全部 AI 动态

Liquid AI 发布 LFM3 新一代 Liquid Foundation Models，六个 2B 级模型（文本、视觉、音频、全模态及两个决策模型）均从 LFM3-1.7B-Base 分支而来，全部开源权重并已在 Hugging Face 上线。

LFM3-1.7B 采用三混合层结构（13 层门控短卷积、5 层 256 token 窗口滑动注意力、6 层全局注意力），在参数比 LFM2.5-2.6B 少 35% 的情况下超过后者，WebArena-Verified 得分 38.42 对 3.02；4-bit 精度下约 1 GB，上下文窗口 256K。

Exowatt 借助 Amazon SageMaker AI 的无服务器模型定制，为边缘告警分诊和云端能源市场分析构建了可复用的微调流水线，模型精度超过前沿模型，成本最高降低 49 倍。

该方案先基于 Qwen3-1.7B 做边缘告警分诊，再以同样方法对 Qwen3-14B 做云端能源市场分析，微调采用 LoRA 与 SFT。流水线串联 S3、SageMaker 无服务器微调与评估、Model Registry、Bedrock Custom Model Import 及 Lambda 与 EventBridge，无需管理实例、集群或端点。

Property Finder 发现其评估数据集中 96.8% 的标签直接沿用了现有视觉语言模型的预测结果，而非人工核验，导致任何替代模型在比较中都处于结构性劣势。

该团队在将视觉 AI 负载迁移到 Amazon Bedrock 上更具成本效益的方案时，改为由具备房地产领域知识的专家独立标注 356 张阿联酋图片，并将单标签分类改为多标签分类，以消除人为歧义。随后他们用 Micro F1 在 256 张专家标注的开发集上评分，通过从 v0 到 v27 的提示词迭代优化选择模型，最终在 Amazon Bedrock 上实现更高准确率、成本降低 86%。

AWS 宣布为 Amazon SageMaker AI 训练和处理作业提供 Seekable OCI（SOCI）索引，容器镜像不再需要完整下载即可启动，作业启动时间从数分钟降至数秒。

SageMaker AI 会自动检测镜像是否带 SOCI 索引：有索引则懒加载、先启动容器再后台流式拉取其余文件，无索引或索引读取失败则回退为标准下载，不影响作业运行。用户可直接使用预索引的 AWS Deep Learning Container，或为自己的镜像添加索引，无需改动作业定义、入口或数据通道。

OpenAI 与 Oracle 扩大合作，把 Oracle 的业务应用和 AI 智能体接入 ChatGPT，同时为 Oracle 的新产品提供支持。

双方此前已有合作基础，此次扩展让 Oracle 应用直接出现在 ChatGPT 中。原文未披露具体上线时间、适用用户范围及接入方式等细节。

Google DeepMind 发布世界模型 Genie 4，可实时生成并交互式操控场景，同时原生生成环境音与角色对话。

Genie 4 基于 Gemini 系列能力，Gemini Omni 负责让模拟贴近真实世界的外观与行为，Gemini 3.8 Flash 作为循环中的引导智能体，把目标拆成步骤并逐帧检查进度。用户可用自然语言实时修改天气、镜头或加入人物物体。该模型已作为研究预览向可信测试者开放，之后将面向 Project Genie 中的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的早期访问伙伴。

Ai2 发布研究 Old Ideas, Novel Problems，并公开基准、数据和代码，用于测试 LLM 作为“新颖性评判者”是否可靠。

研究基于 ICLR 2026 评审意见构建两个数据集：154 篇高新颖性人类论文想法与 145 篇低新颖性想法组成 Human-Only，另有 154 个人类想法与 LLM 生成想法配对的 Human+Generated。

Greptile 正利用 GPT-6 Astra 把缺陷检测从代码审查延伸到用户工作流测试，并用 Daybreak 加强安全、用 Codex 减少返工。

OpenAI 新闻页仅给出这一方向性描述，未披露模型参数、benchmark 分数、检测准确率或上线时间等细节。

OpenAI 公布其在 Kakeya 猜想、指数时间假设（ETH）和量子色动力学三个问题上的模型结果，并说明研究人员如何验证并在此基础上继续推进。

此次发布面向学术社区，重点是让研究者能够核验这些结果并开展后续工作。

CodeRabbit 使用 GPT-6.1 Sol 在复杂代码库中排查安全风险。

其安全智能体帮助开发者审查发现的问题和拟议修复方案。

OpenAI 发布 GPT-6.1 Terra，官方称其将快速且能力较强的 computer use 带给所有人。

目前公开信息仅有这一句介绍，具体能力、可用范围和开放方式尚未披露。

OpenAI 工程师使用 Codex Ultrafast 将事故调查时间从数小时缩短到数分钟。

该工具用于加速安全分析、代码重构和日常工作流。

文章介绍如何用 AWS CDK 在托管 Amazon Bedrock Knowledge Base 上部署企业级智能体检索系统。

托管知识库（Type: MANAGED）由 Amazon Bedrock 负责数据摄取、存储、索引和检索，默认使用服务托管模型完成嵌入与重排序，用户无需再创建、扩展或按 OpenSearch Compute Units（OCUs）付费购买 OpenSearch Serverless 集合与索引。AgenticRetrieveStream API 将多轮规划、工具驱动检索和带引用的答案作为服务原生能力提供，且智能体检索仅在托管知识库上可用。

