ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง
วันนี้13 พฤศจิกายนวันศุกร์45 รายการ
  1. AWS Machine Learning Blog40

    Agent DLC: วิศวกรรมเอเจนต์ AI จากต้นแบบสู่โปรดักชัน

    AWS เปิดตัว Agent Development Lifecycle (Agent DLC) กรอบการทำงานที่มีหนึ่งวงจรชีวิต สองลูป และมาตรฐานชัดเจนเพียงหนึ่งเดียวสำหรับตัดสินทุกการเปลี่ยนแปลงของเอเจนต์ โดยแก้ปัญหาคุณสมบัติสามประการของเอเจนต์ที่ทำให้ CI/CD แบบเดิมใช้ไม่ได้ ได้แก่ ความไม่แน่นอนของผลลัพธ์ พรอมต์ในฐานะซอร์สโค้ด และ dependencies ที่เคลื่อนที่อย่างอิสระ ตัวอย่างผู้ช่วยนโยบาย HR แบบอ้างอิงแสดงความแม่นยำการดึงข้อมูลระดับชังก์ที่ 1.00 across ทั้งสามคำถามทดสอบ ขณะที่ความแม่นยำระดับข้อเท็จจริงลดลงเหลือ 0.09 และความครอบคลุมการดึงข้อมูลแตะ 0.00 ในหนึ่งคำถาม

  2. AWS Machine Learning Blog36

    การควบคุมการเข้าถึงแบบละเอียดสำหรับเครื่องมือ Amazon Bedrock Managed Knowledge Base

    AWS แสดงวิธีให้เอเจนต์ AI ที่ใช้ร่วมกันสามารถเข้าถึงเอกสารรายผู้ใช้บน Amazon Bedrock Managed Knowledge Base โดยเปิดเผยการค้นหาเป็นเครื่องมือ MCP ผ่าน AgentCore Gateway ตัวดักจับคำขอจะฉีดอีเมลของผู้ใช้ที่ผ่านการตรวจสอบจาก Cognito JWT ลงใน userContext และการรับรู้ ACL จะคืนเฉพาะเอกสารที่ผู้ใช้นั้นมีสิทธิ์ดูเท่านั้น นโยบาย Cedar ใน AgentCore และนโยบายตามทรัพยากรบนฐานความรู้เพิ่มการป้องกันชั้นที่สองต่อการค้นหาที่ปลอมแปลงหรือไม่ได้รับอนุญาต

  3. AWS Machine Learning Blog58

    AWS อธิบายการสร้างระบบหลายเอเจนต์ข้ามองค์กรด้วย A2A

    AWS เผยแพร่สถาปัตยกรรมอ้างอิงที่ orchestrator องค์กรซึ่งใช้ LangChain บน Amazon ECS เรียกเอเจนต์ SaaS ด้าน compliance ที่ใช้ Strands Agents บน Amazon Bedrock AgentCore ผ่านโปรโตคอล A2A โดยทั้งสองฝ่ายอยู่ในบัญชี AWS แยกกันและไม่มีการแชร์ secret ร่วมกัน แต่ละฝ่ายยืนยันตัวตนด้วยโทเคนจาก Amazon Cognito user pool ของตนเอง และเอเจนต์ SaaS เรียกกลับไปยังเอเจนต์บริบทองค์กรเพื่อขอ metadata ของบัญชี เอเจนต์จึงทำหน้าที่เป็น peer มากกว่าจะเป็น client กับ server ระบบนี้ติดตั้งจาก Jupyter notebook สามไฟล์ซึ่ง provision CloudFormation stack ห้าแห่ง และรันการทดสอบแบบ end-to-end พร้อมการตรวจสอบขอบเขตความเชื่อถือเจ็ดรายการ

  4. AWS Machine Learning Blog34

    การย้ายไปยัง Amazon Bedrock Managed Knowledge Base ด้วย coding agent

    AWS เพิ่มคู่มือการย้ายฐานความรู้ไปยัง amazon-bedrock skill ใน Agent Toolkit for AWS ทำให้ coding agent สามารถวางแผนการย้ายจากฐานความรู้ที่ลูกค้าจัดการเองไปยัง Amazon Bedrock Managed Knowledge Base โดย agent จะเริ่มจากการค้นหาแบบอ่านอย่างเดียวและแผนที่ผ่านการตรวจทานทีละบรรทัด จากนั้นสร้างฐานความรู้และแหล่งข้อมูลใหม่เคียงข้างของเดิม หรือเขียนเทมเพลต IaC ที่ย้ายแล้ว Managed Knowledge Base เพิ่มโควตาเริ่มต้นเป็น 200 แหล่งข้อมูลต่อฐานความรู้ และ 10,000 ฐานความรู้ต่อบัญชีต่อ Region และเพิ่มการดึงข้อมูลแบบ agentic การผสานรวม AgentCore Gateway และนโยบายตามทรัพยากร

  5. Replit Blog65

    Replit Agent เพิ่มการซื้อผ่าน Link และ Visa พร้อมการสร้างแคมเปญ Google Ads

    Replit Agent มีงานใหม่สองอย่าง: ซื้ออุปกรณ์ธุรกิจผ่าน Link และ Visa และสร้างแคมเปญ Google Ads ทั้งใน Search, YouTube, Display และ Discover ในขั้นตอนการซื้อ ซับเอเจนต์เบราว์เซอร์จะนำทางไปยังเว็บไซต์ร้านค้าและเตรียมการชำระเงิน จากนั้นรอให้เจ้าของอนุมัติยอดรวมสุดท้าย โดยการเข้าถึงเชลล์และการท่องเว็บทั่วไปจะถูกปิดใช้งานในระหว่างการชำระเงิน และมีการบังคับใช้การตรวจสอบการอนุมัติในโค้ด Agentic Commerce พร้อมใช้งานสำหรับผู้ใช้ Core และ Pro เริ่มในสหรัฐฯ เฉพาะการซื้อแบบครั้งเดียว ส่วน Agentic Ads พร้อมใช้งานสำหรับผู้ใช้ Pro ทั่วโลก

