ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง
วันนี้13 พฤศจิกายนวันศุกร์38 รายการ
  1. inclusionAI Models34

    inclusionAI เปิดตัวน้ำหนัก FP8 ของ Duo-1.0-distill-quant สำหรับการโต้ตอบแบบฟูลดูเพล็กซ์

    inclusionAI เปิดตัว Duo-1.0-distill-quant ซึ่งเป็นน้ำหนัก Realization แบบสี่สเต็ปที่ผ่านการควอนไทซ์เป็น FP8 และกลั่นแล้ว สำหรับโมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์ Duo 1.0 น้ำหนักนี้จะซ้อนทับบนชุด inclusionAI/Duo-1.0-causal-base ซึ่งจัดเตรียม Intent, โคเดก, โมเดลเสียงพูด และแกนหลัก Realization ที่ใช้ร่วมกัน และจำเป็นต้องมีรันไทม์ที่รองรับรูปแบบ ModelOpt FP8 ที่แพ็กเกจมา น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo

  2. inclusionAI Models40

    inclusionAI เปิดตัว Duo-1.0-distill น้ำหนักกลั่นสี่ขั้นสำหรับ Duo 1.0

    inclusionAI ได้เปิดตัว Duo-1.0-distill ซึ่งเป็นน้ำหนัก Realization แบบกลั่นสี่ขั้นสำหรับ Duo 1.0 โมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์สำหรับการโต้ตอบเสียง-ภาพแบบเรียลไทม์ น้ำหนักนี้จัดส่งในรูปแบบ PyTorch Distributed Checkpoint overlay บนชุด inclusionAI/Duo-1.0-causal-base โดยใช้ Euler sampler จำนวน 4 ขั้นและ flow shift 5.0 น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo

  3. inclusionAI Models38

    เปิดตัว SingVL-4B GGUF: บิลด์ GGUF ของโมเดลตัดสินใจมัลติโหมดัล Sing VL S1 4B บน Qwen3.5

    Sing VL S1 โมเดลตัดสินใจมัลติโหมดัลขนาด 4B พารามิเตอร์ที่สร้างบน Qwen3.5 ขณะนี้มี GGUF release สำหรับการอนุมานบน CPU ผ่าน llama.cpp แล้ว จัดส่งในรูปแบบ decoder BF16 (8.42 GB), Q8_0 (4.48 GB) และ Q4_K_M (2.71 GB) พร้อม vision projector F16 ที่ใช้ร่วมกัน โดยมี context ขนาด 4096 โทเคนเป็นค่าเริ่มต้น การตรวจสอบ GGUF ครอบคลุม 9 ตัวอย่างและ 11 คำถาม คะแนนสาธารณะแบบเต็มสำหรับ GGUF variants ยังอยู่ระหว่างรอ

  4. ElevenLabs Blog18

    7 ทักษะบริการลูกค้าที่เอเจนต์ทั้งมนุษย์และ AI ต้องมี

    ElevenLabs สรุปทักษะบริการลูกค้า 7 ประการ ได้แก่ การสื่อสาร การแก้ปัญหา การจัดการความขัดแย้ง ความเห็นอกเห็นใจ ความยืดหยุ่น การปรับให้เหมาะกับแต่ละบุคคล และความรู้เกี่ยวกับผลิตภัณฑ์ ซึ่งเอเจนต์สนับสนุนทั้งมนุษย์และ AI จำเป็นต้องมี โดยอ้างอิงการศึกษาของ Zendesk ที่พบว่าลูกค้ากว่า 50% เปลี่ยนไปใช้คู่แข่งหลังจากประสบการณ์แย่เพียงครั้งเดียว และการคาดการณ์ของ Gartner ว่าภายในปี 2028 ลูกค้าอย่างน้อย 70% จะเริ่มต้นการเดินทางด้วยอินเทอร์เฟซ AI คู่มือนี้เน้นย้ำการประเมินตัวชี้วัดการสนทนาระหว่างการฝึกอบรมและหลังการใช้งาน รวมถึงการส่งต่อให้มนุษย์อย่างราบรื่นเพื่อลดความตึงเครียด

  5. Modal Blog40

    Modal Sandboxes ใช้ราคาแบบเบิร์สต์ ลดต้นทุนได้ 58% เมื่อเทียบกับการจอง

    Modal เปลี่ยนการคิดค่าบริการ Sandboxes ตามการใช้งานทรัพยากรจริง แทนการจองแบบคงที่ ทำให้แต่ละ Sandbox สามารถเบิร์สต์เกินค่าเริ่มต้นที่ขอไว้ 0.125 คอร์ และ 128 MiB และจ่ายเฉพาะสิ่งที่ใช้ในแต่ละวินาที ในตัวอย่างเอเจนต์เขียนโค้ด 20 นาที การเบิร์สต์มีค่าใช้จ่าย 8.4¢ ต่อ Sandbox-ชั่วโมง เทียบกับ 20.0¢ สำหรับการจองแบบคงที่ ประหยัดได้ 58% โดยค่าเริ่มต้น CPU สามารถเบิร์สต์ได้สูงถึง 16 คอร์เหนือค่าที่ขอ และหน่วยความจำไม่จำกัดเว้นแต่จะตั้งขีดจำกัดไว้

  6. Factory55

    Factory เปิดตัว Cyber Defense Network เชื่อมเครื่องมือความปลอดภัยเข้ากับ Security Factory