在 Amazon Bedrock 上调用 OpenAI 模型时，提示词缓存可让智能体复用已处理的输入前缀，避免每一轮都按全价重读工具定义、指令和历史。

模型每次请求都要重新预填充全部输入 token 并构建 KV 向量，缓存则保存该状态，后续请求只处理新增内容。缓存分隐式与显式两种：隐式由 Bedrock 自动决定可复用前缀的终点，显式通过 prompt_cache_breakpoint 标记边界，两者可结合使用。可复用前缀需达到 1,024 token；测试中约 4,000 token 的工具与指令前缀首次写入 4,120 token，后续请求直接读取同样数量。

AWS 发布基于 Amazon SageMaker Python SDK v3 的整厂计算机视觉模型生命周期管理方案，用 SageMaker Neo 取代已弃用的 SageMaker Edge Manager 做边缘优化。

方案以单条 SageMaker Pipeline 按摄像头训练：并行预处理并拉取该摄像头上一版已批准模型，分别训练小型卷积自编码器做异常检测、微调 ResNet18 分类器确认缺陷，各分支导出 ONNX 并在留出数据上评估，通过质量门后经 SageMaker Neo 编译为目标边缘设备产物，才注册进 SageMaker Model Registry。

OpenAI 发布 Signals 数据，覆盖近 100 个国家的 165 项工作活动，展示人们如何用 ChatGPT 处理工作以及使用方式随时间的变化。

该数据以工作活动为观察单位，可用于追踪不同地区、不同任务类型的使用差异与演变趋势。

Fanatics 借助 OpenAI 的 Shop the Look 功能，帮助球迷配齐比赛日穿搭。

在约 3 万件 MLB 商品上的测试显示，用户互动率提升了 10%。

OpenAI 发文介绍其如何加固前沿模型训练与评测环境的隔离措施，包括离线环境和消耗大量算力的红队测试。

材料仅提供摘要，未披露具体技术方案、实施时间或适用范围。

Google Research 与 Google for Health 在 IDWeek 2026 上介绍了把基础模型用于结核病筛查的进展：从 2019 年在 Radiology 发表胸片深度学习基准，到 2024 年在 NEJM AI 发表多中心前瞻验证，再通过与南非公司 Nexus AI 合作转化为获 CE MDR class IIb 认证的临床诊断工具。该工具目前在南非、塞拉利昂、科特迪瓦等六国的约 40 家医疗机构使用，90 多名临床医生已评估超过 25,000 张胸片，将周转时间从数周缩短到 45 秒以内。

Hugging Face 与宾夕法尼亚大学合作开发了 LitPivot，一个帮助研究者在文献阅读引发的方向调整中完善研究想法的系统。

它通过 Asta Paper Finder 检索论文，把研究提案拆分为问题、贡献和评估方案三个维度，围绕正在编辑的部分组织文献，并给出附有文献摘录支撑的批评与修改建议，研究者可接受、编辑或拒绝。在 17 名研究者的实验室研究中，领域专家认为用 LitPivot 形成的想法比用文本编辑器加 AI 聊天工具的想法更有文献依据，参与者自评想法的新颖性和实用性提升更大，对周边文献的理解也更强。该系统面向早期研究构思，作者认为或可扩展到论文引言等更长写作任务，将于 UIST 2026 在底特律展示。

Amazon SageMaker AI 支持多轮强化学习（MTRL），训练模型完成需要连续多步决策的智能体任务，只对最终结果打分而不指定正确轨迹。

训练时 SageMaker AI 通过 AWS Lambda 转发器把提示发送到托管在 Amazon Bedrock AgentCore 或自有基础设施上的智能体，智能体调用策略模型与环境交互，回合结束后返回单一奖励，再用 GRPO 更新策略模型上的 LoRA 适配器。

拜耳作物科学在 Amazon Bedrock AgentCore 上构建了智能体决策引擎（ADE），作为其 Connected Decision Engine（CDE）之上的多智能体自然语言界面，第一阶段可无需工程师介入解决约 80% 的用户提问。

