ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#การติดตั้งใช้งาน / วิศวกรรม
12 พฤศจิกายนวันพฤหัสบดี
  1. 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

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

  7. 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

  8. 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

  9. 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

  10. 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

  11. 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

  12. 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

  13. 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

  14. Amazon Science36

    ใช้คณิตศาสตร์ตรวจสอบการกำหนดค่าเครือข่าย: AWS Tiros สำหรับการตรวจสอบการแบ่งส่วน

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

  15. 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

  16. Mastra Blog40

    Mastra Agents สร้าง Private Model Gateway สำหรับโมเดลที่โฮสต์เอง

    Mastra เพิ่ม private model gateway ที่ให้เอเจนต์ส่งคำขอไปยังโมเดล open-weight ที่โฮสต์เอง โดยอ้างอิงผ่านคำนำหน้าเช่น private/ollama/gpt-oss:20b การโฮสต์เองช่วยเก็บข้อมูลอ่อนไหวไว้ในเครือข่ายและแทนที่ค่าใช้จ่ายต่อโทเคนด้วยค่าใช้จ่ายโครงสร้างพื้นฐาน และการตั้งค่า AUTO_BLOCK_EXTERNAL_PROVIDERS=true จะซ่อนผู้ให้บริการภายนอกใน Studio ฟีเจอร์นี้ต้องใช้ @mastra/core@1.82.0 หรือใหม่กว่า

  17. Claude Blog40

    คู่มือ Claude Tag สำหรับสตาร์ทอัพจาก Anthropic: ช่อง Slack และกรณีการใช้งานยอดนิยม

    Anthropic เผยแพร่คู่มือ Claude Tag (เบต้า) สำหรับสตาร์ทอัพ โดยอ้างอิงจากบทสนทนากับบริษัทที่เติบโตสูงแปดแห่งเกี่ยวกับจุดที่พวกเขาเริ่มใช้เอเจนต์บน Slack ก่อน คู่มือครอบคลุมการตั้งค่าที่พบบ่อยห้าแบบ ได้แก่ การคัดแยกเหตุฉุกเฉิน (on-call triage), thread-to-PR, company brain, self-serve data และ reporting พร้อมเช็กลิสต์สำหรับเริ่มต้น ผลลัพธ์ที่อ้างถึงรวมถึง PR ที่เปิดขึ้น 21 นาทีหลังจากการกล่าวถึงใน Slack และ pull request 134 รายการที่ merge จาก thread ใน Slack ที่ NavigateAI

  18. Claude Blog56

    Anthropic เปิดไพรเวตเบต้าของ Claude Managed Agents แบบโฮสต์เอง

    Anthropic เปิดตัว Claude Managed Agents แบบโฮสต์เองในไพรเวตเบต้า ช่วยให้นักพัฒนารันบริการเอเจนต์แบบเต็มรูปแบบ รวมถึง harness, แซนด์บ็อกซ์, ข้อมูลรับรอง และประวัติเซสชัน ภายในคลาวด์หรือสภาพแวดล้อมภายในองค์กรของตนเอง คำขอไปยังโมเดลสามารถส่งตรงไปยัง Anthropic, Amazon Bedrock, Agent Platform ของ Google หรือ Microsoft Foundry หรือผ่านเกตเวย์ของลูกค้าเอง และประวัติเซสชันจะเก็บอยู่ในฐานข้อมูลของลูกค้า บริษัทระบุว่าการออกแบบนี้เก็บลูปของเอเจนต์และความลับใน vault ไว้นอกแซนด์บ็อกซ์ รองรับ allowlist ของโฮสต์ที่อนุญาต และส่งออกบันทึกเต็มรูปแบบของแต่ละเซสชันผ่าน OpenTelemetry