    Factory เปิดตัว Cyber Defense Network ซึ่งเป็นระบบนิเวศของบริษัทด้านความปลอดภัยไซเบอร์ที่ผลการตรวจพบจะไหลเข้าสู่ Security Factory เพื่อให้ Factory Droids สามารถตรวจสอบช่องโหว่ ดำเนินการแก้ไขโค้ด และตรวจสอบความถูกต้องของการแก้ไขผ่านการทดสอบ พันธมิตรผู้ร่วมก่อตั้ง ได้แก่ Snyk, Palo Alto Networks, Semgrep, Cogent, Casco, DepthFirst และ Detail เวิร์กโฟลว์ครอบคลุมสัญญาณจากเครื่องมือของพันธมิตร การคัดแยกช่องโหว่ที่เข้าถึงได้ และการแก้ไขอย่างต่อเนื่องซึ่งสร้างการแก้ไขที่พร้อมให้ทีมวิศวกรรมตรวจสอบและรวมเข้าโค้ด ขณะที่องค์กรยังคงใช้เครื่องมือและเวิร์กโฟลว์ด้านความปลอดภัยที่มีอยู่เดิม

  7. Databricks Blog36

    การตรวจจับการโจมตีที่ขับเคลื่อนด้วยข้อมูลรับรองบน Databricks ด้วยบันทึกการตรวจสอบแบบละเอียดและ Genie

    Databricks อธิบายรายละเอียดว่าการโจมตีที่ขับเคลื่อนด้วยข้อมูลรับรองเกิดขึ้นบนแพลตฟอร์มของตนอย่างไร และบันทึกการตรวจสอบแบบละเอียดพร้อม Genie สามารถตรวจจับการเปลี่ยนแปลงพฤติกรรมหลังจากการใช้ PAT, คุกกี้เซสชัน หรือข้อมูลรับรองของ service principal ที่ถูกขโมยได้อย่างไร โพสต์นี้แบ่งกิจกรรมของผู้โจมตีออกเป็นหกขั้นตอน ตั้งแต่การเข้าสู่ระบบครั้งแรกไปจนถึงการสำรวจสภาพแวดล้อม และครอบคลุมขั้นตอนการตอบสนองและการควบคุมที่จำกัดสิ่งที่ข้อมูลรับรองที่ถูกขโมยสามารถเข้าถึงได้

  8. Databricks Blog36

    Bright Machines ใช้ Debezium และ Iceberg เพื่อให้แดชบอร์ดแบบเรียลไทม์แก่ลูกค้าจากโรงงานที่แยกจากเครือข่าย

    Bright Machines มอบแดชบอร์ดข้อมูลโรงงานแบบเรียลไทม์ที่อยู่ภายใต้การกำกับดูแลให้แก่ลูกค้า โดยไม่ต้องเปิดการเข้าถึงขาเข้าใดๆ ระบบจับการเปลี่ยนแปลงของ PostgreSQL ที่ edge ด้วย Debezium เขียนเป็น Apache Iceberg ส่งออกผ่านช่องทางขาออกเดียวที่ตรวจสอบได้ และอ่านข้อมูล ณ ที่เดิมใน Databricks ผ่าน Unity Catalog federation แดชบอร์ดแรกที่ลูกค้ามองเห็นเปิดใช้งานประมาณสองเดือนหลังเริ่มโครงการ โดยแถวที่คอมมิตแล้วสามารถสอบถามได้ภายในหนึ่งถึงสองนาที และแดชบอร์ดรีเฟรชทุกสิบนาที

  9. OpenRouter Announcements58

    OpenRouter ทดสอบ reranker 11 ตัวบนชุดทดสอบ RAG 274 คำถาม

    OpenRouter ทดสอบ reranker 11 ตัวบนชุดข้อมูล RAG สังเคราะห์ 274 คำถาม และพบว่าการ rerank ผู้สมัคร 30 อันดับแรกจาก vector search ด้วย voyageai/rerank-3-lite ช่วยเพิ่ม precision@1 จาก 81.0% เป็น 97.1% ด้วยต้นทุนประมาณ $0.10 ต่อ 1,000 คำถาม คู่มือแนะนำให้ดึงข้อมูลประมาณ 30 chunks แล้ว rerank จากนั้นส่งเฉพาะ 3 อันดับแรกให้ LLM ซึ่งในการทดสอบช่วยเพิ่มความแม่นยำของคำตอบเป็น 99.3% พร้อมลดต้นทุนการตอบจาก $0.22 เหลือ $0.16 ต่อ 1,000 คำถาม นอกจากนี้ยังชี้ให้เห็นโหมดความล้มเหลว: การละเว้นพารามิเตอร์ input_type ทำให้ precision@1 ลดลง 7 ถึง 12 คะแนน และ cohere/rerank-v3.5 เพิกเฉยต่อเนื้อหาที่เกินขีดจำกัด 4,096 โทเคนโดยไม่แจ้งเตือน

  10. OpenAI News18

    Gondola รายได้เพิ่มขึ้นสองเท่า ขณะที่ทีมสร้างสรรค์งานได้มากขึ้นด้วย Codex

    Gondola เพิ่มรายได้เป็นสองเท่าพร้อมขยายการใช้ Codex ของ OpenAI ซึ่งช่วยเพิ่มผลผลิตของวิศวกรหัวหน้าได้ 50% บริษัทซึ่งช่วยให้ครีเอทีฟได้รับเครดิตและได้งาน ยังใช้ ChatGPT เพื่อลดความซับซ้อนของงานประจำวัน

  11. OpenAI News22

    Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ภายใน 1–2 วันด้วย OpenAI อย่างไร