ADE 采用监督智能体将问题路由至专业智能体的架构，生产环境运行 22 个专业智能体，分别对接 RAG 知识、CDE 工作流状态、运维遥测和可视化等数据源。团队选用 AgentCore 的三项能力：隔离每个用户会话的托管运行时、通过 AgentCore Gateway 将认证授权置于智能体代码之外的 IAM 范围化工具访问，以及可自带 LangGraph 编排和模型选择的框架无关设计。

Amazon Quick Sight 的图层地图现在支持 GeoJSON 中的 Point 和 LineString 两种几何类型，可在地图上标出具体地点并绘制地点之间的路线。

此前图层地图只能上传 GeoJSON 绘制自定义形状图层（如销售区域或行政区），无法呈现区域内的单个位置和连接它们的路径。使用时需准备 .geojson 文件（最大 100 MB）、一份 Quick Sight 数据集，以及两者共享的关联键；每个图层一次只渲染一种几何类型，混合类型文件仅显示所选类型的要素。点适合标注门店或设施等具体位置，线适合展示配送路径、机场间航班等地点间关系。

通过 AWS CDK 自定义资源可在 SageMaker AI 端点更新时自动完成自动扩缩容的注销与重新注册，实现端点配置与扩缩容参数的单次部署、无需人工干预。

原生 CloudFormation 方案下，端点配置变更会因可扩缩目标仍处于注册状态而被 SageMaker AI 拒绝；手动注销后再部署则可能静默丢失自动扩缩容，或在修改扩缩容参数时因 ScalableTarget 资源不存在而失败，且回滚失败会让堆栈进入需人工恢复的状态。

OpenAI 通过可靠的多租户架构、全局缓存和 Azure Cosmos DB 扩展 Habitat 存储系统，使 ChatGPT 的读取速度提升 12 倍。

这套方案支撑了超过 10 亿 ChatGPT 用户的在线存储需求。文章下篇聚焦多租户隔离、全局缓存与 Azure Cosmos DB 的具体实现方式。

Hugging Face 推出 torch-neuronx 模型支持 Space，用于查询 Hub 上的热门模型能否在 AWS Trainium 上未经修改直接运行，并提供可自行复现的脚本。

每条结果列出模型分片所用的 Trainium 核心数、含编译在内的实际运行耗时和峰值显存。用户可按 Trending 或 Downloads 视图检索指定模型，并选择 neuronx-cc 与 Transformers 版本；被有意跳过的模型会注明原因。目前仅测试 Transformers 的文本生成与图文转文本模型，且只覆盖能放进 4 台 Trainium2 设备（最多 16 核）的模型，PASS 不代表吞吐量或更长生成的表现。

OpenAI 与波兰 NASK 建立合作，聚焦 AI 安全、安保与技术研究，以强化防护措施并支持更具韧性的数字生态。

双方合作范围涵盖安全、安保和技术研究三个方向，目标是提升 AI 系统的保障能力。原文未披露合作的具体时间表、投入规模或适用范围。

Anima 利用 GPT-6 和 GPT-Live 帮助诊所将电话等待时间缩短 75%。

该方案扩展了护理团队借助 OpenAI 模型可完成的工作，使其有更多余力响应患者。

微软与 Hugging Face 联合发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的 0/1 可执行校验结果当作强化学习奖励，用于训练智能体。

用 GRPO 对 Qwen3.8-27B 训练 50 步后，在 507 项 ThinkingBox-Bench 任务各跑 20 次，pass@1 从 51.70% 升至 60.78%，20 次全部通过的任务从 38 个增至 107 个，而至少通过一次的任务从 453 个降至 446 个。训练池按离线策略相对难度筛选，只保留基础模型时对时错的任务，最终池含 187 个任务，基准任务未参与训练。

OpenAI 发布 Decisions API，面向各类应用提供快速、聚焦且低成本的决策能力。

该 API 主打响应速度与低成本，适用于需要在应用内完成决策调用的场景。原文未披露模型版本、定价、上下文长度及具体可用时间等信息。

在 Amazon SageMaker AI 上托管的 Kokoro-82M 文本转语音模型可让 AI 语音智能体按句流式合成，第一句生成后即开始播放，无需等整段回复完成。

Kokoro-82M 仅 8200 万参数，可跑在单台 ml.g5.xlarge GPU 实例上，从而压低延迟与推理成本。容器暴露 POST /invocations 与 WS /invocations-bidirectional-stream 两条路由，分别对应单次完整输入和跨多条消息的双向长连接。