  19. Figma Blog42

    3D transforms และ agent ของ Figma ช่วยให้วิดีโอเปิดตัวมีชีวิตขึ้นมาได้อย่างไร

    Figma ได้เปิดตัว 3D transforms ในเวอร์ชัน open beta แล้ว ทำให้ดีไซเนอร์สามารถเอียง หมุน และจัดเรียงข้อความ รูปภาพ เวกเตอร์ และเฟรมในพื้นที่สามมิติได้ พร้อมเอฟเฟกต์ perspective บนเฟรมหลักเพื่อให้องค์ประกอบเชิงพื้นที่ใช้ร่วมกันได้ เอฟเฟกต์แบบ non-destructive ยังคงแก้ไขได้ และสามารถผสานกับ shader ทำแอนิเมชันด้วย Figma Motion หรือสำรวจผ่าน Figma agent ได้ Brand Studio ของ Figma ใช้เครื่องมือเหล่านี้ รวมถึงปลั๊กอิน generative ที่ agent สร้างขึ้น เพื่อผลิตวิดีโอเปิดตัวฟีเจอร์นี้

  20. Claude Blog31

    J.Crew เปิดตัว Style Advisor AI สไตลิสต์ที่สร้างด้วย Claude Code

    J.Crew เปิดตัว Style Advisor สไตลิสต์ AI บน JCrew.com ที่แนะนำชุด completo แทนที่จะเป็นสินค้าชิ้นเดียว เปิดให้ใช้งานแล้วสำหรับสไตล์ผู้หญิงและผู้ชายในสหรัฐอเมริกา ทีมของ J.Crew สร้างมันด้วย Claude Code โดยใช้โมเดล Claude หลายรุ่น: Claude Fable 5.1 สำหรับวางแผนการคิดของสไตลิสต์, Claude Opus 5.5 สำหรับต้นแบบ, Claude Sonnet 5.5 เป็นสไตลิสต์ในแต่ละบทสนทนา และ Claude Haiku 5.5 สำหรับงานที่รวดเร็ว ทุกคำแนะนำมาจากลุคที่สร้างโดยสไตลิสต์ของ J.Crew เองสำหรับการถ่ายแคตตาล็อก

11 พฤศจิกายนวันพุธ
  1. ElevenLabs Blog25

    ElevenLabs เปิดตัวโปรแกรมพันธมิตรเพื่อเร่งการนำ AI Agent ระดับองค์กรไปใช้

    ElevenLabs เปิดตัวโปรแกรมพันธมิตร (Partner Program) พร้อมแรงจูงใจเชิงพาณิชย์ที่เพิ่มขึ้น การรับรองใหม่ โอกาสในการร่วมทำตลาด และการสนับสนุนทางเทคนิคโดยเฉพาะ โปรแกรมนี้ครอบคลุมพันธมิตรที่ใช้งานอยู่กว่า 550 รายใน 44 ประเทศ และระบบนิเวศพันธมิตรได้สร้างไปป์ไลน์มูลค่า 315 ล้านดอลลาร์ และรายได้จากพันธมิตรและการมีส่วนร่วมของพันธมิตรมากกว่า 52 ล้านดอลลาร์ในปีนี้ ElevenLabs ตั้งเป้าให้พันธมิตรสร้างรายได้จากบริการ 3 ดอลลาร์ต่อทุก 1 ดอลลาร์ที่บริษัทสร้าง โดยได้รับการสนับสนุนจากวิศวกรที่ประจำการล่วงหน้าและไดเรกทอรีพันธมิตรที่ได้รับการรับรองใหม่

  2. ElevenLabs Blog58

    ElevenLabs Summit NYC: Interaction Engine, ElevenAgents Memory and Routines, ElevenAI app, Partner Program and Marketplace

