ข้ามไปที่เนื้อหา
#การติดตั้งใช้งาน / วิศวกรรม
13 พฤศจิกายนวันศุกร์
  1. 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

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

  7. AWS Machine Learning Blog40

    AWS เปิดแคตตาล็อกสินทรัพย์ Generative AI แบบใช้ซ้ำได้ 23 รายการจาก Innovation Center

    AWS ได้เผยแพร่แคตตาล็อกสินทรัพย์ Generative AI แบบโอเพนซอร์สที่พร้อมใช้งานจริงจำนวน 23 รายการจาก Generative AI Innovation Center ซึ่งปัจจุบันเป็นส่วนหนึ่งของ AWS Frontier AI Engineering & Services บล็อกพื้นฐานเหล่านี้ครอบคลุมไปป์ไลน์ RAG ตัวประมวลผลเอกสาร โครงสร้างเอเจนต์ และเฟรมเวิร์กการประเมินผล และ AWS ระบุว่าสามารถลดระยะเวลาการพัฒนาจากหลายเดือนเหลือหลายสัปดาห์ DoorDash รายงานว่าความสามารถในการทดสอบเพิ่มขึ้น 50 เท่า และ Ricoh รายงานว่าปริมาณงานเพิ่มขึ้น 7 เท่าหลังจากสร้างบนสินทรัพย์เหล่านี้

  8. AWS Machine Learning Blog38

    DXC Technology สร้างฐาน AI แบบหลายโมเดลบน Amazon Bedrock ได้อย่างไร

    DXC Technology สร้างฐานโมเดลสำหรับระบบปฏิบัติการไอที DXC OASIS บน Amazon Bedrock โดยเข้าถึง Anthropic Claude, Amazon Nova, Meta Llama และโมเดลแบบเปิดน้ำหนักผ่านอินเทอร์เฟซที่จัดการแบบครบวงจรเดียว Amazon Bedrock Guardrails ใช้การกรองเนื้อหา การปกปิดข้อมูลส่วนบุคคล และนโยบายหัวข้อที่ถูกห้ามอย่างสม่ำเสมอในทุกโมเดล ขณะที่ AWS PrivateLink รักษาการรับส่งข้อมูลการอนุมานให้อยู่ภายใน VPC ของลูกค้า DXC OASIS พร้อมใช้งานทั่วไปตั้งแต่เดือนมีนาคม 2026 และลดเวลาการแก้ไขลงได้โดยเฉลี่ย 95% จาก 56 กรณีการใช้งานที่วัดผล

  9. 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

  10. 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

  11. 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

  12. 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

  13. Epoch AI · Gradient Updates60

    ศูนย์ข้อมูล Horinger ของ Huawei เผยอะไรเกี่ยวกับช่องว่างกำลังประมวลผลของจีน

    Epoch AI ประเมินว่าศูนย์ข้อมูล Horinger ของ Huawei ในเขตมองโกเลียในมีชิป Ascend 910C ที่ใช้งานได้ราว 105,000 ตัว และ Ascend 910B ราว 8,000 ตัว เทียบเท่า H100 ประมาณ 81,000 ตัว (ช่วงความเชื่อมั่น 90%: 36,000 ถึง 141,000) การประเมินนี้มาจากภาพถ่ายดาวเทียมเชิงพาณิชย์และแบบจำลองอุปกรณ์ระบายความร้อน ซึ่งระบุว่าอาคารที่เน้นงาน AI สี่หลังมีความจุไฟฟ้าสำหรับ IT สูงถึง 286 MW ทำให้ Horinger มีกำลังประมวลผล AI คิดเป็นราว 7% ของ Colossus 2 ของ SpaceX ในรัฐเทนเนสซี และอาคารที่วางแผนไว้อาจเพิ่มความจุได้กว่า 70% ภายในต้นปี 2028 ซึ่งยังตามหลัง Colossus 2 ที่คาดว่าจะมีถึง 1.8 ล้าน H100e อยู่มาก

12 พฤศจิกายนวันพฤหัสบดี
  1. The Decoder80

    Anthropic กล่าวว่า AI ลดเวลาการพอร์ต Claude ไปยัง GPU ของ AMD จากหลายเดือนเหลือสามวัน

