Google DeepMind 与 Google Research 联合世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）发布 Forest Typology（ForTy）2020，把全球每一块 10×10 米土地归入六类森林与土地利用类型，并同步给出 2017 至 2025 年的逐年变化时间序列。六类分别是原始林、自然再生林、人工种植林、种植园林、树木作物与农林复合，以及其他土地，分类依据联合国粮农组织（FAO）的定义。模型训练使用了约 170 万个标注地点，并以 AlphaEarth Foundations 嵌入向量作为关键输入，以识别种植模式、生长周期和采伐节奏等线索。
OpenAI 解释了 FDE（forward deployed engineering，前沿部署工程）在其内部的具体含义。
文章围绕这一岗位的定位展开，说明前沿部署工程师在 OpenAI 的工作内容与角色。原文未披露具体团队规模、产品名或时间安排。
IBM 为 Granite 时序模型推出 Granite Timeseries Ensemble，用一套可扩展接口组合四个预训练模型，无需重训、也无需拟合集成权重即可输出中位数与分位数预测。
默认的 Probabilistic Ensemble 采用均匀概率池化，让四个成员等权；可选的 IQR Ensemble 按各成员预测区间宽度自适应加权，并提供温度参数和单成员权重上限。
i14 与 AWS 合作，通过 TorchNeuron Native 的原生 PyTorch 支持，将采用 Gated Linear Attention（GLA）的 Laplace 3B 线性注意力模型带到 AWS Trainium2，并保留了其 GLA 设计与 Muon 优化器。该模型每序列的循环状态固定为 29.5 MB，不随上下文长度增长，训练注意力从 O(T²) 降至 O(T)。在单台 trn2.48xlarge 实例上，Laplace 3B 训练速度约 120,000 tokens/s，并在 1,280 条并发序列下实现 11,544 output tokens/s 的服务吞吐。
Smartsheet 已正式发布（generally available）Model Context Protocol（MCP）Server，AI 助手可通过标准化协议读取、写入和管理 Smartsheet 数据，覆盖探索、创建和管理表格、行、列与自动化等 40 多个工具。
用户可用自然语言更新任务状态、创建行、调整项目结构。该服务提供三个区域端点，采用 Streamable HTTP 传输（MCP 规范版本 2025-06-18 和 2025-03-26），支持 OAuth 2.0 或 Personal Access Token 认证。
OpenAI 宣布收购 Orchestra Bio，目的是把 AI 驱动的运营能力带入生命科学研发，帮助生物医药团队加快药物开发、推进新疗法。
材料未披露交易金额、收购完成时间以及 Orchestra Bio 的具体产品与团队安排。
OpenAI 通过收购 Orchestra Bio 把 AI 运营能力带入生命科学研发，读者可据此观察 AI 公司进入生物医药研发环节的路径。
NVIDIA 发布 Cosmos3-H-Dreams，一个基于 Cosmos 3 的实时生成式手术模拟器，可从视频与机器人运动学学习胆囊切除术场景，并响应器械动作实时生成画面。
模型基于 160 亿参数的 Cosmos3-H-Embodied-Nano，使用 28 个动作维度、832 x 480 视频和 10 Hz 对齐动作训练，经教师到学生蒸馏得到四步与两步两个检查点，配合 FlashDreams 流式推理可在单张 NVIDIA RTX PRO 6000 GPU 上交互运行。官方称这是首个基于临床胆囊切除术录像训练、支持实时运动学控制的生成式手术模拟器，并提供适配自有数据与控制器的方法。
读者可了解生成式手术模拟器如何从桌面任务走向临床场景，以及实时推理所需的蒸馏与缓存管理方法。
Smartsheet 已在 AWS 上推出正式可用的 MCP Server，AI 助手可通过标准化协议读取、写入和管理 Smartsheet 数据，覆盖探索、创建和管理表格、行、列及自动化等 40 多个工具。
用户能用自然语言更新任务状态、创建行和调整项目结构。该服务提供三个区域端点，采用 Streamable HTTP 传输（MCP 规范版本 2025-06-18 和 2025-03-26），支持 OAuth 2.0 或 Personal Access Token 认证。
Octave 在 Amazon Bedrock 上为质量管理平台 Reliance 搭建了多租户 AI 基础平台，使单个用例的部署时间缩短 50%。