    ในการประชุมสุดยอดที่นิวยอร์ก ElevenLabs ได้ประกาศโมเดลใหม่ เอเจนต์ และตัวเลือกการติดตั้งใช้งานสำหรับชั้นการโต้ตอบด้วย AI ของบริษัท รวมถึง Interaction Engine ที่จัดการการผลัดกันพูดและกำหนดเส้นทางการสนทนาแต่ละส่วนไปยัง LLM ที่ประหยัดกว่าหรือระดับแนวหน้า ElevenAgents ได้รับ Memory ซึ่งสร้างบันทึกแบบมีโครงสร้างของลูกค้าที่กลับมาใช้บริการซ้ำ และ Routines ซึ่งเป็นชั้นระบบอัตโนมัติสำหรับงานหลายขั้นตอนก่อน ระหว่าง และหลังการโทร ElevenLabs ยังได้เปิดตัวตัวอย่างแอป ElevenAI สำหรับสถานที่ทำงานพร้อมการเข้าถึงช่วงแรกฟรีที่เปิดวันนี้ เปิดตัว Partner Program ซึ่งปัจจุบันมีพันธมิตรมากกว่า 550 รายใน 44 ประเทศ บวกกับพันธมิตรกับ McKinsey และเปิดตัว ElevenLabs Marketplace; NVIDIA Nemotron 3.5 Super VL พร้อมใช้งานแล้วใน ElevenAgents ควบคู่กับกำลังประมวลผล Vera Rubin ใหม่ 15 MW

  3. ElevenLabs Blog40

    ElevenLabs เปิดตัว Marketplace สำหรับแอปพลิเคชัน AI ที่พร้อมใช้งานในองค์กร

    ElevenLabs เปิดตัว ElevenLabs Marketplace ซึ่งเป็นคอลเลกชันที่คัดสรรของแอปพลิเคชัน AI และเสียงเฉพาะอุตสาหกรรมที่สร้างขึ้นบนโมเดลของบริษัทโดยพันธมิตรด้านเทคโนโลยี โดยมีพันธมิตรเปิดตัว ได้แก่ Salesforce, IBM, NiCE, Twilio และ Zendesk องค์กรต่างๆ สามารถสำรวจโซลูชันในด้านบริการทางการเงิน ประกันภัย การดูแลสุขภาพ โทรคมนาคม ค้าปลีก และภาครัฐ และเชื่อมต่อโดยตรงกับพันธมิตรที่อยู่เบื้องหลัง เริ่มตั้งแต่ปีหน้า โซลูชันของพันธมิตรที่มีคุณสมบัติเหมาะสมจะสามารถซื้อได้ผ่านข้อผูกพันที่มีอยู่ของ ElevenLabs

  4. Modal Blog58

    Modal ร่วมเป็นผู้ดูแล gVisor ขณะที่ Google บริจาคโปรเจกต์ให้ CNCF

    Modal เป็นหนึ่งในสามบริษัท ร่วมกับ Ant Group และ Tines ที่เข้าร่วมเป็นผู้ดูแล gVisor หลังจาก Google บริจาคโปรเจกต์และเครื่องหมายการค้าให้ CNCF ภายใต้รูปแบบการกำกับดูแลที่นำโดยผู้ดูแล Modal ระบุว่าบริษัทเปิดใช้งานคอนเทนเนอร์ gVisor มากถึง 40 ล้านคอนเทนเนอร์ต่อวัน และได้มีส่วนสนับสนุน upstream ตั้งแต่ปี 2023 รวมถึงการรองรับ GPU ผ่าน nvproxy, พร็อกซีอุปกรณ์ RDMA ที่ชื่อ rdmaproxy และการปรับแต่ง tmpfs และ memory allocator บริษัทระบุว่ากำลังพัฒนาสแนปช็อตหน่วยความจำแบบหลาย GPU และการรองรับ GPUDirect Storage สำหรับ gVisor

  5. ElevenLabs Blog58

    ElevenLabs และ NVIDIA ขยายความร่วมมือเพื่อนำ voice agent สู่องค์กรและภาครัฐ

    ElevenLabs และ NVIDIA ได้ขยายความร่วมมือด้านโมเดล โครงสร้างพื้นฐาน และการติดตั้งแบบ sovereign โดยนำ NVIDIA Nemotron 3.5 Super VL เข้าสู่แพลตฟอร์ม ElevenAgents ElevenLabs วางแผนเพิ่มกำลังความสามารถ NVIDIA Vera Rubin อีก 15MW บนระบบ Blackwell Ultra ที่มีอยู่เดิม และกำลังขับเคลื่อน voice agent สำหรับระบบนัดหมาย Centralna e-Rejestracja ของโปแลนด์แบบ on-premises ด้วย NVIDIA Confidential Computing ตามข้อมูลของ ElevenLabs บน benchmark ฝ่ายสนับสนุนลูกค้าของ ElevenAgents นั้น Nemotron 3.5 Super VL ทำความแม่นยำในการทำงานแบบ end-to-end สำเร็จสูงสุดเป็นอันดับต้น ด้วยต้นทุนต่ำกว่าโมเดลเปิดชั้นนำอื่น ๆ ถึง 70%