    Anthropic กล่าวว่าได้พอร์ต Claude ไปยัง GPU ของ AMD ภายในสามวันโดยแทบไม่ต้องมีมนุษย์ intervene โดยใช้โมเดล frontier ของตนชื่อ Mythos เขียน kernel เกือบ 100 เปอร์เซ็นต์ด้วยตัวเอง Tom Brown ผู้ร่วมก่อตั้งกล่าวว่า Anthropic ฝึกและรัน Claude บน AWS Trainium, Google TPUs, Nvidia GPUs และ AMD GPUs โดยมองว่าเป็น compute pool เดียวที่สับเปลี่ยนได้ ตัวเลขมาจากการนำเสนอต่อนักลงทุนและยังไม่ได้รับการตรวจสอบอย่างอิสระ Anthropic อ้างว่าสามวันเทียบกับหกถึงสิบสองเดือนที่งานวิศวกรรมแบบดั้งเดิมต้องใช้ วัดจากการประมวลผล prompt ด้วย AMD MI355X GPUs

    ทำไมเรื่องนี้สำคัญ: คำกล่าวอ้างของ Anthropic ที่ว่าโมเดลของตัวเองพอร์ต Claude ไปยัง GPU ของ AMD ได้ในสามวันเป็นการทดสอบที่เป็นรูปธรรมว่า AI สามารถคลายการยึดเหนี่ยวของ CUDA ต่อการเลือกชิปได้หรือไม่

  2. TechCrunch · AI38

    Plurai ระดมทุน seed 13 ล้านดอลลาร์ เพื่อทำให้ AI agents เชื่อถือได้มากขึ้นผ่านการจำลอง

    Plurai ระดมทุน seed ได้ 13 ล้านดอลลาร์ นำโดย Team8 เพื่อทำให้ AI agents เชื่อถือได้มากขึ้นโดยใช้เทคนิคการจำลองที่ยืมมาจากรถยนต์ขับเคลื่อนอัตโนมัติ สตาร์ทอัพสร้าง digital twin ของระบบบริษัท แมปโฟลว์ของ agent ที่เป็นไปได้ และใช้ข้อมูลสังเคราะห์เพื่อเตรียมโมเดลสำหรับ edge cases จากนั้น post-train โมเดล open-weight ขนาดเล็กที่ปรับแต่งสำหรับลูกค้าแต่ละราย การทดสอบกับ Nvidia และ Nebius แสดงให้เห็นว่าโมเดลของบริษัทมีประสิทธิภาพเหนือกว่าโมเดล frontier ระดับกลางด้วยต้นทุนที่ต่ำกว่า

  3. TechCrunch · AI58

    Databricks อัปเดต Genie agent ให้ทำงานหลายขั้นตอนได้โดยไม่ต้องมีคนดูแล

    Databricks เปิดตัวเวอร์ชันอัปเดตของ Genie AI agent ที่สามารถทำงานหลายขั้นตอนที่ยาวนานได้โดยไม่ต้องมีคนดูแล โดยใช้ออนโทโลยีที่สร้างจากข้อมูลลูกค้าที่เก็บอยู่บนแพลตฟอร์ม Databricks CEO Ali Ghodsi สาธิตการใช้งานจริงของตัวเอง รวมถึงการวิเคราะห์จุดอ่อนในแบบสำรวจความพึงพอใจของพนักงาน การสรุปการนำเสนอขายที่ล้มเหลว และการเตรียมตัวสัมภาษณ์พอดแคสต์ Ghodsi กล่าวว่าผู้นำในบริษัทที่มีพนักงานมากกว่า 150 คนสามารถได้รับประโยชน์จาก agent ดังกล่าว และสามารถจำกัดต้นทุนได้ผ่าน Unity Gateway ของ Databricks ซึ่งกำหนดขีดจำกัดการใช้งานและอนุญาตให้สลับไปใช้โมเดล open-weight ที่ถูกกว่า

