SageMaker AI
PulseAugur coverage of SageMaker AI — every cluster mentioning SageMaker AI across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
AWS 将 MLflow 与 SageMaker 集成以加强人工智能模型治理 · 跟踪 5 个来源
AWS 正在通过将 MLflow 与 Amazon SageMaker AI 模型注册表集成来增强其人工智能模型治理能力。本系列的第 1 部分详细介绍了 SageMaker 上的托管 MLflow 如何将更丰富的模型元数据（包括训练指标和评估结果）同步到 SageMaker AI 模型注册表中。第 2 部分在自动模型注册的基础上，将此功能扩展到实现跨账户模型治理。
-
AWS 增强 AI 代理工具并对 LLM 性能进行基准测试
Amazon Web Services 正在增强其 AI 代理开发和部署能力。Amazon Bedrock AgentCore 将与 GitHub Actions 集成，以自动化代理评估流程，从而实现 AI 代理的部署、测试和评分。同时，AWS 正在对各种 SageMaker AI GPU 实例上的小型大型语言模型（LLM）的性能进行基准测试，特别是 Qwen3-Coder-30B 和 NVIDIA Nemotron-3-Nano-3…
-
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。
-
Amazon SageMaker AI 与 EKS 集成，增强 AI 工作流
Amazon SageMaker AI 为 Amazon EKS 推出了一个插件，支持在 EKS 集群上直接运行交互式 IDE 和 JupyterLab 环境。此次集成旨在通过允许 ML 团队在现有基础设施内管理其开发环境，来简化 AI 工作流。该解决方案旨在简化 EKS 上的代码编辑器和托管 JupyterLab 实例的设置和配置。
-
AWS 详解 AI 驱动的银行推荐系统及其可解释的洞察
AWS 详细介绍了一个专为银行业量身定制的可解释的“下一个最佳产品”推荐系统的架构。该系统利用 Amazon SageMaker AI 和 PyTorch 来预测客户最有可能需要的产品。它采用带有学习到的注意力机制的多塔神经网络来提高准确性并提供每个客户的可解释性，从而克服了传统推荐方法的局限性。