    ทำไมเรื่องนี้สำคัญ: Replit Agent รับผิดชอบการซื้อและแคมเปญ Google Ads แล้ว โดยมีการบังคับใช้ด่านอนุมัติในโค้ดซึ่งแสดงให้เห็นว่าสามารถออกแบบขีดจำกัดการใช้จ่ายของเอเจนต์ได้อย่างไร

12 พฤศจิกายนวันพฤหัสบดี
  1. Databricks Blog40

    แอป Genie ของ Databricks สำหรับ Slack เปิดให้ใช้งานทั่วไปอย่างเป็นทางการ

    Databricks ประกาศเปิดให้แอป Genie สำหรับ Slack ใช้งานได้ทั่วไปอย่างเป็นทางการแล้ว ผู้ใช้สามารถถามคำถามเกี่ยวกับข้อมูลผ่าน DM หรือ @mention และรับคำตอบในเธรด โดยอ้างอิงสิทธิ์การเข้าถึงของ Unity Catalog ทุกคำตอบจะระบุแหล่งที่มา และผ่านตัวเชื่อมต่อ MCP นั้น Genie สามารถร่างเอกสาร ตั๋ว และการแก้ไขบันทึกเพื่อขออนุมัติก่อนดำเนินการ

  2. Databricks Blog58

    Block 如何利用 Buzz 和 Databricks Unity Gateway 运行协作式 AI 代理

    Block 构建了 Buzz，这是一个开源协作工作空间，员工和 AI 代理可以在其中通过群组讨论、聚焦对话和一对一交流协同工作，并使用 Databricks Unity Gateway 作为模型访问层。员工可以创建代理、为每个代理选择背后的模型或编码工具，并选择 Databricks 作为其推理提供商，通过单一集成访问 OpenAI、Anthropic 和 Google 的前沿模型以及部分开放权重模型。Block 的工程师还在试验多代理设置，即由能力更强的模型协调运行更小、更高效模型的代理，并已构建了一套内部方法来对这些代理团队进行基准测试。

  3. NVIDIA Blog18

    Warhammer 40,000: Dawn of War IV 即将登陆 GeForce NOW

    由 KING Art Games 开发、Deep Silver 发行的 Warhammer 40,000: Dawn of War IV 将于 12 月 3 日星期四在 Steam 上线时同步登陆 GeForce NOW。这款即时战略游戏包含超过 70 个战役任务，可单人游玩或合作游玩，另有 The Last Stand、Skirmish 和多人模式。搭载 3D-Guided Neural Rendering 的 NVIDIA DLSS 5 也将于 11 月中旬登陆 War Thunder，并于 11 月 23 日星期一登陆 Where Winds Meet。

  4. NVIDIA Newsroom88

    NVIDIA ประกาศการเปลี่ยนผ่าน CEO ขณะ Jensen Huang ลาออก Colette Kress ได้รับแต่งตั้งเป็น CEO ชั่วคราว

    คณะกรรมการของ NVIDIA ประกาศว่า Jensen Huang ได้ลาออกจากตำแหน่งประธานาธิบดี CEO และกรรมการบริษัทโดยมีผลทันที โดย Colette Kress รองประธานาธิบดีอาวุโสและประธานเจ้าหน้าที่ฝ่ายการเงินจะดำรงตำแหน่ง CEO ชั่วคราวในขณะที่คณะกรรมการกำลังค้นหาผู้สืบทอดตำแหน่งถาวร คณะกรรมการยังได้แต่งตั้ง Harvey C. Jones อดีต CEO และประธานกรรมการบริหารของ Synopsys เป็นประธานคณะกรรมการคนแรกของบริษัท และกล่าวว่าคาดว่าการดำเนินงาน พันธสัญญากับลูกค้า และแผนงานผลิตภัณฑ์จะดำเนินต่อไปโดยไม่หยุดชะงัก NVIDIA กล่าวว่าจะรายงานผลประกอบการไตรมาสที่สามของปีงบประมาณ 2027 ในวันที่ 17 พฤศจิกายนตามกำหนดการเดิม

    ทำไมเรื่องนี้สำคัญ: คณะกรรมการของ NVIDIA แต่งตั้ง Colette Kress ประธานเจ้าหน้าที่ฝ่ายการเงินเป็น CEO ชั่วคราวหลังจาก Jensen Huang ลาออกทันที โดย Harvey Jones กลายเป็นประธานคณะกรรมการคนแรก

  5. Meta Newsroom · AI18

    Meta ลงนามข้อตกลงจัดซื้อระยะยาวสำหรับปูนซีเมนต์ เหล็ก การขนส่งด้วยรถบรรทุก และพลาสติกรีไซเคิลที่เป็นมิตรต่อสิ่งแวดล้อม

    Meta ได้ลงนามในข้อผูกพันการจัดซื้อระยะยาวครอบคลุมปูนซีเมนต์ เหล็ก การขนส่งด้วยรถบรรทุก และพลาสติกรีไซเคิล เพื่อนำการผลิตสะอาดมาสู่ระดับพาณิชย์ในห่วงโซ่อุปทานศูนย์ข้อมูลของบริษัท ข้อตกลงดังกล่าวรวมถึงปูนซีเมนต์ที่เป็นมิตรต่อสิ่งแวดล้อมอย่างน้อย 180,000 ตันจาก Sublime Systems เหล็กที่ปล่อยมลพิษใกล้ศูนย์จาก Stegra ซึ่งตั้งอยู่ในสวีเดน เส้นทางการขนส่งสินค้าที่ปล่อยมลพิษเป็นศูนย์ที่ขยายเพิ่มเติมร่วมกับ Nevoya ตามแนว Interstate 10 ในรัฐแคลิฟอร์เนียและแอริโซนา และ PET รีไซเคิล 5,000 ตันต่อปีกับ MacroCycle Technologies

