-
AWS SageMaker AI 增加了跨区域推理路由,已被 Salesforce 采用
AWS 为 Amazon SageMaker AI 推出了一项新的跨区域推理路由功能,旨在解决区域容量短缺问题。这项新的资源——推理路由器,允许应用程序跨越多个 AWS 区域和账户使用单一调用路径。Salesforce 早期采用了此功能,利用它来管理其遍布 30 多个区域的全球模型服务基础设施,提高了可靠性并解决了容量碎片化问题。
-
AWS SageMaker AI 增加功能以优化推理端点
AWS 为 Amazon SageMaker AI 推出了新功能,以优化生成式AI推理端点。第一个功能可自动检测并向用户发出延迟漂移、GPU 空闲和优化未达标的警报,并提供改进建议。第二个功能 KV 缓存感知路由通过将请求定向到具有最相关缓存提示的实例来增强实时端点,这对于多轮对话和检索增强生成尤其有利。
-
AWS SageMaker AI 使用知识蒸馏创建高效的 AI 代理
AWS 正在通过 Amazon SageMaker AI 上的知识蒸馏,使开发人员能够构建更具成本效益的 AI 代理。该技术允许较小的“学生”模型通过学习较大、较昂贵的“教师”模型的输出来复制其性能。该过程,特别是序列级知识蒸馏 (SeqKD),在由前沿教师模型生成的多步推理轨迹上训练学生模型,从而使代理应用程序在生产中更高效、更具可扩展性。
-
AWS SageMaker AI 推出多轮强化学习,用于顺序任务
Amazon SageMaker AI 现在支持多轮强化学习 (MTRL),这是一种用于训练需要顺序动作的任务的模型的方法。这种方法使用任务的整体成功或失败作为训练信号,而不是单个步骤的正确性。该指南使用 Wordle 游戏演示了 MTRL,展示了它如何以适度的训练成本显著提高了 GPT OSS 20B 模型的解决率。
-
AWS SageMaker AI 简化模型定制,无需 GPU 管理
Amazon SageMaker AI 推出了新的无服务器模型定制功能,包括训练会话,以简化微调 AI 模型的过程。这些更新允许用户控制训练后逻辑,例如自定义损失函数和奖励信号,而无需管理底层 GPU 基础设施。该平台支持 SFT、DPO 和多轮强化学习等各种定制技术,并与 SageMaker Studio、Kiro、Claude Code、Codex 和 GitHub Copilot 等工具集成。
-
AWS SageMaker 提供无需 GPU 即可自定义 LLM 训练循环的功能
Amazon SageMaker 推出了新的训练会话 API,允许用户在不直接管理 GPU 的情况下自定义大型语言模型。这些 API 抽象了计算基础设施,使开发人员能够为监督微调或强化学习等任务编写自己的训练循环。该服务负责底层操作,如分布式执行和故障恢复,而用户则专注于算法实现。配套的 cookbook 提供了常见微调任务的预构建配方。
-
AWS 通过 Kokoro TTS 流式传输实现低延迟 AI 语音代理
AWS 推出了一种通过在生成句子时流式传输语音合成来减少 AI 语音代理延迟的方法,而不是等待整个响应。该技术利用托管在 Amazon SageMaker AI 上的 Kokoro-82M 文本转语音模型,该模型足够小,可以在单个 GPU 实例上高效运行。该解决方案涉及在 SageMaker 实时端点上部署自定义容器,并实现用于生成和音频播放的双向流。
-
Deepgram 在 AWS Trainium 芯片上优化 Nova-3 语音 AI
Deepgram 已通过将其 Nova-3 语音转文本模型移植到 AWS Trainium2 芯片,针对大规模离线批量推理进行了优化。与 AWS Forward Deployed Engineering 团队的合作涉及使用 AWS Neuron 软件堆栈和 PyTorch 重建。与之前的计算选项相比,优化后的配置使每美元处理的音频量增加了 11-70%,使 Deepgram 能够更有效地扩展并为客户提供更低的价格。
-
Meta 发布拥有 100 万上下文窗口的 8160 亿参数 Muse Spark Open 模型