    Wave เอเจนต์ผลิตภัณฑ์เชิงรุกของ Amplitude ซึ่งสร้างขึ้นบนโมเดล OpenAI เป็นหลัก ระบุสิ่งที่ควรสร้าง ช่วยทีมส่งมอบการเปลี่ยนแปลงด้วยเอเจนต์เขียนโค้ด และวัดผลกระทบ การตั้งค่านี้ทำให้ Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ได้ภายใน 1–2 วัน

  12. AWS Machine Learning Blog58

    AWS เปิดตัว SGLang-Neuron ช่วยให้ déploy โมเดลระดับแนวหน้า บน Trainium ด้วยอินเทอร์เฟซ SGLang ที่มีอยู่

    Amazon ประกาศความพร้อมใช้งานทั่วไปของ SGLang-Neuron ซึ่งเป็นปลั๊กอินแบบ out-of-tree ที่รัน SGLang บน AWS Trainium ผ่าน AWS Deep Learning Container พัฒนาโดย RadixArk ร่วมกับ Annapurna Labs ผู้ใช้ยังคงใช้อินเทอร์เฟซเซิร์ฟเวอร์ SGLang และ API การสร้างข้อความเดิม ขณะที่ปลั๊กอินจัดเตรียมโมเดลเฉพาะสำหรับ Trainium, attention, MoE และ graph runner ที่สร้างบน PyTorch และ NKI kernels แบบเนทีฟซึ่งคอมไพล์ด้วย torch.compile นอกจากนี้ยังรองรับ PD disaggregation โดยถ่ายโอน KV cache ของ prefill ไปยังเซิร์ฟเวอร์ decode ผ่าน NIXL บน EFA และ walkthrough สาธิตการให้บริการ openai/gpt-oss-120b บนอินสแตนซ์ EC2 Trainium3 ด้วยคอนเทนเนอร์ pytorch-inference-sglang-neuronx

  13. GitHub Blog · AI & ML58

    คู่มือ GitHub อธิบายวิธีสร้างทักษะเอเจนต์ที่ทำงานข้าม Claude Code, Cursor และ Copilot

    GitHub เผยแพร่คู่มือปฏิบัติสำหรับทักษะเอเจนต์ ซึ่งเป็นไดเรกทอรีแบบมีเวอร์ชันที่ศูนย์กลางอยู่ที่ไฟล์ SKILL.md อธิบายว่าเมื่อใดและอย่างไรจึงจะทำงานที่ทำซ้ำได้ คู่มือใช้สองตัวอย่าง คือ Proof Agent สำหรับการตรวจสอบโค้ดที่สร้างโดย AI แบบปรปักษ์ และ Data Forge สำหรับไปป์ไลน์ข้อมูลหลายทักษะ เพื่อแสดงว่าทักษะแชร์แมนิเฟสต์ของโปรเจกต์ ใช้เส้นทางการทำงานเดียวร่วมกัน และวางการอนุมัติจากมนุษย์ในแต่ละระยะ นอกจากนี้ยังอธิบายสคริปต์แพ็กเกจจิงที่สร้างไฟล์เฉพาะไคลเอนต์สำหรับ Claude Code, Cursor และ GitHub Copilot จากแหล่งทักษะเดียว

  14. AWS Machine Learning Blog40

    Natera สร้าง SWARM ระบบ AI แบบเอเจนต์สำหรับปฏิบัติการแล็บบน Amazon Bedrock AgentCore ได้อย่างไร

    Natera สร้าง SWARM ระบบ AI แบบเอเจนต์สำหรับปฏิบัติการแล็บ บน Amazon Bedrock AgentCore ลดเวลาตอบสนองครั้งแรกได้ราว 130 เท่า และAutomateตั๋วสนับสนุนได้ 96.2 เปอร์เซ็นต์ ระบบนี้จับคู่ swarm-agent ที่ร่างรายงานวินิจฉัยก่อนที่วิศวกรจะเปิดตั๋ว กับ swarm-hive สำหรับการโต้ตอบกับวิศวกรแบบเรียลไทม์ ทั้งสองใช้ไลบรารีทักษะร่วมกันหนึ่งชุด ระบบจัดการตั๋ว Jira กว่า 65 ใบต่อวันในสามคิว ซึ่งก่อนหน้านี้ใช้เวลาเฉลี่ย 17.4 ชั่วโมงในการตอบสนองครั้งแรก

  15. Microsoft Research22

    Microsoft Research Focus Edition #98: การแปลด้วย AI, การพิสูจน์ข้อสันนิษฐาน KLS และ Coding Agent ที่เร็วขึ้น

    Microsoft Research Focus Edition #98 นำเสนอความก้าวหน้าของ AI ที่ทำให้การแปลแบบสากลใกล้เป็นจริงมากขึ้น และการพิสูจน์ใหม่ที่ไขข้อสันนิษฐาน KLS ที่มีอายุ 31 ปีในเรขาคณิตมิติสูง ฉบับนี้ยังครอบคลุม CompactionBench และ APEC ซึ่งลดต้นทุนการบีบอัดบริบทของ coding agent ได้ถึง 25.4% และลดเวลาการทำงานลง 9.6% พร้อมด้วย Latent Core Tokenizer ที่ปรับปรุงการ tokenization ใน 104 ภาษา