  6. ElevenLabs Blog58

    ElevenLabs ขยาย Impact Program ด้วย ElevenMusic ฟรีสำหรับผู้สูญเสียเสียง

    ElevenLabs ประกาศในงาน New York Summit เมื่อวันที่ 11 พฤศจิกายนว่า ผู้ที่สูญเสียเสียงอย่างถาวรสามารถเข้าถึง ElevenMusic ได้ฟรี เพื่อให้ศิลปินที่ไม่สามารถร้องเพลงได้อีกต่อไปยังคงสร้างสรรค์และเผยแพร่เพลงได้ โปรแกรมนี้เปิดตัวร่วมกับ Songwriters of North America (SONA) ซึ่งจะตรวจสอบคุณสมบัติและแจกจ่ายสิทธิ์การเข้าถึง

  7. OpenAI News18

    Holiday Extras ใช้ Codex เปลี่ยนความเชี่ยวชาญของลูกค้าให้เป็นแอปที่ดีขึ้น

    Holiday Extras กำลังใช้ Codex ของ OpenAI เพื่อเปลี่ยนความเชี่ยวชาญของลูกค้าให้เป็นแอปที่ดีขึ้น อัตราการแปลงการจองที่สูงขึ้น และโอกาสการเติบโตใหม่ บริษัทรับเสริมการเดินทางแห่งนี้กำลังทบทวนสิ่งที่สามารถสร้างได้ด้วยโมเดลเขียนโค้ดนี้

  8. OpenAI Alignment Blog58

    OpenAI ใช้ automated red teaming เพื่อปรับปรุง fuzzy robustness ใน GPT-6 Astra และ Sol

    นักวิจัยของ OpenAI อธิบายว่า automated red-teaming ซึ่งใช้โมเดลการให้เหตุผลตระกูล GPT-5.6 Sol เป็นฝ่ายโจมตีต่อฝ่ายป้องกัน GPT-5.4 และ GPT-5.5 ได้สร้าง synthetic jailbreaks ที่ถูกนำไปใช้เป็นข้อมูลฝึก RL สำหรับ GPT-6 Astra และ Sol บน fixed jailbreaks จากการโจมตีก่อนหน้าต่อ GPT-5.4 และ 5.5 นั้น GPT-6 Astra ตอบอย่างปลอดภัย 91.5% ในหมวด cyber เทียบกับ 59% ของ GPT-5.6 Sol และยังคงทนทานกว่าในทุก attacker budgets ในการประเมินแบบ adaptive multiturn OpenAI รายงานว่าการฝึก robustness ไม่ได้เพิ่มการปฏิเสธงานที่เป็นประโยชน์ โดยอ้างถึงการปรับปรุงแบบ Pareto ด้านความปลอดภัยและความเป็นประโยชน์ใน system card ของ GPT-6 Astra

  9. LangChain Blog40

    GTM Agent ของ LangChain สร้างสรรค์ผลงานการขายที่มีคุณภาพสม่ำเสมอได้อย่างไร

    GTM Agent ภายในของ LangChain สร้างผลงานการขาย 1,540 ชิ้นภายใน 12 สัปดาห์ ช่วยประหยัดเวลาให้ตัวแทนขาย 337 ชั่วโมงสำหรับเอกสารเช่น แผนบัญชีลูกค้าและชุดสไลด์ข้อเสนอ 47% ของดีลที่มีการส่งผลงานไปยัง progressed ไปสู่ขั้นถัดไป เทียบกับ 16% ของดีลที่จับคู่กันโดยไม่มีผลงาน และ 46% ของผลงานมีการโทรหาลูกค้าตามมาภายใน 14 วัน เอเจนต์นี้ทำงานบน Deep Agents harness ซึ่งมี sandbox, skills, memory และ scheduled runs ให้ใช้ใน Managed Deep Agents

  10. AWS Machine Learning Blog36

    สร้าง AI agent แบบอัตโนมัติด้วย Amazon Bedrock และ Spring AI

    AWS แสดงให้นักพัฒนาชาว Java เห็นวิธีสร้าง AI agent แบบอัตโนมัติโดยใช้ Spring AI และ AgentCore ของ Amazon Bedrock พร้อมการผสานรวม spring-ai-agentcore โดยมีรายละเอียดระบบอ้างอิงสองระบบ ได้แก่ ผู้ช่วยท่องเที่ยวแบบ agent เดี่ยวที่รองรับ tool calling และ memory และแพลตฟอร์มประมวลผลเอกสารอัจฉริยะแบบหลาย agent ที่มี agent ผู้เชี่ยวชาญห้าตัว มี rules engine และการแจ้งเตือน สแตกนี้ต้องใช้ JDK 21, Spring Boot 4.1 กับ Spring AI 2.0 และติดตั้งผ่าน AgentCore runtime บนคอนเทนเนอร์ ARM64

  12. LiveKit Blog55

    LiveKit เปิดตัว Cloud API ในเวอร์ชันเปิดเบต้า เพื่อให้เอเจนต์เขียนโค้ดสามารถจัดการ LiveKit Cloud ได้

    LiveKit เปิดตัว LiveKit Cloud API ในเวอร์ชันเปิดเบต้า ช่วยให้เอเจนต์เขียนโค้ดสามารถสร้างและกำหนดค่าโปรเจกต์ จัดการสมาชิกและเว็บฮุก และดึงทรานสคริปต์ บันทึก ร่องรอย และการบันทึกจากการเรียกของเอเจนต์ได้ API นี้เป็น REST API ที่ทำงานโดยลงชื่อเข้าใช้ในนามของผู้ใช้ ด้วยโทเค็นอายุสั้นที่ตรวจสอบกับบทบาทของโปรเจกต์ และการกระทำที่ละเอียดอ่อนจำกัดเฉพาะผู้ดูแลโปรเจกต์ ในการทดสอบกับผู้ช่วยเอกสารของ LiveKit เอเจนต์เขียนโค้ดอ่าน 4,321 เซสชันจากสัปดาห์ที่ผ่านมาและส่งคืนรายการจัดอันดับ 8 ปัญหาหลังจากประมาณ 30 นาที ข้อมูลเซสชันต้องใช้ Agent Observability ซึ่งปิดอยู่โดยค่าเริ่มต้นสำหรับโปรเจกต์ที่สร้างผ่าน API และคำขอ API นั้นฟรีแต่มีข้อจำกัดอัตราตามแผน

