Google Cloud Platform
PulseAugur coverage of Google Cloud Platform — every cluster mentioning Google Cloud Platform across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
Tensorlake 通过从 L7 转发切换到 L4 优化沙盒入口
Tensorlake 重新设计了其沙盒入口路径，将一个数据平面跃点从完整的 L7 反向代理迁移到一个利用内核 TLS (kTLS) 和 splice(2) 的 L4 转发器。这一改变主要是为了在认证通道上优化字节传输，而不是应用层协议理解。工程团队独立测量了每一项改变，发现大部分 CPU 节省来自于移除 L7 解析器，而 kTLS 和 splice(2) 提供了较小的额外吞吐量增益。
-
Windmill、Lightdash 和 iSponsorBlockTV 发布更新
Windmill 发布了 1.794.0 版本，具有更紧凑的登录卡片，显示内嵌错误，并支持 Google Cloud Platform 凭证。Lightdash 也更新至 1.234.0 版本，引入了 AI 代理线程删除功能。此外，iSponsorBlockTV 2.11.0 版本修复了一个盲 SSRF 漏洞。
-
关键 MLflow SSRF 漏洞 (CVE-2026-64849) 正在被积极利用
在 MLflow（一个用于管理机器学习生命周期的平台）中发现了一个关键的服务器端请求伪造 (SSRF) 漏洞，即 CVE-2026-64849。该漏洞的 CVSS 评分为 9.3，无需身份验证，允许攻击者通过访问内部资源和元数据端点来窃取云凭证。野外利用已被证实，已有积极的扫描和概念验证利用，该漏洞已被添加到 CISA 已知漏洞利用目录中。
-
Pulumi Stacks 支持分离开发和生产 LLM 模型端点
本文介绍了如何使用 Pulumi stacks 来为 LLM 模型端点创建分离的开发和生产环境。通过使用不同的 stacks，每个 stacks 都有自己的状态文件和配置，用户可以确保开发环境中的更改不会影响生产环境。该指南详细说明了如何初始化和选择 stacks、配置特定于环境的设置（如副本计数和机器类型）以及管理密钥。它还提供了一个代码示例，演示如何根据所选的 stack 动态命名云资源和应用标签，以实现更好的隔离和成本归属。
-
Databricks 通过事件驱动架构将网络配置延迟降低 97.5%
Databricks 已重新设计其网络配置交付系统，以应对其无服务器计算平台的巨大规模。新的事件驱动架构在后台预先计算网络配置，将 RPC 延迟降低了 97.5%，并将可用性提高到 99.99%。此更改显著减少了上游服务的负载，并确保了 AWS、Azure 和 Google Cloud Platform 上数据和 AI 产品的更快的 VM 启动时间。
-
nOps 通过 Amazon Bedrock AgentCore 将 FinOps 代理开发速度提升 75%
nOps 通过集成 Amazon Bedrock AgentCore 增强了其 AI 驱动的云优化解决方案，将其 FinOps 代理的开发速度提高了 75%。从以 API 为中心的基础设施转向专用架构，降低了响应延迟，简化了系统复杂性，并为产品创新释放了工程资源。新系统利用 Databricks Lakehouse Metric Views 和 Lakebase，以及 Amazon Bedrock AgentCore，来管理跨 AWS…
-
开发者绕过AI供应商，通过更大的上下文窗口改进LLM响应
一位开发者将AI集成到Google Meet中，旨在自动化会议任务，而不仅仅是简单的转录。起初，AI提供的响应无用且含糊其辞，开发者将其归因于延迟和模型能力问题。然而，通过增加上下文窗口，AI的响应变得更加实质性。开发者还通过使用FFmpeg转换音频文件并直接将其发布到API，绕过了对专用TTS供应商的需求，并发现AI因有缺陷的实时循环而无意中响应了自己的语音，导致它错过了人类输入。
-
Gemini 表现挣扎，而 Google Cloud Platform 营收增长超 100%
近期分析表明，尽管 Google DeepMind 的 Gemini 模型可能面临挑战，但 Google Cloud Platform (GCP) 正在经历显著增长。报告强调，GCP 的同比营收增长已超过 100%。这表明 DeepMind 面临的挑战可能在短期内间接惠及 GCP。
-
MLOps 面试题：有志从业者的实用指南
本文汇编了一系列 MLOps 面试题，侧重于实际面试中经常出现的实用性问题。旨在提供比通用列表更具针对性的准备资源，涵盖了重要的工具和概念。
-
Signoz v0.135.0 增强了GCP集成、日志提取和仪表板功能