  16. Databricks Blog30

    Databricks หักล้างความเชื่อผิดๆ 4 ข้อเกี่ยวกับสถาปัตยกรรม Lakebase ของ LTAP

    Databricks ตอบโต้ต่อความเข้าใจผิดที่พบบ่อย 4 ประการเกี่ยวกับ LTAP ซึ่งเป็นสถาปัตยกรรม Lakebase ที่เก็บสำเนาข้อมูลปฏิบัติการชุดเดียวภายใต้การกำกับดูแล ให้บริการทั้ง Postgres และการวิเคราะห์โดยไม่ต้องใช้ CDC บทความระบุว่า LTAP ไม่ใช่การทำ replication: ชั้นต่างๆ ที่อยู่หน้าเลกนั้นเป็นแคช ไม่ใช่ฐานข้อมูลที่สองที่มีแคตตาล็อกของตัวเอง นอกจากนี้ยังระบุว่า heap pages และ Parquet เป็นการเข้ารหัสแบบไม่สูญเสียข้อมูลสองรูปแบบของแถวข้อมูลเดียวกัน ดังนั้น point lookup และ scan จึงอ่านเลย์เอาต์ที่เร็วสำหรับแต่ละแบบ

  17. AWS Machine Learning Blog38

    Tokenomics ในระดับสเกล: การติดตามและจำกัดการใช้จ่าย Amazon Bedrock ต่อ IAM Principal ด้วย CUR 2.0 และ AWS Budgets

    AWS แสดงวิธีติดตามและจำกัดการใช้จ่ายของ Amazon Bedrock generative AI ต่อ IAM principal โดยใช้เฉพาะฟีเจอร์ที่มีอยู่แล้ว: Bedrock บันทึก IAM user หรือ role โดยอัตโนมัติในทุกคำขอ inference และแท็กเหล่านั้นกลายเป็น cost allocation tags ที่อ่านได้ใน Cost Explorer หรือไฟล์ส่งออก CUR 2.0 AWS Budget ที่กำหนดขอบเขตไปที่ Bedrock และกรองตาม identity หรือค่าแท็กหนึ่งค่า สามารถแนบ budget action ที่ใช้ Deny IAM policy เมื่อข้ามเกณฑ์ โดยไม่ต้องเขียนโค้ดแอปพลิเคชันสำหรับกรณีทั่วไป

  18. AWS Machine Learning Blog36

    ตัวเลือกการอนุมานสี่แบบของ Amazon Bedrock ที่ส่งผลต่อค่าใช้จ่าย

    ระยะเวลาแคช ระดับบริการ ความพยายามในการให้เหตุผล และการตั้งค่า maxTokens ของ Amazon Bedrock สามารถเปลี่ยนค่าใช้จ่ายในการอนุมานโดยไม่ต้องเปลี่ยนโมเดลหรือพรอมต์ การเขียนแคช 5 นาทีบน Claude Sonnet 5 และ Claude Opus 5 มีค่าใช้จ่าย 1.25 เท่าของอัตราอินพุต การเขียนแคช 1 ชั่วโมงมีค่าใช้จ่าย 2 เท่า และการอ่านแคชมีค่าใช้จ่าย 0.1 เท่า คำขอระดับ Flex ไปยังโมเดลที่ไม่รองรับจะล้มเหลวด้วย ValidationException

  19. Hugging Face Blog69

    IBM เปิดตัวโมเดลพรีวิว LLMON ที่สร้างบน Granite 4.1 3B และ 8B

    IBM เปิดตัวโมเดลพรีวิวเชิงทดลองสองรุ่น คือ granite-4.1-3b-LLMON-preview และ granite-4.1-8b-LLMON-preview ซึ่งพัฒนามาจากเช็กพอยต์ฐาน Granite 4.1 และฝึกให้อ่านและสร้าง LLMON ซึ่งเป็นภาษามาร์กอัปที่ออกแบบมาเพื่อ LLM โดยเฉพาะ ใช้ตัวคั่นโทเคนพิเศษที่สงวนไว้สำหรับกำกับคำสั่ง ข้อมูล และข้อกำหนด บนเบนช์มาร์ก OPI โมเดลเหล่านี้หลีกเลี่ยงการโจมตีแบบ indirect prompt injection ได้มากกว่าโมเดล frontier ที่ดีที่สุดที่ทดสอบถึง 47% และมากกว่าโมเดลโอเพนซอร์สที่ดีที่สุดถึง 95% ขณะที่ประสิทธิภาพบนเบนช์มาร์กมาตรฐานอยู่ในระดับเดียวกับ Granite 4.1 Instruct การเปิดตัวครั้งนี้มาพร้อมชุดเครื่องมือบน GitHub ที่มีตัวแปลง JSON-to-LLMON แบบไม่สูญเสียข้อมูล และผู้เขียนระบุว่าพรีวิวนี้มีไว้เพื่อการสำรวจ ไม่ใช่สำหรับการใช้งานจริง

    ทำไมเรื่องนี้สำคัญ: IBM ฝึกโมเดลพรีวิวบน Granite 4.1 ที่สามารถอ่านและเขียนแท็ก LLMON ได้ โดยใช้การแยกคำสั่งและข้อมูลอย่างชัดเจนเพื่อลดอัตราความสำเร็จของการโจมตีแบบ indirect prompt injection บนเบนช์มาร์ก OPI ให้ใกล้ศูนย์ ขณะที่ยังคงความสามารถทั่วไปไว้ได้

  20. OpenAI News22

    Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ภายใน 1–2 วันด้วย OpenAI อย่างไร

    Wave เอเจนต์ผลิตภัณฑ์เชิงรุกของ Amplitude ซึ่งสร้างขึ้นบนโมเดล OpenAI เป็นหลัก ระบุสิ่งที่ควรสร้าง ช่วยทีมส่งมอบการเปลี่ยนแปลงด้วยเอเจนต์เขียนโค้ด และวัดผลกระทบ การตั้งค่านี้ทำให้ Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ได้ภายใน 1–2 วัน