  13. OpenRouter Announcements58

    OpenRouter เปรียบเทียบต้นทุน LLM แบบโฮสต์เองกับ API ด้วยการคำนวณจุดคุ้มทุนตามโหลด

    OpenRouter เผยแพร่การวิเคราะห์จุดคุ้มทุนที่แสดงว่าเมื่อใดการโฮสต์ LLM แบบเปิดน้ำหนักเองมีต้นทุนต่ำกว่าการเรียกผ่าน API โดยใช้ราคาต่อผู้ให้บริการ ณ วันที่ 8 ตุลาคม 2026 ที่ราคาดังกล่าว Qwen3.8 27B บน RTX 3090 เช่าเครื่องละ 0.50 ดอลลาร์ต่อชั่วโมงคุ้มทุนที่โหลด 6 ถึง 12% ขณะที่ DeepSeek V4.1 Flash บน H200 สี่ตัวไม่เคยเอาชนะ endpoint แบบ zero-data-retention ที่ถูกที่สุดได้ โพสต์ยังระบุว่า provider.zdr และโดเมน EU และ US ครอบคลุมความต้องการด้านความเป็นส่วนตัวส่วนใหญ่ได้โดยไม่ต้องโฮสต์เอง และแนะนำให้รันโหลดพื้นฐานsteady ไว้ในเครื่องท้องถิ่นพร้อมส่งช่วงพีคไปที่ API

  14. vLLM Blog60

    vLLM เพิ่มการรองรับ day-0 สำหรับ Inkling 2 Small ของ Thinking Machines

    vLLM รองรับ Inkling 2 Small ของ Thinking Machines ใน day 0 ซึ่งเป็น MoE แบบมัลติโหมดข้อความและภาพที่มีพารามิเตอร์รวม 594B และพารามิเตอร์ที่ใช้งาน 17B และมีบริบทสูงสุด 1M โทเค็น การผสานรวมนี้เพิ่ม kernel fusion กับ PDL, sequence parallelism สำหรับ prefill ที่ลดขั้นตอน prefill 8K โทเค็นลง 22% ที่ TP4 และ 26% ที่ TP8 และ Gluon relative attention decode kernel ที่ลดขั้นตอน decode แบบ batch-1 ที่บริบท 100K จาก 15.1 ms เหลือ 4.8 ms vLLM รายงานสูงสุด 630 TPS/user ที่ TP4 บน GB200 ด้วย acceptance length 3.5 และยังรองรับ LoRA และ RL ผ่าน SkyRL

    ทำไมเรื่องนี้สำคัญ: vLLM รองรับ Inkling 2 Small ในวันเปิดตัวพร้อมให้ข้อมูลการปรับแต่งที่เฉพาะเจาะจงของ kernel fusion, sequence parallelism และ Gluon decode kernel ซึ่งเป็นประโยชน์ต่อทีมที่ปรับใช้โมเดล MoE ขนาดใหญ่

  15. OpenRouter Announcements58

    OpenRouter อธิบายไปป์ไลน์การแปลแบบแก้ไขตัวเองเบื้องหลัง 7 ภาษใหม่

    OpenRouter เปิดตัวการแปลแบบเบต้าในภาษาจีนตัวย่อ สเปน โปรตุเกสแบบบราซิล เยอรมัน ฝรั่งเศส ญี่ปุ่น และเกาหลี พร้อมเผยรายละเอียดไปป์ไลน์การแปลแบบแก้ไขตัวเองที่รักษาสตริงภาษาอังกฤษ 16,918 รายการให้แปลอยู่เสมอ ลูปประจำวันจะส่งสตริงที่เปลี่ยนแปลงไปยัง GPT-6.1 Sol เป็นชุดละไม่เกิน 40 รายการ ให้โค้ดปฏิเสธ placeholder ที่เสียหายและการละเมิดอภิธานศัพท์ จากนั้นใช้การเรียกครั้งที่สองไปยังโมเดลเดียวกันเป็นตัวตรวจสอบที่ส่งคืนข้อผิดพลาดตามระดับความรุนแรงเพื่อลองใหม่ OpenRouter ระบุว่าการแปลแคตตาล็อกทั้งหมดเป็น 7 ภาษามีค่าใช้จ่ายประมาณ $460 เทียบกับประมาณ $7,200 ในอัตราการแปลด้วยเครื่องที่เผยแพร่ของ Smartling

  16. OpenRouter Announcements58

    OpenRouter เผยแพร่บทแนะนำ: วิธีป้องกันไม่ให้ AI Agent ติดอยู่ในลูปไม่สิ้นสุด

    OpenRouter เผยแพร่คู่มือเกี่ยวกับการหยุด AI agent ที่ติดอยู่กับการลองใช้เครื่องมือที่ล้มเหลวซ้ำแล้วซ้ำเล่า โดยใช้ตัวป้องกันสี่ชั้นที่ทดสอบกับโมเดลปัจจุบันหกตัว เมื่อเปิดใช้การตรวจจับ doomLoop โมเดลทั้งหกถูกบล็อกในการเรียกเครื่องมือแบบเดียวกันครั้งที่สาม และจากการรัน 18 ครั้ง จำนวนการเรียกเครื่องมือลดลงจาก 314 เหลือ 64 ขณะที่ค่าใช้จ่ายลดลงจาก $0.29 เหลือ $0.05 คู่มือนี้เพิ่ม loopKey เพื่อปรับอาร์กิวเมนต์ให้เป็นมาตรฐาน กำหนดเพดาน stopWhen สำหรับจำนวนขั้นและค่าใช้จ่าย และจำกัดเครดิตของ API key ที่ส่งคืน 402 พร้อม limit_source openrouter_key_limit