  6. ElevenLabs Blog22

    องค์กรขนาดใหญ่ใช้ ElevenLabs AI อย่างไร

    ElevenLabs ระบุว่าองค์กรขนาดใหญ่คิดเป็นสัดส่วนมากกว่า 55% ของรายได้แล้ว โดยเทคโนโลยีของบริษัทถูกใช้งานในชีวิตประจำวันของ 5 ใน 10 บริษัทเทคโนโลยีที่ใหญ่ที่สุด 5 ใน 10 บริษัทประกันที่ใหญ่ที่สุด และ 4 ใน 10 บริษัทโทรคมนาคมที่ใหญ่ที่สุด ในงาน NYC Summit ลูกค้าอย่าง Ramp, Customers Bank, Banco Inter, Clover Health และ FOX Sports ได้อธิบายถึงการใช้ ElevenAgents และ ElevenCreative สำหรับเอเจนต์สนับสนุน การ onboard พนักงาน บริการหลายภาษา และ AI persona ของผู้บรรยาย Colin Cowherd ในแอป FOX Sports

  7. NVIDIA Blog22

    AI ช่วยให้ผู้รีไซเคิลเปลี่ยนขยะผสมเป็นวัสดุที่นำกลับมาใช้ใหม่ได้อย่างไร

    NVIDIA นำเสนอสตาร์ทอัพ Inception สี่รายที่ใช้ AI และหุ่นยนต์เพื่อคัดแยกขยะผสมในโรงงานรีไซเคิล สายการนำร่อง Jetson Orin NX ของ AIRECO มีความแม่นยำในการจดจำสูงกว่า 95% และตั้งเป้าเพิ่มกำลังการผลิตต่อปีจาก 18,000 เป็น 48,000 ตัน พร้อมลดต้นทุนการดำเนินงานลง 85% ขณะที่ EverestLabs ได้ติดตั้งหุ่นยนต์ที่นำทางด้วยระบบ visión ประมาณ 150 ตัวทั่วอเมริกาเหนือและออสเตรเลีย

  8. Vapi Blog58

    Vapi เปิดตัว Agent Loop ในช่วง early access ซึ่งเป็น harness ที่ปรับปรุงตัวเองได้สำหรับ voice agents

    Vapi เปิดตัว Agent Loop ในช่วง early access โดยมีแผนเปิดตัวแบบ GA ในต้นปีหน้า ในฐานะ harness ที่ปรับปรุงตัวเองได้ ซึ่งสร้าง voice agent จาก prompt ธรรมดา ให้คะแนนทุกสายเทียบกับเป้าหมายทางธุรกิจ ร่างการแก้ไขสำหรับจุดที่พลาด ทดสอบในการจำลอง และปล่อยให้กับส่วนหนึ่งของทราฟฟิกจริงก่อนการเปิดตัวเต็มรูปแบบ ลูปนี้ทำงานบน Vapi primitives รวมถึง Simulations และ Traffic Splitting ซึ่งมีให้ใช้ในแดชบอร์ดแล้วตอนนี้ พร้อมกับ Goals, Call Health และ Experiments ที่จะมาเร็วๆ นี้ Agent Loop ทุกตัวเป็น Vapi assistant จริง ดังนั้นวิศวกรจึงยังคงเข้าถึงแดชบอร์ดและ API ได้เต็มรูปแบบ และต้องมีการอนุมัติจากมนุษย์ก่อนที่จะปล่อยการเปลี่ยนแปลงใดๆ