该平台服务医疗设备、制药和食品制造领域的 650 多家企业客户，各租户数据严格隔离，检索逻辑、向量存储和生成上下文均限定在单一租户内。
在 Amazon SageMaker HyperPod 上，团队用 SFT 与 GRPO 微调开源推理模型 GPT-OSS-20B，使其按指定语言进行链式推理。
该模型原本几乎只用英文思考：在 50 例多语言推理测试中，基础模型仅 22% 的样本用正确目标语言推理，其中英文 100%、法文 0%、德文 10%、西班牙文 0%、意大利文 0%。训练数据为 HuggingFaceH4/Multilingual-Thinking，约 949 条训练样本、50 条验证样本，覆盖英法德西意五种语言。结论是 SFT 承担主要工作，GRPO 在模型已有一定成功概率时带来可测量的增益；团队另用 Qwen2.5-7B 做对照实验验证这一判断。
Amazon Quick 与 Amazon Bedrock AgentCore 组合，让供应链管理者用自然语言直接查询 ERP、监控、采购等分散系统并获得可执行答案。
AgentCore 作为智能层，通过 Gateway 将企业 MCP 服务器暴露为可组合工具层，Runtime 提供无服务器托管，Identity 负责认证，Policy 在执行前拦截每次工具调用。演示中，管理者用三步提示完成从发现中断到发出紧急 RFQ：识别出 TechComp 停产影响 23 笔订单、$750K 风险敞口和三天库存，并串联治理与报价 MCP 生成合同对齐报价。
一家独立经营 Schlotzsky’s 和 Cinnabon 的加盟商借助 ChatGPT Work，将对账时间缩短 94%，菜单重新定价时间减少 95%。
该加盟商还搭建了一套工作流，有望释放 10 万美元现金流。
Eon 基于 Amazon Bedrock AgentCore 搭建了统一的 MCP Gateway，把原先分散在各工具上的凭证和本地 MCP 进程替换为单一认证网关，让开发者和自主智能体统一访问跨 AWS、GCP、Azure 的调查工具。
新工程师配置全部调查工具的时间从约两天缩短到约两分钟。该方案组合了 AgentCore Gateway、Policy、Runtime 和 Identity：人类通过企业 SSO 经 Amazon Cognito 获取 JWT 接入，智能体则用 client_credentials 授权直连网关。
微软研究院 Catalyst Lab 负责人 Chris White 在播客中回顾了自己从哈佛博士后、DARPA 项目经理到阿富汗战场技术负责人，再到开发暗网搜索工具打击人口贩运的职业经历。
2010 年夏天，他以博士后身份加入 DARPA 多学科团队，评估一种新数据分析方法能否在阿富汗战争中预防暴力、保护士兵，项目结束时该机构要求他在实地证明其工作价值。他后来转向具有直接现实影响的技术工作，相关成果获得 2016 年美国总统打击人口贩运特别努力奖。对话还讨论了问题选择在创新中的作用，以及在看尽人性阴暗面后如何保持希望。
AWS 与 Keyfactor 联合发布参考架构，用 X.509 PKI 为 AI 智能体建立可验证、可撤销的加密身份，填补 MCP 缺乏内置认证标准的空白。
方案基于 Keyfactor EJBCA 与 Amazon Bedrock、AWS Strands Agents SDK，采用四类机制：签名请求信封提供每次调用的持有证明，用户签名的委托断言让智能体无需共享凭证即可获得授权，RFC 8693 受众限定 token 限制单个 token 泄露的影响范围，实时 OCSP 吊销检查将凭证变更即时同步到所有智能体。架构分用户认证、智能体间认证、MCP 认证三层，分别校验用户身份与凭证绑定、调用方身份与请求新鲜度、完整授权链。
AWS 发布教程，介绍用 AWS Agent Registry 让智能体在运行时按语义搜索发现 MCP 服务器和 A2A 智能体，再动态构建客户端执行请求。
Registry 记录包含可搜索描述和协议描述符，但不返回调用凭证，认证需通过 Cognito OAuth 或 boto3 签名另行获取；只有完成审批流程的记录才会出现在可发现数据面。示例部署订单管理 MCP 服务器、两个 A2A 智能体和编排器，演示仅 MCP、MCP 加 A2A、以及工具名不含“退货退款”但靠描述语义匹配三种场景。作者指出小规模稳定目录或固定流水线仍适合构建期硬编码，搜索质量取决于描述与查询设计。