  17. OpenRouter Announcements28

    วิธี Benchmark LLMs: คู่มือการให้คะแนนด้วยโค้ดจาก OpenRouter

    OpenRouter เผยแพร่คู่มือสำหรับการ benchmark LLMs ด้วยอินพุตของแอปพลิเคชันของคุณเอง ให้คะแนนเอาต์พุตด้วยโค้ด และเปรียบเทียบความแม่นยำ ค่าใช้จ่ายที่เรียกเก็บ และเวลาที่ใช้ในการร้องขอ บนงานสังเคราะห์ 60 งาน GPT-6.1 Sol ผ่าน 180/180 ครั้งจากการทำซ้ำสามรอบ ขณะที่ DeepSeek มีค่าใช้จ่ายในการตอบสนองต่ำที่สุดที่ 180 ครั้งผ่าน 157 ครั้ง ความสอดคล้องกับอันดับสาธารณะอยู่ในระดับต่ำ โดยมีสหสัมพันธ์สเปียร์แมนที่ 0.109

  18. vLLM Blog64

    vLLM-Omni ทดสอบ MiniMax H3-Image บน Vera Rubin: สร้างภาพ 4K ใน 0.87 วินาที และ 6,115 ภาพต่อชั่วโมง

    vLLM-Omni นำ MiniMax H3-Image มาทำงานบน NVIDIA Vera Rubin และวัดเวลาแฝงมัธยฐานได้ 0.87 วินาทีสำหรับการสร้างภาพจากข้อความเป็น 4096×4096 แบบเนทีฟบนสี่ GPU พร้อมด้วย 6,115 ภาพต่อชั่วโมงในการกำหนดค่าด้านทรูพุตแยกต่างหาก H3-Image เป็นโมเดลสร้างและแก้ไขภาพจากข้อความแบบเปิดน้ำหนัก ที่จับคู่เอนโคเดอร์ Qwen3-VL กับ DiT แบบ dense 33.1B และ VAE สำหรับภาพ จัดการทั้งสองงานในหกขั้นตอนการสุ่มตัวอย่างด้วยภาพอ้างอิงสูงสุด 16 ภาพ ทีมรายงานว่าใช้ MXFP8 DiT GEMMs, Ulysses SP4, AdaLN caching และการเปลี่ยนแปลงการถอดรหัส VAE ที่ลดเวลาการถอดรหัสจาก 2.635 วินาทีเหลือ 0.213 วินาที พร้อมระบุสูตรการตั้งค่าสำหรับฮาร์ดแวร์ AMD, Intel, Huawei Ascend และ Moore Threads

    ทำไมเรื่องนี้สำคัญ: การทดสอบของ vLLM-Omni แสดงให้เห็น MiniMax H3-Image ทำงานบน Vera Rubin ด้วยเวลาแฝง 4K ต่ำกว่าหนึ่งวินาที พร้อมการกำหนดค่าต่อฮาร์ดแวร์และแบบจำลองต้นทุนสำหรับเศรษฐศาสตร์ของการให้บริการ

  19. OpenAI News38

    OpenAI ลงทุน 2 ล้านดอลลาร์เพื่อการวิจัยด้าน AI และความปลอดภัยของเด็ก

    OpenAI ลงทุน 2 ล้านดอลลาร์เพื่อการวิจัยด้าน AI และความปลอดภัยของเด็ก โดยสนับสนุนงานที่พัฒนเครื่องมือร่วมสำหรับการวัดความเสี่ยงและโอกาสสำหรับเยาวชน การลงทุนนี้มุ่งเป้าไปที่การวัดทั้งความเสี่ยงและประโยชน์ที่ AI มอบให้กับผู้ใช้ที่อายุน้อย

  20. vLLM Blog72

    vLLM ให้บริการ DeepSeek-V4.1-Flash บน Vera Rubin NVL72 ด้วยปริมาณงาน吞吐 58 เท่าของ GB300 NVL72

    vLLM รายงานการให้บริการ DeepSeek-V4.1-Flash บนตู้แร็ค NVIDIA Vera Rubin NVL72 เพียงตู้เดียวที่ 1.7M โทเคน/วินาที ต่อ GPU และ 387 โทเคน/วินาที ต่อผู้ใช้ คิดเป็น 58 เท่าของ GB300 NVL72 โดยพุ่งสูงสุดที่ 2.52M โทเคน/วินาที และ 1,810 โทเคน/วินาทีสำหรับผู้ใช้รายเดียว ผลตอบแทนเหล่านี้มาจากเคอร์เนลที่สร้างใหม่สำหรับโดเมนหน่วยความจำแยกส่วนและเทนเซอร์คอร์ FP4 ของ Rubin เส้นทางการถอดรหัส TP8 เฉพาะทาง และพูล KV และ Engram ทั่วทั้งแร็คที่แชร์ผ่าน NVLink ด้วยการรวมคำนำหน้า (prefix) ทั่วทั้งแร็คและการกำหนดเส้นทางตามภาระงานของ Dynamo อัตราการเข้าถึงคำนำหน้าจึงคงอยู่ที่ 96.5-97% แม้ในสภาวะที่มีการทำงานพร้อมกันสูง

    ทำไมเรื่องนี้สำคัญ: โพสต์ที่สามของ vLLM เกี่ยวกับ DeepSeek-V4.1-Flash อธิบายรายละเอียดว่าเคอร์เนลเฉพาะสำหรับ Rubin และการรวมหน่วยความจำทั่วทั้งแร็คช่วยเพิ่มปริมาณงาน吞吐ได้ 58 เท่าเมื่อเทียบกับ GB300 NVL72 ซึ่งเป็นข้อมูลอ้างอิงที่เป็นรูปธรรมสำหรับการปรับแต่งการให้บริการในระดับขนาดใหญ่