Meta 发布了 Muse Spark Open,这是一个拥有 8160 亿参数的开放权重模型,具有 100 万 token 的上下文窗口和多模态能力。虽然权重可免费下载,但在本地运行该模型需要大量硬件,例如总计 1TB RAM 的多台高端 Mac Studio。该模型专为代理编码任务和工具使用而设计,但其性能基准主要来自 Meta 及其合作伙伴,并且许可证包含商业使用的署名要求。
-
Terraform简化了复杂AI应用程序的AWS基础设施
本文探讨了如何使用HashiCorp Terraform在AWS上配置和管理可扩展的AI基础设施。文章强调了设置AI系统的复杂性,这些系统通常需要GPU计算、数据管道、模型端点和向量数据库。Terraform作为一种基础设施即代码工具,允许用户声明式地定义这些AWS资源,确保开发、测试和生产环境的一致性。文章还展示了一个检索增强生成(RAG)应用程序的示例架构,说明了S3、Lambda、SageMaker、Bedrock和OpenSe…
-
Amazon SageMaker AI 推出用于微调搜索代理的多轮强化学习
Amazon SageMaker AI 现在提供一项多轮强化学习 (MTRL) 功能,旨在对大型语言模型 (LLM) 驱动的搜索代理进行微调。这种方法训练代理在交互序列中做出最佳决策,提高检索质量和可靠性,同时保持小型模型的速度和成本效益。MTRL 系统提供模块化接口、无服务器执行和各种策略梯度算法,以实现强大的代理训练。
-
AWS SageMaker AI 支持文本到图像和视频生成
AWS 在 SageMaker AI 上推出了一项新功能,允许用户根据文本提示生成图像和视频。这是通过从同一个 AWS vLLM-Omni 深度学习容器部署两个不同的端点来实现的:一个使用 FLUX.2-klein-4B 进行实时图像生成,另一个使用 Wan2.1-VACE-1.3B 进行异步视频生成。该过程包括发送文本提示来创建图像,然后将该图像与运动提示一起用于生成视频,最终输出存储在 Amazon S3 中。
-
Meta发布Muse Spark Open,一款拥有8160亿参数的优化编码AI模型
Meta发布了Muse Spark Open,这是一款拥有8160亿参数的公开权重模型,专为编码和代理任务设计。该模型原生支持多模态,拥有100万token的上下文窗口,并针对长时推理、复杂软件工程和多步问题解决进行了优化。它可通过Hugging Face、Amazon SageMaker JumpStart和Together AI等多个平台获取,并提供针对Apple M5 Ultra Mac Studios和NVIDIA GPU等硬…
-
GoPro 投资 2.85 亿美元用于 AI 数据中心;ZS 和 Boomi 利用 AWS AI 工具
GoPro 投资 2.85 亿美元进军 AI 数据中心市场,旨在建立自己的基础设施。此外,ZS 使用 Amazon SageMaker 为超过 1000 名日常用户开发了一个安全的分析平台,而 Boomi Scribe 利用 AWS AI 代理自动为企业集成生成文档。在游戏新闻方面,Pimax Dream Air 的评测突出了其出色的视觉效果和舒适性,尽管追踪性能平平,而 GTA 6 被证实拥有比 GTA 5 更多的载具。
-
Boomi Scribe 利用 AWS AI 和 Claude 模型自动化企业文档
Boomi 推出了 Boomi Scribe,这是一款由 AI 驱动的代理,可自动创建和维护企业集成流程的技术文档。Boomi Scribe 利用 Amazon Bedrock 和 Claude 模型等 AWS 服务,解析表示为有向无环图 (DAG) 的复杂工作流数据,以生成准确且详细的文档。该解决方案旨在减少技术债务,通过自动化版本比较和突出显示更改来提高开发人员的生产力,并改进合规性审计。
-
Amazon SageMaker AI 更新 Python SDK v3 以集成自定义模型
Amazon SageMaker AI 已将其 Python SDK 更新至 3.0 版本,使用统一的 ModelTrainer 和 ModelBuilder 类重新设计了脚本模式。此次更新旨在简化用户将自己的模型引入 SageMaker 的过程,并通过使用 scikit-learn 和随机森林算法的示例进行了演示。相关更改在 AWS 的一篇博文中进行了详细介绍。
-
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。