加拿大区域的 Amazon Bedrock 用户现可通过跨区域推理（CRIS）访问 OpenAI GPT-6.1 Sol、GPT-6（Astra、Sol、Luna）和 GPT-5.6（Sol、Terra、Luna），源区域为 Canada (Central) 与 Canada West (Calgary)，推理在北美境内处理。这些模型支持文本与图像输入、100 万 token 上下文窗口、推理模式和工具调用，并支持提示词缓存，可通过 OpenAI Responses API、Chat Completions API 和 Amazon Bedrock Converse API 调用。
三位拥有十余年 Java 经验的 Java Champion 分享了在生产与开源项目中使用 GitHub Copilot 的具体做法。
Hypersistence 创始人 Vlad Mihalcea 用 Copilot 开发 Optimizer 事件历史 Web 应用，原本需数周的任务两天完成，并基于自己 65 篇已发表文章创建自定义技能，让生成文本贴近本人写作风格。42talents 的 Patrick Baumgartner 用 Copilot 将 15 份演示中约 900 张教学幻灯片从 Reveal.js 迁移到 Marp，通过截图对比和并排运行验证动画等细节。三人均强调开发者仍需提供上下文、审查生成代码并保障可维护性。
Hugging Face 推出 FairStress 基准，用于测量 LLM 在影响他人决策中超越最终选择的人口统计公平性，并已集成到其开源评测工作台 Olmo-eval。
该基准包含 29 个领域（招聘、医疗、借贷、教育、住房、刑事司法等）的 300 个真实双候选人决策场景，通过变化身份呈现方式（无身份信息、人口统计编码姓名、间接暗示、显式标签）并加入对抗性前缀，将场景扩展为超过 1300 万个测试用例。团队另发布基于项目反应理论筛选的 5 万条 FairStress-Core 子集，以降低评测计算成本。
Mistral 发布 Voxtral 3 语音模型家族，包含语音转写与语音合成模型，以及基于 LiveKit 的语音智能体 SDK，把听、推理、工具调用和说合成一条实时流式流水线。
转写模型 Voxtral Small Transcribe 3 支持 50+ 语言、说话人分离和上下文偏置，官方称其表现优于 Whisper、Scribe v2 和 Gemini 3.5 Transcribe；实时版在 35+ 语言下延迟低于 500ms。合成模型 Voxtral Mini TTS 3 支持 35+ 语言和 50+ 方言，可按上下文调整情绪、语速和重音，定价 $13/1M 字符。
Mistral 把语音识别、推理与语音合成串成一条实时流水线，读者可据此判断语音智能体的搭建门槛和部署选择。
AWS 博客展示如何用 AtScale 作为语义层、配合 Amazon Bedrock AgentCore 构建面向智能体 AI 的 Customer 360 方案。
AtScale 采用维度模型（维度、层级、度量），用基于 YAML 的开放规范 Semantic Modeling Language 编写并纳入 Git 版本管理，单个已部署模型可同时通过 SQL、XMLA 和 MCP 三种协议对外暴露。
本系列第三篇用 Strategy Mosaic 作为语义层，在 Amazon Redshift 与 Amazon Aurora 上以两个链接模型建模 Customer 360 域，无需 ETL，并通过 MCP 端点让托管在 Amazon Bedrock AgentCore 上的 Strands 智能体访问。
本教程演示如何用 Denodo Platform 作为语义层、配合 Amazon Bedrock AgentCore 托管智能体，构建跨 AWS 与本地数据源的 Customer 360 查询方案。
Denodo 将 Amazon Aurora、Amazon Redshift 和本地 PostgreSQL 中的客户资料、订单历史与奖励账户三张表联邦为单一 customer_360 视图，智能体通过 Denodo MCP Server 以 VQL 查询，无需 ETL 搬移数据。
Hugging Face 宣布接入 TorchTPU 这一 PyTorch 原生 TPU 后端，Transformers、Diffusers 和 Kernels 可直接在 TPU 上运行，不再需要 Optimum TPU 或 torch_xla。
加载模型时传入 device_map="tpu" 即可，Diffusers 只需 pipe.to("tpu")，编译模式再加一次 compile 调用；超出单芯片显存的模型可通过 TensorParallelConfig 在加载时分片到多芯片。
Hugging Face 生态原生支持 TPU 后，PyTorch 用户不必再迁到 torch_xla 或 JAX，现有模型代码改一个设备参数即可运行。