  21. Apple Machine Learning Research38

    ขีดจำกัดทางทฤษฎีของการจัดแนวภาษาโมเดล

    นักวิจัยจาก Apple Machine Learning Research ได้อนุมานขีดจำกัดทางทฤษฎีสารสนเทศของการจัดแนวภาษาโมเดลแบบ KL-regularized โดยให้สูตรปิดสำหรับการเพิ่มรางวัลคาดหวังสูงสุดภายใต้งบประมาณ KL คงที่ ซึ่งถูกควบคุมโดยเทอม Jeffreys divergence แทนที่จะเป็น √KL ที่ใช้ในการวิเคราะห์ก่อนหน้า พวกเขาแสดงให้เห็นว่าช่องว่างระหว่างการจัดแนวอุดมคติและการจัดแนวแบบพร็อกซี (reward hacking) เพิ่มขึ้นตามข้อผิดพลาดของรางวัลและการลดลงของบทลงโทษ KL และพิสูจน์ว่าการรวมรางวัล (reward ensembling) ช่วยบรรเทาปัญหานี้ ในงานด้านความปลอดภัยและการสรุปความ best-of-N เข้าใกล้ขีดจำกัดทางทฤษฎีอย่างใกล้ชิด ในขณะที่ PPO และ GRPO ยังคงต่ำกว่าค่าที่เหมาะสมที่สุดอย่างมีนัยสำคัญ

  22. Hugging Face Blog36

    Hugging Face เปิดตัวคู่มือและสคริปต์ปรับแต่งโมเดลสำหรับ TRELLIS.2 ด้านการสร้างภาพ 3D

    Hugging Face เผยแพร่สคริปต์และคอนเทนเนอร์สำหรับปรับแต่งโมเดล TRELLIS.2 ซึ่งเป็นโมเดลสร้างภาพ 3D ที่สามารถรันได้ในเครื่องหรือบน Hugging Face Jobs คู่มือนี้ใช้ LoRA adapters ผ่านไลบรารี PEFT เฉพาะบน sparse-structure flow DiT และ shape flow DiT โดยคงขั้นตอนวัสดุ (material stage) ไว้ไม่เปลี่ยนแปลง บนชุดย่อยรองเท้า 188 ชิ้นจากชุดข้อมูล GSO โมเดลที่ผ่านการฝึกมาก่อนมักเรนเดอร์พื้นรองเท้าไม่ถูกต้อง ซึ่งการปรับแต่งด้วย LoRA มุ่งแก้ไขปัญหานี้

  23. AWS Machine Learning Blog36

    การรัน OpenAI Codex บน Amazon Bedrock: เส้นทางการเข้าถึงและคู่มือการเริ่มใช้งาน

    โพสต์นี้อธิบายวิธีกำหนดเส้นทางคำขอโมเดล OpenAI Codex ไปยัง Amazon Bedrock โดยใช้แนวปฏิบัติด้านข้อมูลระบุตัวตน IAM ระดับภูมิภาค และการสังเกตการณ์ของ AWS ที่มีอยู่ แนะนำให้เริ่มต้นด้วย Native AWS Access สำหรับการนำร่องขนาดเล็กแบบ least-privilege โดยมี AgentCore Gateway หรือ LLM Gateway เป็นทางเลือก และอธิบายขั้นตอนการลงชื่อเข้าใช้ IAM Identity Center พร้อมการตรวจสอบ Bedrock Runtime โดยตรงด้วย GPT-5.6 Sol

  24. AWS Machine Learning Blog34

    การเปรียบต่างเชิงความหมายของนโยบายเชิงรูปแบบด้วยแอนติ-ยูนิฟิเคชัน

    เอนจินโอเพนซอร์สคำนวณการเปรียบต่างเชิงความหมายของนโยบายเชิงรูปแบบโดยใช้แอนติ-ยูนิฟิเคชันบนอีกราฟ แสดงโครงสร้างที่ใช้ร่วมกันเพียงครั้งเดียวและเก็บทั้งสองเวอร์ชันของแต่ละส่วนที่แตกต่างกัน โดยมุ่งเป้าไปที่ผลลัพธ์ของการทำให้เป็นรูปแบบอัตโนมัติในนโยบาย SMT-LIB, Cedar, Dogwood, OpenShell และ CEL ซึ่ง LLM เขียนอาร์ติแฟกต์แต่ไม่มีส่วนในการคำนวณการเปรียบต่าง

  25. AWS Machine Learning Blog46

    การตรวจจับและกู้คืนจากความเสียหายของข้อมูลแบบเงียบบน Amazon SageMaker HyperPod

    ลูปการฝึก PyTorch DDP บน Amazon SageMaker HyperPod ได้รับการตรวจสอบสามรายการที่จับความเสียหายของข้อมูลแบบเงียบ: การตรวจสอบเกรเดียนต์ที่ไม่ใช่ค่าจำกัด การตรวจสอบการเล่นซ้ำแบบริงที่เปรียบเทียบบิตของ loss และลายนิ้วมือของเกรเดียนต์ข้ามโหนด และการเปรียบเทียบลายนิ้วมือของน้ำหนักหลังขั้นตอนออปติไมเซอร์ ทดสอบด้วยข้อบกพร่องที่ใส่เข้าไปโดยซอฟต์แวร์บนอินสแตนซ์ ml.p5.48xlarge จำนวน 4 เครื่อง (GPU NVIDIA H100 จำนวน 32 ตัว) การตรวจสอบเหล่านี้ระบุแรงก์ที่น่าสงสัย แมปไปยังโหนด และให้ HyperPod แทนที่โหนดและดำเนินการต่อจากเช็กพอยต์

  26. AWS Machine Learning Blog41

    เปิดตัว Amazon Bedrock AgentCore Web Search API

    ขณะนี้ Amazon Bedrock AgentCore มี Web Search API แบบสแตนด์อโลน ทำให้นักพัฒนาสามารถเรียก InvokeWebSearch ได้โดยตรงจาก AWS SDK หรือ AWS CLI ด้วยคำขอเดียวและไม่ต้องสร้างทรัพยากรใด ๆ โดยส่งคืนผลลัพธ์ที่จัดอันดับจากดัชนีเว็บที่ Amazon ดำเนินการ แต่ละรายการมีข้อความที่สกัดออกมา และเมื่อมีข้อมูล จะมีชื่อเรื่อง URL และเวลาที่เผยแพร่ พร้อมตัวกรองโดเมนและวันที่ คำขอลงนามด้วย SigV4 และ IAM โดยใช้สิทธิ์เดียวกับเส้นทาง AgentCore Gateway

  27. AWS Machine Learning Blog36

    สิ่งที่นักพัฒนา AI ได้รับบน AWS ในเดือนตุลาคม 2026: Claude Haiku 5.5, GPT-6.1 Terra, AgentCore CLI 1.0