  21. LangChain Blog45

    Eval-Driven Development คืออะไร? วิธีปรับปรุง AI Agents

    LangChain อธิบาย eval-driven development (EDD) กระบวนการสามขั้นตอนสำหรับการสร้าง AI agents: กำหนดว่าอะไรคือสิ่งที่ดี เขียน eval ก่อนที่จะสร้าง และเปรียบเทียบผลลัพธ์หลังการเปลี่ยนแปลงแต่ละครั้ง เนื่องจาก agents ไม่สามารถกำหนดผลลัพธ์ได้แน่นอน evals จึงให้คะแนนการทำงานข้ามชุดข้อมูลตัวอย่าง และสามารถใช้ LLM-as-a-judge โดยมีการทำงานจริงของ agent ใน LangSmith เป็นแหล่งของอินพุตสำหรับการทดสอบ

  22. Databricks Blog22

    Constellation สร้างรากฐานข้อมูลที่มีการกำกับดูแลบน Databricks อย่างไร

    Constellation ผู้ดำเนินการโรงไฟฟ้านิวเคลียร์รายใหญ่ที่สุดของสหรัฐฯ กำลังสร้างแพลตฟอร์มข้อมูลองค์กรที่มีการกำกับดูแลบน Databricks เพื่อให้ธุรกิจมีความหมายร่วมกันเพียงหนึ่งเดียวสำหรับข้อมูลของตน แพลตฟอร์มนี้ใช้ Unity Catalog สำหรับ lineage การเข้าถึงระดับละเอียด และโมเดลสิทธิ์เดียว พร้อมกับการสร้างแบบจำลอง Data Vault สำหรับเอนทิตีสำคัญที่นำกลับมาใช้ซ้ำได้ กรณีการใช้งานช่วงแรกประกอบด้วยผู้ช่วยวิศวกรรมนิวเคลียร์ที่สร้างด้วย Databricks Genie และการวางแผนช่วงหยุดเดินเครื่อง

  23. Databricks Blog25

    Eclipse Aerospace ใช้ Databricks PySpark custom data sources สำหรับการนำเข้าข้อมูลเที่ยวบิน

    Eclipse Aerospace กำลังใช้ Databricks PySpark custom data sources เพื่อนำเข้าข้อมูลเที่ยวบินเฉพาะของบริษัทเกือบ 20 ปี ปริมาณกว่า 3TB ครอบคลุมชั่วโมงบินกว่าหนึ่งล้านชั่วโมง โดยไม่ต้องใช้คอมพิวต์เฉพาะที่เปิดตลอดเวลา แพ็กเกจ Python ที่รองรับด้วย Rust ให้ประสิทธิภาพเป็นสองเท่าของ benchmark เมื่อเทียบกับ data source แบบ pure-Python ที่ใช้ PyArrow ในลักษณะเดียวกัน และเกือบ 20 เท่าของการใช้งานแบบ native Python ที่ไม่ใช้ Arrow API นี้ซึ่งเปิดตัวใน Apache Spark 4.0 และพร้อมใช้ใน Databricks Runtime 15.4 LTS แทนที่ไปป์ไลน์ Lambda-to-Avro เดิม

  24. AWS Machine Learning Blog66

    AWS อัปเดต AgentCore runtime เริ่มเซสชันเร็วขึ้น 15 เท่า และเพิ่มคอมพิวต์ 4 เท่า

    AWS ประกาศอัปเดต Amazon Bedrock AgentCore runtime ซึ่งเป็นเลเยอร์คอมพิวต์แบบจัดการสำหรับเอเจนต์ โดยเซสชันเริ่มทำงานเร็วขึ้นถึง 15 เท่า ขยายคอมพิวต์ได้มากขึ้น 4 เท่า (สูงสุด 8 vCPU และ 32 GB พร้อมอิมเมจคอนเทนเนอร์สูงสุด 10 GB) และทำงานมีประสิทธิภาพมากขึ้นถึง 68% โดยแต่ละเซสชันยังคงอยู่ใน Firecracker MicroVM ที่แยกฮาร์ดแวร์ของตัวเอง เซสชันเริ่มทำงานภายในไม่ถึง 2 วินาทีไม่ว่าจะมีขนาดอิมเมจหรือจำนวนคอนเคอร์เรนซีเท่าใด เอเจนต์ที่ไม่ได้ใช้งานจะสเกลลงเหลือศูนย์ และเอเจนต์สามารถเมานต์และบันทึกงานลงในไฟล์ซิสเต็ม เช่น บัคเก็ต Amazon S3 ที่รองรับ FUSE เพื่อให้ข้อมูลยังคงอยู่ในขอบเขตความเชื่อถือ runtime นี้พร้อมใช้งานแล้ววันนี้ในภูมิภาค AWS ทั่วอเมริกาเหนือ อเมริกาใต้ ยุโรป และเอเชียแปซิฟิก

    ทำไมเรื่องนี้สำคัญ: เวอร์ชันใหม่ของ AgentCore runtime ปรับทั้งการเริ่มเซสชัน เพดานคอมพิวต์ และการคิดค่าหน่วยความจำไปพร้อมกัน มอบทางเลือกระหว่างการแยกสภาพแวดล้อมกับต้นทุนใหม่ให้กับเอเจนต์ที่ต้องทำงานเป็นเวลานาน