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为规则并追加到系统提示词，不更新模型权重。
在 τ²-bench 客服基准上，使用 stock ReAct 脚手架的 GPT-4.1 智能体在零售域 Pass^4 从 57.5% 升至 67.5%，平均准确率从 78.1% 升至 82.5%；航空域 Pass^4 从 35.0% 升至 45.0%。
读者可看到不更新模型权重、仅靠提示词层学习记忆，就能把普通客服智能体推到基准榜首的具体做法与代价。
Hugging Face 发布 AnyLanguageModel 1.0，同时推出 swift-huggingface 1.0 和 swift-xet 1.0。
该库是 Apple Foundation Models 框架的兼容替代品，开发者只需把 import FoundationModels 改为 import AnyLanguageModel，同一段会话代码即可调用系统模型、经 llama.cpp、MLX、Core ML 运行的开放权重模型，以及 OpenAI、Anthropic、Google Gemini、Ollama、Hugging Face Inference Providers 等托管服务。
PyTorch 2.15 在 MPS 后端加入 FP8 支持，并让 MoE 模型解码比 2.14 快 5–6.5 倍。
在 M3 Ultra 上配合 torch.compile，Qwen3.6-35B-A3B 从 9.4 tokens/s 提升到 61.3 tokens/s，LFM2.5-8B-A1B 从 23.6 提升到 123.6 tokens/s；稠密模型也受益于矩阵向量内核和约 8 倍加速的 softmax。
Amazon Bedrock 现已在 bedrock-runtime 和 bedrock-mantle 两个端点上，为所有可用的 Anthropic Claude 模型支持结构化输出，可直接返回符合所定义 JSON schema 的响应，无需自定义解析、重试逻辑或后处理。
该功能通过约束解码在生成 token 时强制执行 schema，提供 JSON Schema 输出格式和严格工具调用两种机制，可用于数据抽取、智能体工具调用和批量分类。首次使用新 schema 需编译语法产物，编译结果按账号缓存 24 小时；schema 结构变更会使缓存失效。该功能已正式可用，支持批量推理，在 bedrock-runtime 上还支持跨区域推理。
AWS 新客户现在可通过 Google、GitHub、Apple、Amazon 账号或邮箱，在 2–3 步内注册并自动进入配置好的 SageMaker Studio 环境，环境创建约需 20 秒。
新客户无需完成高级 AWS 账户注册、验证手机号，多数也无需输入信用卡。新客户可获得 $100 AWS Free Tier 额度，用于 SageMaker AI 的模型定制、训练任务、Studio notebook 和端点部署，还有机会再获得 $100 额度；额度用尽或 6 个月到期后资源自动停止。
OpenAI 正在改进 ChatGPT 对低资源编程语言的支持，并新增了面向软件工程、SQLite 和 COBOL 迁移的评测。
此次更新聚焦于低资源编程语言场景下的编码能力提升，配套评测覆盖软件工程、SQLite 与 COBOL 迁移三个方向。原文未披露具体模型版本、参数规模、benchmark 分数或上线时间。
Amazon SageMaker JumpStart 在 2026 年 1 月至 9 月间新增超过 100 个模型，来自 30 家不同提供商。
贡献最多的是阿里云千问（Qwen），共 29 个模型，覆盖推理、MoE、智能体、代码生成、语音识别、TTS、嵌入向量与重排序；NVIDIA 贡献 17 个，包括 Cosmos3 世界基础模型系列与 Nemotron 系列。Mistral 新增 7 个模型，Google 新增 6 个 Gemma 4 变体，IBM 与 Cohere 各新增 4 个。
GitHub Copilot 应用中的会话可直接在 VS Code 中打开并继续，对话、代码改动和工作上下文均保持不变。
在会话中选择 Open in VS Code 后，VS Code 会用该会话关联的 worktree 打开项目，并在 Copilot 侧边栏显示原会话，任务、计划和对话记录一并保留。用户可在源代码管理视图中逐行审查 diff，直接手动修改文件，再用集成终端运行测试和本地验证。完成后可通过源代码管理视图或终端提交并推送改动到该会话对应的 pull request。前提是已安装并登录 Copilot 应用、VS Code 连接同一 GitHub 账号，且拥有该会话仓库的推送权限。