    สรุปรอบเดือนตุลาคม 2026 ของ AWS เพิ่ม Claude Haiku 5.5 ซึ่ง Anthropic ระบุว่ามีต้นทุนต่ำกว่า Claude Haiku 4.5 ประมาณ 75 เปอร์เซ็นต์สำหรับงานส่วนใหญ่ พร้อมด้วย OpenAI GPT-6.1 Terra บน Amazon Bedrock ที่รองรับโทเค็นอินพุตสูงสุด 1 ล้านโทเค็น และราคาต่ำกว่าอย่างน้อย 50 เปอร์เซ็นต์เมื่อเทียบกับ GPT-6.1 Sol และ GPT-5.6 Terra AgentCore CLI ถึงเวอร์ชัน 1.0 แล้ว และ AgentCore Gateway เพิ่ม model fallback และ Step Functions workflows เป็นเครื่องมือของเอเจนต์

  28. AWS Machine Learning Blog12

    AWS re:Invent 2026 สาย AI/ML: คู่มือสำหรับผู้เข้าร่วม

    AWS จะจัดการประชุม re:Invent ประจำปีระหว่างวันที่ 30 พฤศจิกายนถึง 4 ธันวาคม โดยสาย AI/ML มีเซสชันที่ไม่ซ้ำกันกว่า 140 เซสชันจากเซสชันการเรียนรู้ทั้งหมดกว่า 2,000 เซสชัน คู่มือนี้จับคู่เซสชันกับสแตก AI ของ AWS ครอบคลุมตั้งแต่ชิป AI (AWS Trainium และ NVIDIA GPUs) โมเดลและการอนุมานบน Amazon Bedrock และ SageMaker AI ไปจนถึงการพัฒนาเอเจนต์ด้วย Amazon Bedrock AgentCore เซสชันถูกจัดเรียงตั้งแต่เนื้อหาสำหรับผู้เริ่มต้นไปจนถึงการเจาะลึกเชิงเทคนิค และหลายเซสชันสามารถรับชมแบบ on demand ได้

  29. AWS Machine Learning Blog28

    การอัปเดต AWS Agent Registry โดยอัตโนมัติด้วยสถาปัตยกรรมแบบ push-based

    AWS นำเสนอไปป์ไลน์ที่ขับเคลื่อนด้วยเหตุการณ์ ซึ่งช่วยให้บันทึก AWS Agent Registry สำหรับเซิร์ฟเวอร์ MCP เป็นปัจจุบันโดยไม่ต้องอัปเดตด้วยตนเอง AWS CloudTrail ดักจับการเรียก API UpdateAgentRuntime, Amazon EventBridge ส่งต่อการเรียกเหล่านั้นข้ามบัญชี และฟังก์ชัน Lambda จะสอบถามเครื่องมือของเซิร์ฟเวอร์ MCP ผ่านโทเค็น OAuth ของ AgentCore Identity จากนั้นเปรียบเทียบและอัปเดตบันทึก registry ที่ตรงกัน ตัวอย่างนี้อัปเดตเฉพาะบันทึกที่มีอยู่และรองรับทั้งการตั้งค่าแบบบัญชีเดียวและหลายบัญชี

  30. Google Research58

    Google Research ใช้เทคโนโลยีสวมใส่สร้างโปรไฟล์ความเสี่ยง CKM และการโค้ชเฉพาะบุคคล

    Google Research ได้แนะนำกรอบการวิจัยที่เปลี่ยนข้อมูลจากอุปกรณ์สวมใส่สำหรับผู้บริโภคให้เป็นอายุสุขภาพที่สามารถโค้ชได้ และจำลองเส้นทางสุขภาพเฉพาะบุคคลแบบ 12 สัปดาห์ในลักษณะ what-if โมเดลโลก SensorWM ถูกฝึกฝนล่วงหน้าด้วยข้อมูล Fitbit ที่ไม่ระบุตัวตนจำนวน 2.28 ล้านคน-สัปดาห์จากผู้ใช้ประมาณ 100,000 คน และคาดการณ์ตัวชี้วัดทางสรีรวิทยา 20 รายการภายใต้รูปแบบการเดิน การนอน และคาร์ดิโอที่แตกต่างกัน ในการศึกษาที่ปกปิดข้อมูล ผู้ฝึกสอนไลฟ์สไตล์เลือกแผนที่อ้างอิงจากสถานการณ์สมมติว่าเป็นแผนที่ดีที่สุดโดยรวมในการประเมิน 71.4% และแพทย์ให้คะแนน 99.2% ของแผนว่าอยู่ในขีดจำกัดความเข้มข้นของการออกกำลังกายที่ปลอดภัย ผู้เขียนระบุว่าโมเดลเหล่านี้เป็นต้นแบบการวิจัย ไม่ใช่เครื่องมือวินิจฉัยทางคลินิก

  31. Google Blog · AI78

    Google เปิดตัว Gemini Decisions API และโมเดล Gemini Decision 1 สำหรับการตัดสินใจแบบชุดปิดที่รวดเร็ว

    Google เปิดตัว Gemini Decisions API ซึ่งขับเคลื่อนโดยโมเดลใหม่ Gemini Decision 1 (gemini-decision-1) และพร้อมใช้งานผ่าน Gemini API ใน Google AI Studio อินพุตมัลติโมดัลเดียวสูงสุด 256K โทเค็นสามารถตรวจสอบกับคำถามแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบให้คะแนนตามเกณฑ์ได้สูงสุด 1,000 ข้อในการส่งต่อเพียงครั้งเดียว โดยคืนค่าความน่าจะเป็นและคะแนนความเชื่อมั่นที่ความหน่วงตั้งแต่ต้นจนจบ 150-250 มิลลิวินาที ในราคา 0.10 ดอลลาร์ต่อ 1M โทเค็นอินพุต โดยไม่มีค่าใช้จ่ายโทเค็นเอาต์พุต Google กล่าวว่าโมเดลนี้เป็นผู้นำชุดการทดสอบมาตรฐานด้วยค่าความคลาดเคลื่อนของการปรับเทียบต่ำที่สุด และมีราคาถูกกว่า Gemini 3.5 Flash-Lite กับ Interactions API เกือบ 5 เท่า การใช้งานภายในรวมถึงการกำหนดเส้นทางโมเดลใน Gemini Notebook การสร้างไวร์เฟรมใน Stitch และการตรวจสอบเนื้อหาเชิง adversar​​ial สำหรับเครื่องมือ MCP ใน Search