  25. AWS Machine Learning Blog34

    สร้าง LLM gateway แบบ self-service ด้วย Amazon Bedrock และ LiteLLM

    LLM gateway แบบ self-service ที่สร้างบน Amazon Bedrock Application Inference Profiles และ LiteLLM ที่รันบน AWS Fargate เปิดให้เข้าถึงโมเดลพื้นฐานของ Bedrock ผ่าน API ที่เข้ากันได้กับ OpenAI ทำให้นักพัฒนามี base URL เดียวและคีย์แยกตามผู้ใช้ การตั้งค่านี้เพิ่มการควบคุมค่าใช้จ่ายรายผู้ใช้ การแยกโควตาตามโมเดล และการสังเกตการณ์ RPM/TPM ผ่าน CloudWatch พร้อม Langfuse สำหรับ telemetry ระดับพรอมต์ การออกคีย์แบบ self-service ต้องใช้ LiteLLM Enterprise เนื่องจากแพ็กเกจฟรีจำกัดที่ห้าผู้ใช้

  26. Google DeepMind90

    Google DeepMind เปิดตัว Gemini 4 Hydrogen โมเดล Gemini 4 ที่เร็วขึ้นสำหรับงานเขียนโค้ดและเวิร์กโฟลว์แบบเอเจนต์

    Google DeepMind เปิดตัว Gemini 4 Hydrogen โมเดล Gemini 4 ที่สร้างขึ้นสำหรับการเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและการทำงานแบบเอเจนต์ มากกว่าการให้เหตุผลระยะยาวของ Gemini 4 Carbon และ Argon โดยได้คะแนน 51 บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้น เทียบกับ 50 ของ Argon และสูงถึง 54 ที่การตั้งค่า xhigh ใหม่ โดยมีราคาคงที่ 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุตตลอดหน้าต่างบริบท 1 ล้านโทเค็น Google ยังเปิดตัว Orchestrator ใน Google Antigravity ซึ่งสลับระหว่างโมเดลอย่าง Carbon และ Hydrogen ภายในเซสชันเดียว และทำอัตราความสำเร็จของงานใกล้เคียง Carbon บน Terminal-Bench 4.0 โดยใช้โควตาน้อยลง 24% และเสร็จเร็วขึ้น 19%

    ทำไมเรื่องนี้สำคัญ: Gemini 4 Hydrogen ของ Google มุ่งเป้าที่การเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและงานแบบเอเจนต์ ด้วยราคาคงที่ 1.50/7.50 ดอลลาร์ต่อล้านโทเค็นตลอดหน้าต่างบริบท 1M และ Orchestrator ใหม่ที่สลับระหว่างโมเดล Gemini 4

  27. AWS Machine Learning Blog34

    การปรับต้นทุนต่องานให้เหมาะสมและการพิสูจน์ ROI ของเอเจนต์บน Amazon Bedrock

    โพสต์ของ AWS นี้โต้แย้งว่าควรตัดสินค่าใช้จ่ายของ Amazon Bedrock จากต้นทุนต่องานมากกว่าต้นทุนต่อโทเคน เนื่องจากประสิทธิภาพของ tokenizer ความยาวของเอาต์พุต จำนวนรอบของลูปเอเจนต์ และภาระจากการให้เหตุผล อาจทำให้โมเดลที่มีราคาถูกกว่ากลายเป็นมีต้นทุนสูงกว่า ตัวอย่างที่คำนวณจริงแสดงให้เห็นว่าโมเดลที่มีราคาตามรายการสูงกว่า 2 เท่าเสร็จสิ้นงานด้วยต้นทุนที่ถูกกว่า 65% ต่องาน และโพสต์ยังเพิ่มการแคช การกำหนดเส้นทาง และการจำกัดเอาต์พุต พร้อมด้วยสกอร์การ์ดห้ามิติสำหรับวัด ROI ของเอเจนต์เทียบกับฐานอ้างอิงจากมนุษย์

  28. Databricks Blog20

    Databricks Genie Migrate เปิดตัว GA อย่างเป็นทางการ รองรับการย้ายข้อมูลไปยัง Lakehouse ได้อย่างง่ายดาย

    Databricks ประกาศว่า Genie Migrate พร้อมใช้งานทั่วไปแล้ว ช่วยให้บริษัทต่างๆ ย้ายเวิร์กโหลดข้อมูลไปยัง Databricks Lakehouse ได้โดยใช้ความพยายาม manual น้อยลง เครื่องมือนี้มุ่งเป้าไปที่ทีมที่กำลังเร่งสร้าง AI agents และแอปพลิเคชันบนข้อมูลใน lakehouse

  29. Google Blog · AI82

    Google Search อัปเกรดทั่วโลกเป็น Gemini 4 Hydrogen

    Google Search ได้ย้ายผู้ใช้ทั้งหมดทั่วโลกไปใช้ Gemini 4 Hydrogen ซึ่งบริษัทเรียกว่าเป็นการอัปเกรดโมเดลครั้งใหญ่ที่สุดของ Search จนถึงตอนนี้ โมเดลนี้ปรับปรุงความเข้าใจเจตนาสำหรับคำถามที่มีหลายส่วนและมีคำพิมพ์ผิดจำนวนมาก เพิ่มการปฏิบัติตามคำสั่งและการเรียกใช้เครื่องมือที่ลึกยิ่งขึ้น และเสริมความแข็งแกร่งของการกระจายคำค้น (query fan-out) เพื่อแสดงลิงก์ที่ผู้ใช้อาจไม่พบในกรณีอื่น การตอบกลับยังกลายเป็นภาพมากขึ้น ด้วยรูปภาพ ตารางเปรียบเทียบ และเครื่องมือกำหนดเองที่มากขึ้น ในทุกภาษาของ AI Mode ที่รองรับ

    ทำไมเรื่องนี้สำคัญ: เป็นการอัปเกรดโมเดลครั้งใหญ่ที่สุดของ Google Search จนถึงปัจจุบัน โดย Gemini 4 Hydrogen รับผิดชอบคำถามหลายส่วน การเรียกใช้เครื่องมือ และ query fan-out สำหรับผู้ใช้ทั้งหมดทั่วโลก