Signoz 发布了v0.135.0版本，引入了增强的Google Cloud Platform集成、改进的日志消息提取和新的仪表板功能。配套的服务器更新v2.71.0侧重于更好的内存处理和PyTorch后端增强。此外，Lightdash版本1.34.0包括了对跟踪偏好的修复和改进的CI OpenAPI规范。
-
聊天机器人内存问题源于无状态架构，而非LLM限制
聊天机器人经常显得健忘，并非由于底层语言模型的问题，而是因为系统架构未能维护会话间的对话状态。这种默认的无状态设计意味着每次交互都从头开始，需要重新发送完整的对话历史，这可能导致超出令牌限制，旧消息被截断。通过实现一个提取、存储和回忆关键信息的内存层，可以显著提高聊天机器人性能，以更小的空间提供相关上下文，从而带来更具知识性和一致性的用户体验。
-
新的MCP服务器通过实时数据增强自主销售代理
发布了一个新的模型上下文协议（MCP）服务器，为自主销售代理群提供实时公司信息和意图数据。该服务器直接集成到Claude Desktop和Cursor等LLM环境中，使用严格的Zod模式注解来防止参数幻觉并确保数据准确性。该系统提供深度公司信息、技术叠加和意图信号等功能，并采用无风险的计量计费模式，仅对超过特定置信分数且成功丰富的数据收费。
-
开发者以每月 14 美元的价格在 GCP 上构建自动化 ML 流水线
一位开发者详细介绍了他们如何在 Google Cloud Platform 上以每月约 14 美元的价格构建一个全自动机器学习流水线。这个项目最初是一个周末项目，后来发展成为一个生产级的预测系统。这个过程提供了宝贵的 MLOps 实践经验，超出了传统教程所能学到的知识。
-
AI 在气候变化和云基础设施中的应用对比 · 跟踪 2 个来源
最近在 Mastodon 上发布的两篇文章讨论了 AI 在不同领域的应用。一篇探讨了如何利用 AI 解决气候变化和环境问题，通过具体实例和数据说明 AI 在环境保护中的作用。另一篇文章则比较了云基础设施提供商 AWS、Google Cloud Platform 和 Azure，为用户选择最适合其 AI 相关云需求的选择提供见解。
-
Databricks 推出免费版，支持无需云账户的 AI 开发
Databricks 推出了新的免费版，取代了之前的社区版。该版本允许个人用户（包括学生和爱好者）在无需企业云订阅或信用卡的情况下访问 Databricks 的数据智能平台。用户可以创建 Python 和 SQL 笔记本，在 Databricks Playground 中试验 LLM，并使用 Databricks Assistant 进行编码辅助。
-
MLOps：弥合模型开发与生产之间的差距
本文讨论了将机器学习模型从Jupyter Notebook等开发环境迁移到生产环境的挑战。文章强调，虽然训练模型是一项重大成就，但确保模型在实际环境中可靠、安全且长期运行需要强大的MLOps实践。文章强调了这一转变所涉及的复杂性，并指出训练后阶段通常是机器学习生命周期中最困难的部分。
-
OmbuLabs 在主流云上使用 LangChain、PyTorch 定制化实现 AI 堆栈
OmbuLabs 提供定制化的 AI 堆栈实现方法，专注于与现有基础设施集成。他们调整服务以包含 LangChain 和 PyTorch 等流行工具，并支持在 AWS、Google Cloud Platform 和 Azure 等主流云平台上进行部署。他们的方法强调在六个不同的服务轨道中进行以发现为先的过程，即使在数据必须保留在本地的受监管环境中也能适应。
-
MLOps 管道：从版本控制到 CI/CD 及关键工具
本文讨论了 MLOps 管道，详细介绍了其从版本控制到持续集成/持续部署 (CI/CD) 的发展过程。文章重点介绍了此过程中涉及的关键工具和平台，例如 Git、GitHub、Jenkins、Docker、Kubernetes 以及 AWS、Azure 和 Google Cloud Platform 等云服务。文章还涉及了 TensorFlow 和 PyTorch 等流行的机器学习框架，强调了它们在 MLOps 工作流中的集成。
-
AI编码代理成本差异巨大，从0美元到35.78美元不等
对三个用于编码任务的AI代理进行的比较显示，成本差异显著，其中一个代理的成本为0美元，另一个为6.47美元，第三个为35.78美元，工作量相同。该实验使用了Claude 3 Opus、GPT-4 Turbo和Claude 3 Sonnet等模型，运行在Google Cloud Platform、AWS和Azure等云平台上。作者指出，巨大的成本差异源于AI模型本身之外的因素，可能与底层基础设施和API使用有关。
-
CuspAI 为 AI 芯片材料融资 4.5 亿美元，并推出全球铸造厂 · 跟踪 1 个来源
总部位于英国的初创公司 CuspAI 已获得 4.5 亿美元的 B 轮融资，公司估值达到 26 亿美元。该公司旨在加速发现人工智能芯片所需的新材料，以应对未来工业进步可能面临的制约。CuspAI 还推出了 AI Materials Foundry，这是一个由近 50 家创始成员组成的全球网络，其中包括主要的科技和制造公司，以利用人工智能进行材料设计。