    ทำไมเรื่องนี้สำคัญ: เอนด์พอยต์ใหม่ของ Google ให้คะแนนคำถามมัลติมอดัลแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบตามเกณฑ์ได้สูงสุด 1,000 ข้อในครั้งเดียวที่ 150-250 มิลลิวินาที มอบทางเลือกที่ถูกกว่าการเรียกแบบเจเนอเรทีฟสำหรับการกำหนดเส้นทางของเอเจนต์และการตรวจสอบนโยบาย

  32. Amazon Science36

    ใช้คณิตศาสตร์ตรวจสอบการกำหนดค่าเครือข่าย: AWS Tiros สำหรับการตรวจสอบการแบ่งส่วน

    AWS ใช้เครื่องมือตรวจสอบอัตโนมัติ Tiros ของตนเพื่อตรวจสอบการแบ่งส่วนเครือข่ายแบบสแตติกในทุกเส้นทางที่จำลองขึ้น แทนการพึ่งพาการสุ่มตัวอย่างแพ็กเก็ต Tiros แปลงการกำหนดค่า Cloud WAN จากตารางเส้นทาง สิ่งที่เชื่อมต่อ และเอกสารนโยบายให้เป็นข้อเสนอเชิงตรรกะ จากนั้นตรวจสอบว่าไม่มีเส้นทางใดอยู่ระหว่างส่วนที่ถูกประกาศห้ามโดยนโยบาย โดยดำเนินการวิเคราะห์บ่อยครั้งถึงทุกชั่วโมง

  33. Meta Engineering Blog40

    Meta Intelligent Delivery: ระบบ ML ที่จัดสรรพลังประมวลผลสำหรับการจัดอันดับโฆษณา

    Meta ให้รายละเอียดเกี่ยวกับ Intelligent Delivery ซึ่งเป็นระบบที่ขับเคลื่อนด้วย ML ที่จัดสรรพลังประมวลผลทั่วทั้งสแต็กการให้บริการโฆษณาไปสู่จุดที่เหมาะสมที่สุดในระดับระบบ โดยมีส่วนช่วยให้ประสิทธิภาพการจัดอันดับเพิ่มขึ้นประมาณ 10% นอกเหนือจากความก้าวหน้าของโมเดลและระบบตั้งแต่ปี 2017 ถึงครึ่งแรกของปี 2026 Resource Core Model ของระบบใช้พารามิเตอร์แบบ sparse 6B และ dense 20M เพื่อคาดการณ์อรรถประโยชน์ส่วนเพิ่มของแต่ละคำขอ และ Meta ระบุว่าช่วยปรับปรุงการระบุคำขอโฆษณาที่มีผลกระทบสูงได้ประมาณ 20% ในการทดสอบ基準แบบออฟไลน์ ระบบยังพึ่งพากลไกการจัดสรรหลายชั้นและ AI แบบ agentic ที่เพิ่มขึ้นเพื่อปรับตัวตามการเปลี่ยนแปลงของโมเดลและฮาร์ดแวร์

  34. Google Developers Blog58

    วิศวกร Google ใช้ Gemini 4 Argon และ Z3 จับบั๊ก bounds-check ใน Go ที่ fuzzing พลาด

    วิศวกร Google ซึ่งเป็นผู้นำโปรแกรม agent skills ของบริษัทได้สร้างไปป์ไลน์ที่ Gemini 4 Argon อ่านซอร์สโค้ด Go และดิสแอสเซมบลี RISC-V แล้วแปลงกับดัก runtime.panicBounds ที่ยังหลงเหลือให้เป็นข้อจำกัด Z3 จากนั้น go test จะเล่นซ้ำอินพุตที่ตรงเงื่อนไขใดๆ เป็นตัวสร้างซ้ำจริง เวิร์กโฟลว์นี้จับบั๊กที่ฝังไว้ทั้งสามตัวและบั๊กแฝงสามตัวใน skill-lint ขณะที่ go test -fuzz แบบไม่กำหนด seed พลาดการ crash ที่ฝังไว้สองตัว เพราะ Go ตรวจสอบสไลซ์เทียบกับ capacity ไม่ใช่ length การตัด capacity ให้เท่ากับ length ด้วย data[:len(data):len(data)] ทำให้ fuzzer crash บั๊ก overrun ทั้งสองตัวในการรันทั้งสามครั้ง โดยมีค่ามัธยฐาน 0.28 วินาที และ 0.17 วินาที

  35. Google Developers Blog58

    Google Agent Anomaly Detection ทำคะแนนได้บนห้าเบนช์มาร์กความปลอดภัยของเอเจนต์สาธารณะ

    Google ทดสอบ Agent Anomaly Detection ซึ่งอยู่ใน Private Preview บน Gemini Enterprise Agent Platform กับเบนช์มาร์กความปลอดภัยของเอเจนต์สาธารณะห้ารายการที่บริษัทไม่ได้เขียนเอง โดยให้คะแนน 1,774 เซสชัน ระบบflagged 87% ของคำสั่งที่เป็นอันตรายที่เอเจนต์ดำเนินการจริง โดยมีสัญญาณเตือนผิดพลาดใน 2% ถึง 16% ของเซสชันที่ปลอดภัย และจับได้เพียง 4 จาก 18 เซสชันที่หน่วยความจำระยะยาวที่ถูกวางยาขับให้เอเจนต์ลงมือ การทดสอบใช้เอเจนต์ที่สร้างด้วย Agent Development Kit (ADK) บน gemini-2.5-flash ครอบคลุม AgentDojo, InjecAgent, Agent Security Bench, AgentDyn และ AgentHarm