  30. LangChain Blog30

    Own Your Intelligence: LangChain on Why Generic AI Isn't Enough

    LangChain ระบุว่าบริษัทต่างๆ ต้องเป็นเจ้าของปัญญาประดิษฐ์ของตนเอง แทนที่จะพึ่งพาโมเดลทั่วไป โดยควบคุมสามชั้น ได้แก่ โมเดล ฮาร์เนส และบริบท โดยกล่าวว่าการเป็นเจ้าของระบบเอเจนต์ รวมถึงเศรษฐศาสตร์ คุณภาพ และความเสี่ยงที่เกี่ยวข้อง คือสิ่งที่เปลี่ยน AI ให้เป็นความได้เปรียบที่ยั่งยืน

  31. Databricks Blog22

    H6.ai สร้างระบบอัตโนมัติทางการเงินที่ขับเคลื่อนด้วย AI ด้วย Lakebase Postgres ได้อย่างไร

    H6.ai ทำให้กระบวนการจ่ายเงินเจ้าหนี้เป็นอัตโนมัติบน ERP ที่มีอยู่ของลูกค้า โดยใช้ฐานข้อมูล Lakebase Postgres เฉพาะสำหรับลูกค้าแต่ละรายเป็นระบบบันทึกหลัก เนื่องจากข้อมูลใบแจ้งหนี้เปลี่ยนแปลงอยู่ตลอดเวลา ทีมจึงใช้สาขา copy-on-write ของ Lakebase เพื่อตรึงสแนปช็อตของฐานข้อมูลลูกค้าและรันการทดสอบถดถอยแต่ละครั้งบนสาขาอายุสั้นของตัวเอง ฐานข้อมูลที่ใช้งานจริงจึงไม่ถูกเขียนทับเลย แต่ละรอบการรันถูกตัดสินด้วยการตรวจสอบแบบกำหนดผลได้แน่นอนร่วมกับคณะผู้ตัดสิน AI จากผู้ให้บริการโมเดลที่แตกต่างกัน

  32. Databricks Blog58

    Databricks เปิดตัว Lakehouse//RT เพื่อรองรับการวิเคราะห์แบบเรียลไทม์โดยต้นทุนไม่เพิ่มขึ้นตามสัดส่วน

    Databricks เปิดตัว Lakehouse//RT ซึ่งเป็นเอนจินวิเคราะห์แบบเรียลไทม์ที่รันเวิร์กโหลดที่มีการเข้าพร้อมกันสูงบนข้อมูลเลกเฮาส์โดยตรง และขณะนี้อยู่ในช่วงเบต้า บริษัทระบุว่าให้ความหน่วงต่ำกว่า 100 มิลลิวินาทีที่ 12,000 คิวรีต่อวินาที เพิ่มขีดความสามารถทีละโหนด และหลีกเลี่ยงเลเยอร์เสิร์ฟแยกต่างหาก ลูกค้าอย่าง Aurasell, VisionHeight และ nOps รายงานว่าต้นทุนโครงสร้างพื้นฐานลดลง 6 ถึง 10 เท่าหลังย้ายจากระบบหลายคลัสเตอร์, Apache Pinot และ Apache Druid

  33. AWS Machine Learning Blog38

    Amazon Bedrock AgentCore Evaluations: ตัวประเมินในตัว, DeepEval และ AutoEval

    ขณะนี้ Amazon Bedrock AgentCore Evaluations ช่วยให้ทีมต่างๆ รันตัวประเมินในตัวของ AWS ควบคู่ไปกับเมตริก DeepEval และ AutoEval ที่ได้รับการจัดการ รวมถึงตัวประเมินแบบกำหนดเองที่ได้มาจากทั้งสองแบบ แคตตาล็อกในตัวครอบคลุมตัวประเมิน 15 ตัวในด้านคุณภาพการตอบสนอง ความสำเร็จของเป้าหมาย การใช้เครื่องมือ ทักษะ และความปลอดภัย พร้อมการตรวจสอบเส้นทางการทำงาน 3 รายการสำหรับเส้นทางเครื่องมือที่คาดหวัง DeepEval เพิ่มเมตริกแบบหลายรอบ เช่น ConversationCompleteness และ KnowledgeRetention ขณะที่ AutoEval มีส่วนช่วยในสัญญาณเฉพาะทางรวมถึงความปลอดภัย

  34. AWS Machine Learning Blog36

    สร้าง Daily Dependency Watcher ด้วย LangGraph และ Amazon Bedrock AgentCore Web Search

    Web Search API ใน Amazon Bedrock AgentCore พร้อมใช้งานแล้ว ช่วยให้เอเจนต์ได้รับผลการค้นหาเว็บล่าสุดผ่านการเรียก API เดียวที่ลงนามด้วย SigV4 ซึ่งให้บริการจากดัชนีเว็บที่ Amazon ดำเนินการเอง บทความแนะนำการสร้าง daily dependency watch ในรูปแบบกราฟ LangGraph ที่ค้นคว้า npm, PyPI และ container base images แบบขนาน โดยมี date windows, blocklists และ search budgets ถูกบังคับใช้ในโค้ด ในการทดสอบ สาขาทั้งสามเสร็จสิ้นใน 36 วินาที เทียบกับ 99 วินาทีเมื่อรันแบบลำดับ