  9. vLLM Blog58

    vLLM เพิ่มการแยกส่วน encoder สำหรับการให้บริการมัลติโมดัลด้วย EPD

    vLLM ได้ขยายการแยกส่วน Encoder/Prefill/Decode (EPD) สำหรับการให้บริการมัลติโมดัล โดยเพิ่มคำขอแบบ metadata-only, เส้นทางการประมวลผล encoder โดยเฉพาะ, การถ่ายโอน embedding ระยะไกลผ่าน NIXL และ Mooncake, การใช้เอาต์พุตข้าม encoder ซ้ำ และการจัดการผ่าน vLLM Router, SMG และ llm-d ความสามารถหลักรวมถึงการรองรับ MiMo และ XPU มาพร้อมใน vLLM v0.32.0 ขณะที่การรองรับ metadata-only สำหรับ DeepSeek V4.1 Flash มีให้ใช้งานบน main ผ่าน #62802 ในการทดสอบ DeepSeek V4.1 Flash บน GB200 EPD ให้ throughput ต่อ GPU สูงขึ้น 6.6–9.5% และ P90 TTFT ต่ำลง 44–47% เมื่อเทียบกับ baseline แบบ PD แปด GPU ที่ concurrency 64–128 แต่มี throughput ต่อ GPU ต่ำกว่าที่ concurrency 16

  10. OpenRouter Announcements65

    OpenRouter วัดต้นทุนบริบทของ MCP, CLI และ skills บนงาน GitHub งานเดียว

    OpenRouter วัดงาน GitHub งานเดียวกันผ่าน GitHub MCP server, gh CLI และ gh skill บน Claude Sonnet 5.5, GPT-6 Luna และ Gemini 3.8 Flash บน Sonnet 5.5 ทั้งสามตอบถูก แต่ CLI ใช้ 1,421 input tokens, skill ใช้ 3,315 และ MCP server ใช้ 59,417 พร้อมเครื่องมือเริ่มต้น 46 ตัว ซึ่งคำนิยามเพียงอย่างเดียวเพิ่ม 19,436 tokens ต่อคำขอ การจำกัด server ให้เหลือสองเครื่องมือลดงานเหลือ 23,228 tokens การจำกัดผลลัพธ์ที่ 4,000 ตัวอักษรลดเหลือ 5,357 และ Tool Search ลดต้นทุนล่วงหน้าของ 46 เครื่องมือเหลือต่ำกว่า 600 tokens แม้จะลดต้นทุนทั้งงานบน Sonnet 5.5 ลงครึ่งหนึ่งแต่กลับเพิ่มขึ้นบน Claude Haiku 5.5

    ทำไมเรื่องนี้สำคัญ: การเปรียบเทียบที่วัดได้ของ OpenRouter แสดงให้เห็นว่า MCP server, CLI และ skill ใช้บริบทเท่าใดในงาน GitHub งานเดียวกัน และการตัดทอนผลลัพธ์เครื่องมือหรือการเลื่อนคำนิยามออกไปเปลี่ยนค่าใช้จ่ายตรงไหน

  11. OpenRouter Announcements58

    คู่มือ OpenRouter: แก้ไขข้อผิดพลาด 429 rate limit ของ OpenAI และ Claude

    OpenRouter เผยแพร่คู่มือเกี่ยวกับการจัดการข้อผิดพลาด 429 Too Many Requests จาก OpenAI, Anthropic และ API ของตัวเอง โดยทดสอบวิธีแก้สามวิธีกับชุดคำสั่ง 60 รายการ การลองซ้ำเริ่มต้นของ OpenAI Python SDK ทำให้ 23 จาก 60 คำขอล้มเหลวภายใน 12 วินาที ขณะที่การลองซ้ำที่รอ Retry-After หรือ X-RateLimit-Reset ทำให้ทั้ง 60 คำขอสำเร็จใน 89 ถึง 92 วินาทีใน Python และ 106 ถึง 218 วินาทีใน TypeScript การ fallback ไปยังโมเดลอื่นทำให้ทั้ง 60 คำขอเสร็จสิ้นใน 13 วินาทีด้วยค่าใช้จ่าย $0.000066 และเมื่อเปิดใช้ provider failover คำขอที่ผูกกับผู้ให้บริการทั้งหมด 150 รายการสำเร็จ เทียบกับที่ล้มเหลวได้ถึง 32 รายการเมื่อปิด fallback