Amazon Quick 是 AWS 的 HIPAA-eligible 服务，其 Web、桌面和移动客户端均可在签署 AWS BAA 后用于处理 PHI。

该平台的 chat agent 可同时读取临床笔记、申诉信等非结构化内容和理赔、会员记录等结构化数据，并通过 Slack、Microsoft Outlook、Salesforce、Atlassian Jira、Microsoft SharePoint 等预置连接器调用外部系统，也可通过 MCP 接入自定义工具。为满足治理要求，Amazon Quick 提供 ACL 感知检索、聊天与反馈日志，以及针对每个 chat agent 的操作权限控制。

Amazon SageMaker AI 推出训练会话 API，把抽象边界下移到训练操作层：开发者在本地 Python 进程中调用 forward_backward()、optim_step()、sample() 等操作，由 SageMaker 负责 GPU 分配、模型与 LoRA 加载、分布式执行、故障恢复和检查点存储。API 由 ServiceClient、TrainingClient、SamplingClient 三个客户端依次创建，会话还提供 OpenAI 兼容的 chat completions 端点。计费按处理的 token 数计算，本地奖励计算等环节不计 GPU 时间。

AWS 宣布 SageMaker AI 无服务器模型定制中的训练会话（training sessions）正式可用，用户可自行编写训练循环、自定义损失函数和奖励信号，GPU 分配、分布式执行、故障恢复与检查点存储由 SageMaker AI 负责。

该功能支持 SFT、DPO、RLVR、RLAIF 和多轮 RL 等技术，并可选择 LoRA 或全量微调。计费按 SageMaker AI 处理的 token 计，奖励函数在用户环境中打分时停止计费，无需预留容量。

IskayPet 基于 Amazon Bedrock Managed Knowledge Bases 构建了企业知识助手，让员工用自然语言查询零售运营、兽医诊疗、人事入职和采购等领域的内部文档，覆盖西班牙、葡萄牙、法国三国和四种语言，且无需自建 RAG 基础设施。

该助手通过原生 SharePoint 连接器直接读取现有文档库，避免数据迁移，并启用高级索引处理文档内嵌图片内容。检索环节采用语义与关键词（BM25）混合搜索及托管重排序，均不额外收费，同时在检索时沿用 SharePoint 原有文档级权限，只返回提问者有权查看的内容。答案要求标注来源，检索内容不足时模型会明确说明。

Amazon Polly 生成式引擎完成升级，语音输出更自然、更准确且保持低延迟，新增 14 个音色、覆盖 9 个语种区域，并首次在生成式引擎中正式提供印地语和芬兰语。

此次升级为原地替换，音色名称和 API 调用均不变，现有应用无需改代码即可获得新音色。升级后共提供 57 个生成式音色，覆盖 11 种语言、25 个语种区域，并扩展至 AWS GovCloud（US-West），合计 11 个 AWS 区域。新引擎能根据文本内容自动体现情绪和韵律，无需手动设置，并可准确朗读数字、货币、地址等信息。价格保持不变，按需付费，无新增 SKU，适用于呼叫中心、基于 LLM 的智能体应用、媒体娱乐和在线教育等场景。

Rescale 基于 AWS 的 AI-DLC 框架和 Strands Agents 构建了一个 AI 分诊智能体，用于自动分类和路由夜间端到端测试失败，从问题定义到 staging 部署仅用五天，数周内进入生产。

该智能体运行在 Amazon EKS 上的 Argo Workflows CI/CD 流程中，调用 Amazon Bedrock 上的 Claude Opus 4.8 将失败归类为基础设施问题、代码缺陷、不稳定测试或环境问题，并从知识库检索历史失败模式、通过 MCP 查询 pod 日志，数秒内生成含文件引用、函数名和修复建议的结构化报告供工程师审核。

针对 Amazon SageMaker AI 上自托管 TTS 端点自动扩缩容目标靠猜的问题，该方案将 82M 参数的 Kokoro-82M 以自定义容器部署在实时端点上，用实测的 Q_max（单实例在 SLO 内可承受的最高并发）和 T_total（一次扩容端到端耗时）通过算术推导出扩容阈值、缩容阈值和两个冷却时间。

微软研究院发布 Flint-interactive，一种在 Flint 之上创建交互式数据可视化的语言，让智能体生成用户可点击、筛选、缩放、高亮并进行跨图表联动的图表。

它用高层语义事件和更新算子描述交互行为，由 Flint 编译器处理命中测试、布局和渲染更新，从而降低生成成本与调试难度。用户可通过 Flint-MCP 和 MCP Apps 在聊天或画布环境中直接使用，开发者可用 Flint Interactive Canvas 的编程 API 构建仪表盘和数据故事，并让图表与表格、文本、其他图表或应用状态联动。

Uber 正在向超过 3 万名员工推广 ChatGPT Work，帮助团队进行研究、数据分析、制作演示文稿并完成复杂工作流。

此次部署由 OpenAI 提供支持，覆盖 Uber 全体员工。