AWS Batch 为 Amazon SageMaker Training 作业新增配额管理调度能力，管理员可按团队、项目或工作负载把 GPU 容量划分为配额份额，并配置资源借还策略。
每个配额份额包含容量上限和 RESERVE、LEND、LEND_AND_BORROW 三种空闲资源共享策略，份额作为嵌套在作业队列中的虚拟队列运行。当借出容量的份额有新作业到达时，AWS Batch 会执行跨份额抢占回收资源；开启份额内抢占后，高优先级作业可抢占 SCHEDULED、STARTING 或 RUNNING 状态的低优先级作业。
AnySpeechRecognizer 与 AnyDecisionModel 两个 Swift 包发布，让开发者在 Apple 平台上按需切换本地模型完成语音识别和决策任务。
AnySpeechRecognizer 沿用 Apple 的 SpeechAnalyzer API，可选用 NVIDIA Parakeet（支持 25 种欧洲语言）或阿里 Qwen3-ASR（支持 30 种语言和 22 种中文方言），并新增基于 Streaming Sortformer 的说话人分离，最多跟踪 4 位说话人。
Check Point 借助 OpenAI Daybreak 加速新安全防护背后的研究工作，让分析师更快把漏洞情报转化为面向客户的防御能力。
原文未披露所用模型版本、参数规模、benchmark 分数或提速倍数，也未说明该能力的开放时间与适用条件。
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。
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。
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。
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 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。
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。
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。
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。
微软研究院把交互逻辑交给编译器处理，让智能体生成可点击、可联动的图表，减少反复调试的成本。
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。
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。
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。
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。
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。
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。
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。
两名工程师用 Codex 在几周内做出 Stack Overflow for Agents，其 ChatGPT 插件推动智能体创建量最高增长 10 倍，注册量随之增至三倍。
OpenAI 与律所 Sullivan & Cromwell 合作开发了 AI 工具 Agreement Analyzer，用于识别合同草案中的问题。
该工具面向协议审查场景，帮助发现草拟协议中的潜在问题点。
OpenAI 推出 Rosalind Academic Plan，为符合条件的学术实验室提供 GPT-Rosalind 的赞助访问权限及配套工具，用于推进生命科学研究。
该计划面向学术研究实验室，具体申请资格与使用条件尚未在材料中说明。
Meta 的编码优化开源权重模型 Muse Spark Open 现已在 Amazon SageMaker JumpStart 上线，可在自己的 AWS 账户中部署到 SageMaker AI 端点，无需自行管理服务基础设施。
该模型采用 MoE 架构，总参数 816B、每 token 激活 42B，支持 1M token 上下文窗口，输入可接受文本、图像、文档、音频和音视频，输出为文本，权重按 Muse Model License（含 Muse Spark Usage Policy）发布。
Meta 的编码优化开源模型首次接入 SageMaker JumpStart，文中给出两种量化变体与对应实例，可据此估算部署成本。
Google DeepMind 发布技术演示，展示生物学家如何用其智能体开发平台 Google Antigravity 发现一种新型抗菌肽候选物，该候选物被预测对呼吸道感染相关病原体具有活性，目前正进行湿实验验证。
Antigravity 提供智能体科学工作台，把原本分散在多个数据库的检索压缩到单次会话，并借助 ProtNLM 模型从氨基酸序列预测生物功能，扫描 UniProt 中数百万条此前未表征的蛋白质。
OpenAI 在教师节推出面向教育者的 AI 工具，新增巴西葡萄牙语支持，并展示 Study Mode 如何帮助教师支持学生主动、分步骤地学习。
Amp 利用 GPT-6 Astra、Ultrafast、GPT-Live-1 及 Sign in with ChatGPT，将 AI 智能体从写代码拓展到更广泛的任务场景。
该案例展示了智能体在编程之外的能力边界。
Google 公开发布 Deep Review，一个面向复杂文档的智能体审阅系统，可对论文、法律和财务文档做逻辑一致性、数学陈述与事实核查，并给出改进建议。
系统采用文档分段、自适应算力分配、并行验证和全局综合四阶段流水线，由 Gemini 4 Argon 提供底层能力。
Google 公开了面向长技术文档的智能体审阅系统，并给出四阶段流水线与会议试点规模，可据此判断自动审阅在论文与法律文档中的可用边界。
Google 发布地理空间推理智能体的技术报告，并开源 GeoKTools 和 GeoExpertQueries 两个新基准的开发集，供研究者测试自己的地理空间推理智能体。
Google 公开了地理空间推理智能体的技术报告与两个新基准，并给出与 WHO 等伙伴的实测案例，可据此判断专业工具加前置规划相对通用 LLM 的差距。
Anchor Browser 与 Amazon Bedrock AgentCore payments 集成，让 AI 智能体在遇到 HTTP 402 Payment Required 时自动完成 x402 协议支付并重试请求，该方案已在 AWS Marketplace 上线。
材料给出把支付能力下沉到托管基础设施的具体做法，读者可据此判断浏览器智能体处理付费资源时的改造范围。
Higgsfield 借助 GPT-6 Astra 把 AI 视频生成时长从 1 分钟延长到 10 分钟以上，并用 GPT-Image-2.5 提升画面精度，同时通过 GPT-Live 探索语音驱动的电影制作路径。
Amazon Bedrock 9 月新增 OpenAI 的 GPT-6 Astra、Sol、Luna 系列模型，其中 GPT-6 Astra 支持最高 100 万输入 token，Ultrafast 版本推理速度最高提升 6 倍、达 300 tokens/秒。
Asana 借助 Codex 中的 GPT-6 Astra，在测试中让浏览器智能体的模型成本降低 76 倍、速度提升 5 倍，从而为客户提供能力更强的模型。
Incarna 借助 Amazon Bedrock AgentCore payments，让智能体通过 x402 按次向 BlockRun 支付模型推理费用，将接入 x402 支付支持的工作量从数月缩短到数天，并已把端到端按次付费推理流程投入生产。
Oracle 在招聘、工程和运营场景中，用 ChatGPT Work 和 Codex 把专家知识转化为快速、可重复的工作流，将原本需要数天的工作压缩到几分钟。