  12. OpenRouter Announcements60

    OpenRouter ทดสอบว่า fp8 และ fp4 quantization ส่งผลต่อคุณภาพและราคาของ LLM อย่างไร

    OpenRouter ได้รันงาน exact-answer 280 งานกับ six endpoints ของ Qwen3.8 27B เมื่อวันที่ 20 ตุลาคม 2026 และไม่พบความแตกต่างด้านความแม่นยำระหว่าง fp16, fp8 และ fp4 โดยทั้งหกได้คะแนนระหว่าง 98.3% ถึง 99.2% จาก 1,455 endpoints มี 59.5% ที่ไม่ระบุ precision เลย และ fp8 เป็นรูปแบบที่ติดป้ายมากที่สุดที่ 23.6% precision ที่ต่ำกว่ามีราคาถูกกว่าสำหรับโมเดลส่วนใหญ่แต่ไม่ใช่ทั้งหมด และการเลือกผู้ให้บริการส่งผลต่อราคามากกว่า precision โดย endpoint ที่มี precision เดียวกันและแพงที่สุดมีค่ามัธยฐานเป็น 1.72 เท่าของที่ถูกที่สุด

    ทำไมเรื่องนี้สำคัญ: OpenRouter วัด endpoints fp8, fp4 และ fp16 ของโมเดลหนึ่งๆ across 240 exact-answer tasks และไม่พบช่องว่างความแม่นยำที่ตรวจพบได้ ขณะที่ความแตกต่างของราคาเป็นไปตามผู้ให้บริการมากกว่า precision

  13. OpenAI News28

    หัวหน้าสถาปนิก JioStar Vijay Seshadri ว่าด้วย AI Discovery ในระดับผู้ใช้ 500 ล้านคน

    Vijay Seshadri หัวหน้าสถาปนิกของ JioStar แบ่งปันบทเรียนจากการดำเนินงาน AI discovery ในระดับผู้ใช้ 500 ล้านคน ครอบคลุมถึง evals, guardrails และการนำ AI ไปใช้ในระบบจริง บทความที่เผยแพร่โดย OpenAI นี้มุ่งเน้นแนวปฏิบัติเชิงปฏิบัติการเบื้องหลังการติดตั้งใช้งาน AI ขนาดใหญ่

  14. LangChain Blog58

    LangChain อธิบายเทคนิคการดึงข้อมูลสำหรับวิศวกรรมบริบทของ AI agent

    LangChain เผยแพร่บล็อกโพสต์เกี่ยวกับการออกแบบการดึงข้อมูลที่ส่งผลต่อวิศวกรรมบริบทสำหรับ AI agent โดยยกตัวอย่าง agent วิเคราะห์การแข่งขันที่สร้างบน Deep Agents harness ของบริษัท โพสต์กล่าวถึงโหมดความล้มเหลวสามประการ ได้แก่ การค้นหาที่ไม่มีประสิทธิภาพ การโหลดบริบทมากเกินไปในครั้งเดียว และผลลัพธ์ที่ไม่เกี่ยวข้องหรือล้าสมัย พร้อมจับคู่แต่ละโหมดกับเทคนิค เช่น เครื่องมือไฟล์ระบบ glob และ grep การแบ่งหน้าอ่านไฟล์ขนาดใหญ่ด้วย read_file offsets การย้ายผลลัพธ์เครื่องมือที่ใหญ่เกินไปไปยังไฟล์ และการมอบหมายการอ่านให้ subagent ภายใต้รูปแบบ retrieve, offload, delegate นอกจากนี้ยังเตือนว่าข้อความที่ดึงมาเป็นข้อมูลไม่ใช่คำสั่ง และอาจมีการฉีดพรอมต์ได้ จึงควรตรวจสอบผลลัพธ์เทียบกับแหล่งอ้างอิง