Hugging Face 发布 TorchNeuron，为 PyTorch 在 AWS Trainium 上提供原生后端，Transformers、Diffusers、Accelerate、PEFT 和 TRL 可直接把 Neuron 当作普通设备使用。
该后端支持 eager 模式、torch.compile 以及 FSDP2、DTensor 等原生分布式接口，用户只需传入 device_map=neuron 即可把模型移到 Neuron 设备上。官方称，在 TorchNeuron 下，前 100 个最常用文本生成模型架构中有 89% 开箱即用，而 Optimum Neuron v0.4.5 为 46%。
Hugging Face 官方说明 Trainium 原生后端如何改变模型加载与训练方式，并给出可直接复用的代码示例。
TwelveLabs 的视频语言模型 Pegasus 1.5 已在 Amazon Bedrock 上线，可将长视频按用户定义的分段规则切分，并返回带起止时间的结构化 JSON。
相比 Pegasus 1.2，单次请求可分析的视频时长从 1 小时提升到 2 小时，并新增视频分段、结合参考图的多模态提示和免预索引的即时处理。模型通过 InvokeModel 或流式接口调用，视频可直接从 S3 读取，也可用不超过 25 MB 的 base64 内联传入，支持最长 2 小时、最大 2 GB 的视频。目前仅在美国西部（俄勒冈）区域提供，费用经 AWS Marketplace 计入 TwelveLabs 账单。
AWS 团队为 vLLM 加入双向 KV 传输，让 decode 节点在后续轮次把已算好的 KV 缓存回传给 prefill 节点，避免重复计算对话历史。
在 Amazon EC2 P5en 实例、EFA 网络、1P1D 部署下，最长提示长度时 Qwen3-32B 的 TTFT 降低约 1.6 倍，zai-org/GLM-5-FP8 降低约 3.3 倍，结果随负载和配置变化。该功能由可配置的 KV 缓存保留 TTL（decoder_kv_blocks_ttl，默认 480 秒）和重算阈值（kv_recompute_threshold，默认 64 tokens）控制，并需要配合 KV-cache-aware 路由使用。
vLLM 新增 push 模式的 NIXL connector，把 prefill 之后的传输协调与准备工作移出首 token 关键路径，从而降低 TTFT 并提升 TPOT。
在基于 Amazon EC2 P5en 实例、通过 EFA 互联的 1P1D 部署上，Qwen3-32B 的测试显示 push 模式相比默认 pull 模式 TTFT 最高提升 3 倍，TPOT 最高改善 30%，具体结果取决于负载与配置。该功能先在搭载 EFA 的 AWS Trainium 集群上构建并验证，随后作为与加速器无关的特性贡献给 vLLM，上述数据来自 GPU 集群，表明收益可延续到 GPU。
Deepgram 将 Nova-3 语音转文字模型迁移到 AWS Trainium2，在离线批处理负载上每美元处理的音频量比原有算力方案提升 11%–70%。
迁移从标准 PyTorch 代码起步，借助 TorchNeuron 编译后模型全部运算均在 Trainium2 上执行、无 CPU 回退，并通过 NKILib 融合算子与手写 NKI 内核继续调优：FFN 内核在 batch size 96 时延迟降低 2.0x，depthwise conv1d 提速 1.5x，自研 conv2d 内核解锁了 32 以上的 batch size。
Benefit Street Partners 的 Anant Kumar 借助 Codex 构建用于比较贷款估值和分析信贷协议的工具，并用 Codex 做代码审查、加快后续跟进。
巴西银行 Itaú 正通过对话式界面 ia.i 和治理平台 IARA，把 AI First 战略同时落到客户与员工两端，而银行业是巴西监管最严的行业之一。
ia.i 面向客户提供对话式交互，IARA 则承担 AI 治理职能。原文未披露模型名称、参数规模、上线时间与可用范围等细节。
AWS 销售、营销与全球服务（SMGS）运营团队基于 Amazon Bedrock AgentCore 搭建了一套面向生产环境的多智能体持续质量评估框架，用于服务全球 AWS 现场销售。
该框架以 AgentCore Evaluations 为核心，配合 Amazon Bedrock Guardrails、CloudWatch、S3、Redshift、Amazon Quick 和 Lambda，检查回答是否有据、正确，并追溯失败根因。