  35. AWS Machine Learning Blog58

    Kimi K3.1 Pro Highspeed ของ Moonshot AI เปิดตัวบน Amazon Bedrock

    Kimi K3.1 Pro Highspeed ของ Moonshot AI พร้อมใช้งานแล้วบน Amazon Bedrock เป็นเวอร์ชันที่ผ่าน post-training ของ Kimi K3 โดยมีสถาปัตยกรรมแบบ open-weight ระดับ 3T และหน้าต่างบริบท 1 ล้านโทเคนเช่นเดียวกัน ฝึกด้วยคอมพิวต์สำหรับ post-training มากขึ้นเพื่องานเอเจนต์ระยะยาวและลดข้อผิดพลาดด้านข้อเท็จจริง Moonshot AI รายงานความเร็วเอาต์พุตเป็น 2–3 เท่าของ Kimi K3.1 Pro และผู้ใช้ Kimi K3 ที่มีอยู่สามารถสลับได้โดยเปลี่ยน model ID โพสต์แสดงการเรียก Chat Completions, Responses และ Converse API, ชั้น Flex ในราคาครึ่งหนึ่งของ Standard, prompt caching แบบ explicit ด้วย prompt_cache_breakpoint และการเชื่อมต่อโมเดลกับเอเจนต์เขียนโค้ด OpenCode

  36. AWS Machine Learning Blog33

    Amazon SageMaker AI bidirectional streaming รองรับการคิดค่าบริการตามการใช้งาน โดยมี Deepgram เป็นพันธมิตรเปิดตัว

    Amazon SageMaker AI bidirectional streaming รองรับการวัดการใช้งานตามปริมาณการใช้งานแล้ว ช่วยให้ผู้ให้บริการโมเดลสามารถรายงานการใช้งานจริงไปยังค่าบริการซอฟต์แวร์ของ AWS Marketplace ได้ ขณะที่ค่าบริการโครงสร้างพื้นฐานของ endpoint ยังคงมีผลอยู่ Deepgram เป็นพันธมิตรเปิดตัว นำการคิดค่าบริการ Speech-to-Text และ Text-to-Speech ตามการใช้งานมาสู่ AWS Marketplace การออกแบบเพิ่มสตรีมข้อมูลเมตา WebSocket เสริม ซึ่งจำกัดที่หนึ่งข้อความต่อวินาทีและ 512 ไบต์ เพื่อให้ผู้ให้บริการสามารถส่งบันทึกการวัดแบบเพิ่มขึ้นระหว่างเซสชันสดได้

  37. AWS Machine Learning Blog60

    AWS เปิดซอร์ส UAEF ระบบประเมินผลสำหรับ AI agents ที่ไม่ผูกกับเฟรมเวิร์ก

    AWS ได้เปิดซอร์ส UAEF (Universal Agent Evaluation Framework) ระบบที่ไม่ผูกกับเฟรมเวิร์ก ซึ่งใช้อะแดปเตอร์ในการปรับมาตรฐาน agent traces จาก LangGraph, LangChain, Strands Agents, Amazon Bedrock AgentCore และ Langfuse ให้เป็น AgentTrace แบบมาตรฐานเดียว แล้วให้คะแนนด้วยเมตริกในตัว 36 รายการครอบคลุม 7 มิติ ผลลัพธ์ถูกจัดเก็บแยกตามการทดลองใน Amazon DynamoDB และ Amazon S3 เพื่อให้ทีมสามารถเปรียบเทียบเวอร์ชันของ agent กับ baseline ตรวจจับการถดถอยด้วยเกณฑ์เริ่มต้น 5 เปอร์เซ็นต์ และสร้างรายงานทางสถิติพร้อมข้อมูลเชิงลึกที่เขียนโดย LLM โพสต์ระบุว่าลูกค้าใน 12 องค์กรในอุตสาหกรรมโทรคมนาคม สุขภาพ และบริการทางการเงินได้ใช้ UAEF ก่อนการเปิดตัว และโค้ดภายใต้ Apache 2.0 ไลบรารี Python การติดตั้งด้วย CDK และโน้ตบุ๊กแยกตามเฟรมเวิร์กอยู่ในรีโพ GitHub awslabs/uaef

    ทำไมเรื่องนี้สำคัญ: ทีม AWS ได้เปิดซอร์ส UAEF ซึ่งใช้อะแดปเตอร์เพื่อรวมเส้นทางการทำงานของ agent จากเฟรมเวิร์กต่างๆ ให้เป็นรูปแบบเดียว แล้วให้คะแนนครอบคลุม 7 มิติด้วยเมตริก 36 รายการ มอบชั้นการประเมินที่นำกลับมาใช้ซ้ำได้สำหรับการเปรียบเทียบเวอร์ชันของ agent ข้ามเฟรมเวิร์ก

  38. AWS Machine Learning Blog36

    AWS Quick AI-PDLC: หกเอเจนต์สำหรับการพัฒนาผลิตภัณฑ์ที่ขับเคลื่อนด้วย AI

    AWS Quick เปิดตัว AI-PDLC กรอบการทำงานของเอเจนต์เฉพาะทางหกตัว โดยมี Orchestrator เป็นผู้นำ ครอบคลุม Discovery, Prioritize, Working Backwards, Spec Generator และ Designer ซึ่งเปลี่ยนสัญญาณองค์กรที่กระจัดกระจายจาก Slack, Jira, Salesforce และ SharePoint ให้เป็น prototype_spec.md ที่ตรวจสอบย้อนกลับได้ ทุกขั้นตอนต้องได้รับการอนุมัติจากมนุษย์ และสามารถส่งสเปกให้เอเจนต์เขียนโค้ดอย่าง Kiro หรือ Claude Code ผ่าน Agent Client Protocol (ACP) แบบเปิดได้