  15. LangChain Blog60

    LangChain อธิบายวิธีที่ Deep Agents จัดการบริบทโดยไม่เก็บทุกอย่างไว้ในหน้าต่าง

    LangChain ให้รายละเอียดว่า Deep Agents harness โอเพนซอร์สของบริษัทใช้มิดเดิลแวร์อย่างไรเพื่อต่อสู้กับ context rot ในการรันเอเจนต์ระยะยาว ผลลัพธ์จากเครื่องมือที่มีขนาดเกินประมาณ 20,000 โทเคนและข้อความผู้ใช้ที่เกิน 50,000 โทเคนจะถูกย้ายไปยังไฟล์โดยแสดงเพียงตัวอย่าง ขณะที่การสรุปจะย่อข้อความเก่าเมื่อการใช้งานถึง 85% ของหน้าต่างบริบท สกิล ซับเอเจนต์ และไฟล์หน่วยความจำระยะยาวแบบมาร์กดาวน์ช่วยให้หน้าต่างของเอเจนต์หลักมีขนาดเล็กและให้หน่วยความจำส่งต่อข้ามโมเดลและผู้ให้บริการ

    ทำไมเรื่องนี้สำคัญ: LangChain อธิบายว่า Deep Agents harness โอเพนซอร์สใช้มิดเดิลแวร์เพื่อย้าย สรุป และแยกบริบทอย่างไร ซึ่งเป็นรูปแบบที่นำกลับมาใช้ซ้ำได้สำหรับเอเจนต์ในงานระยะยาว

  16. LangChain Blog36

    Workday สร้างแพลตฟอร์ม AI Agent ระดับองค์กรด้วย LangGraph และ LangSmith ได้อย่างไร

    Workday สร้างแพลตฟอร์มสำหรับนักพัฒนาภายในองค์กรเพื่อรองรับ AI agent ในสภาพแวดล้อมจริง โดยใช้ LangGraph สำหรับการจัดการ orchestration และ LangSmith สำหรับการติดตาม observability และการประเมินผล ด้วยทีมงานเพียงสี่คน เวลาที่ใช้ในการสร้างต้นแบบลดลงจาก 4–5 เดือนเหลือไม่ถึงหนึ่งวัน และทีมงานได้ขยายขึ้นเป็นประมาณ 30 คน

  17. Meta Engineering Blog58

    Meta อธิบายรายละเอียดว่า Your Algorithm แปลงความชอบในภาษาธรรมชาติเป็นคำแนะนำใน Facebook Feed และ Reels ได้อย่างไร

    Meta เผยแพร่ภาพรวมเชิงวิศวกรรมของ Your algorithm ชุดเครื่องมือ AI ที่ให้ผู้ใช้ Facebook ระบุเป็นภาษาธรรมชาติว่าต้องการเห็นอะไรใน Feed และ Reels โดยมีหน้าเดียวที่แก้ไขได้ซึ่งแสดงหัวข้อ Interested In และ Not Interested In การเปลี่ยนแปลงแต่ละครั้งจะถูกตรวจสอบโดย LLM ขนาดเล็กกว่า เสริมด้วย embeddings และคีย์เวิร์ดค้นหา และบันทึกลงที่จัดเก็บร่วมที่ทั้ง Feed และ Reels อ่าน ขณะที่ LLM reranker ที่ปรับแต่งมาเฉพาะจะลบเนื้อหาที่ตรงกับหัวข้อ Not Interested In ที่เพิ่งเพิ่มใหม่ Meta กล่าวว่าการโหลดส่วนท้ายเพิ่มเติมและการทำให้แคชฝั่งไคลเอนต์เป็นโมฆะช่วยให้การเปลี่ยนแปลงมีผลเร็วขึ้น และ LLM judge แยกต่างหากจะให้คะแนนผลลัพธ์ เช่น Lately Summary ก่อนเปิดตัว

  18. Meta Engineering Blog58

    Meta อธิบาย TLX ส่วนขยายคอมไพเลอร์ GPU แบบฮาร์ดแวร์เนทีฟสำหรับ Triton เพื่อ ML ระดับโปรดักชัน

    Meta ให้รายละเอียดเกี่ยวกับ TLX (Triton Low-Level Extensions) ส่วนขยายของ Triton ที่เพิ่มการจัดการระดับ warp-group และ cluster อย่างชัดเจน โดยยังคงโมเดลการเขียนโปรแกรมแบบเทนเซอร์ของ Triton ไว้ TLX ใช้งานจริงในโปรดักชันทั่ว Meta แล้ว โดยได้ MFU แบบ end-to-end 20-25% บน GPU NVIDIA Blackwell หลายพันตัวสำหรับการเทรน GEM ลดเลเทนซีของเครือข่ายที่ใช้คอมพิวต์หนักสำหรับการอนุมาน RecSys ได้มากถึงสองในสาม และมีเคอร์เนล grouped GEMM แบบกระจายที่ใช้งานในการพรีเทรน LLM ขนาดใหญ่ Meta ระบุว่า TLX รองรับ NVIDIA Hopper และ Blackwell รวมถึง AMD Mi300 และ Mi350x และกำลังพัฒนาสถาปัตยกรรมเพิ่มเติม การอนุมาน warp-group อัตโนมัติ และแบ็กเอนด์ torch.compile

  19. NVIDIA Blog60

    NVIDIA มอบ OpenShell Agent Runtime ให้ CNCF และเพิ่มเครื่องมือ DSX Kubernetes

    NVIDIA กำลังมอบ OpenShell ซึ่งเป็นรันไทม์โอเพนซอร์สสำหรับการรักษาความปลอดภัยและการกำกับดูแลเอเจนต์อัตโนมัติ ให้แก่ Cloud Native Computing Foundation ในฐานะโครงการ Sandbox และยังมีส่วนร่วมใน Agent Substrate ที่นำโดย Google NVIDIA ประกาศองค์ประกอบใหม่สามส่วนของ DSX AI Factory Platform ได้แก่ NVIDIA Kubernetes Engine และ NVIDIA Kubernetes Recipes ซึ่งขณะนี้อยู่ในตัวอย่างสาธารณะ และ NVIDIA Snapshot ซึ่งกู้คืนรีพลิกาที่บันทึกจุดตรวจในไม่กี่วินาทีโดยไม่ต้องโหลดโมเดลใหม่หรือวอร์มอัพ Crusoe ทดสอบ GLM-5.3 บน Crusoe Cloud และลดเวลาพร้อมใช้งานของเวิร์กโหลดจากประมาณแปดนาทีเหลือ 31 วินาที ขณะที่ Saturn Cloud ลดเวลาสตาร์ท vLLM จากระหว่างสองถึง 8.5 นาทีเหลือหกนาที 34 วินาที

    ทำไมเรื่องนี้สำคัญ: NVIDIA มอบ OpenShell รันไทม์ความปลอดภัยของเอเจนต์ให้ CNCF และเพิ่มเครื่องมือ Kubernetes สำหรับ GPU AI factories โดยผลลัพธ์เบื้องต้นของ Snapshot ลดเวลาสตาร์ทการอนุมานจากนาทีเหลือวินาที

  20. Mastra Blog38

    Mastra Forward: Mastra เปิดตัวบริการวิศวกรรม AI พร้อมวิศวกรประจำหน้างานและโรงงานเอเจนต์

    Mastra เปิดตัว Mastra Forward บริการวิศวกรรม AI ที่จับคู่วิศวกรประจำหน้างานที่มีชื่อระบุชัดเจนหนึ่งคนกับ Mastra Factory ซึ่งเป็นฝูงเอเจนต์ที่ติดตั้งในรีโปของลูกค้า การร่วมงานรายปีมีค่าใช้จ่ายน้อยกว่าการจ้างผู้เชี่ยวชาญด้าน AI ระดับอาวุโสหนึ่งคน และรวมถึงไลเซนส์ Enterprise ที่มีการติดตั้งแบบโฮสต์ โฮสต์เอง หรือ BYOC พร้อมด้วยพูล Trace Intelligence Mastra กล่าวว่าโรงงานของบริษัทสร้าง PR มากกว่า 750 รายการต่อสัปดาห์