  4. TechCrunch · AI52

    Fractile ระดมทุนซีรีส์ C 720 ล้านดอลลาร์ เพื่อสร้างชิป AI พร้อม DRAM แบบซ้อนชั้น

    Fractile สตาร์ทอัพชิป AI สัญชาติอังกฤษ ระดมทุนซีรีส์ C ได้ 720 ล้านดอลลาร์ โดยมีกองทุน Sovereign AI Fund ของสหราชอาณาจักรสนับสนุน รัฐบาลอังกฤษอ้างว่ามูลค่าบริษัทเกิน 5 พันล้านปอนด์ หรือประมาณ 7 พันล้านดอลลาร์ การระดมทุนรอบนี้นำโดย Thrive Capital, Founders Fund, Lightspeed Venture Partners และ Redpoint Fractile จับคู่ชิปกับคอมไพเลอร์แมชชีนเลิร์นนิง และหลังจากการปรับทิศทางธุรกิจ ได้ซ้อน DRAM ไว้บนชิปแต่ละตัวเพื่อพยายามหลีกเลี่ยงการแลกเปลี่ยนระหว่างหน่วยความจำกับความจุตามปกติ ซึ่งบริษัทมองว่ามีต้นทุนสูงขึ้นเรื่อยๆ สำหรับ AI แบบเอเจนต์ วอลเตอร์ กูดวิน CEO กล่าวว่าเงินทุนนี้จะทำให้สตาร์ทอัพสามารถส่งมอบชิปและระบบชุดแรกได้ในปีหน้า

  5. TechCrunch · AI58

    CoreWeave ใช้เงินจ่ายล่วงหน้าจากลูกค้าและสัญญาระยะสั้นลงเพื่อระดมทุนสร้างโครงสร้างพื้นฐาน AI

    CoreWeave ระบุในผลประกอบการไตรมาสที่สามว่าบริษัทกำลังขอให้ลูกค้าจ่ายเงินล่วงหน้ามากขึ้น กู้ยืมโดยใช้สัญญาเฉพาะเป็นหลักประกัน และทำสัญญาระยะสั้นลง เพื่อระดมทุนสำหรับการขยายโครงสร้างพื้นฐาน AI บริษัทรายงานรายได้ 3.66 พันล้านดอลลาร์ เพิ่มขึ้น 168% เมื่อเทียบปีต่อปี พร้อมขาดทุนสุทธิ 709 ล้านดอลลาร์ และดอกเบี้ยจ่ายรายไตรมาส 846 ล้านดอลลาร์ และคาดว่าจะมีเงินจ่ายล่วงหน้าและเงินฝากจากลูกค้าประมาณ 9 พันล้านดอลลาร์ในสามเดือนข้างหน้า เทียบกับ backlog 132.5 พันล้านดอลลาร์ CEO Michael Intrator กล่าวว่า CoreWeave จะไม่ใช้ตลาดหนี้ไม่มีหลักประกันที่อัตราผลตอบแทนปัจจุบัน ขณะที่กำลังการผลิตระยะสั้นขายได้มากกว่า 40 ล้านดอลลาร์ต่อเมกะวัตต์ต่อปี เทียบกับ 20-25 ล้านดอลลาร์สำหรับสัญญา 4 และ 5 ปี

  6. 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

  7. 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。

  8. 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。

  9. The Decoder71

    ElevenLabs เปิดตัวโมเดลถอดเสียงเป็นข้อความ Scribe v3 และ Scribe v3 Live

    ElevenLabs เปิดตัวโมเดลถอดเสียงเป็นข้อความสองรุ่น ได้แก่ Scribe v3 สำหรับไฟล์เสียงที่บันทึกไว้ และ Scribe v3 Live สำหรับการใช้งานแบบเรียลไทม์ที่มีความหน่วงต่ำ ทั้งสองรุ่นใช้งานได้ผ่านอินเทอร์เฟซสำหรับนักพัฒนา ElevenAPI และแพลตฟอร์ม ElevenAgents บริษัทระบุว่า Scribe v3 ลดข้อผิดพลาดระดับคำได้ประมาณ 25 เปอร์เซ็นต์เมื่อเทียบกับรุ่นก่อนหน้าข้าม 102 ภาษา และ Scribe v3 Live ใช้บริบทของการสนทนาเพื่อ判斷ว่าผู้พูดพูดจบจริงหรือไม่ แทนที่จะพึ่งตัวจับเวลาการหยุดชั่วคราว ผลการทดสอบมาตรฐานอิสระจาก Artificial Analysis จัดให้ Scribe v3 อยู่ในกลุ่มโมเดลถอดเสียงที่แม่นยำที่สุด เป็นรองเพียงโมเดลพรีวิวของ Alibaba แต่พบว่ามีความเร็วด้อยกว่าและมีราคา 3.33 ดอลลาร์ต่อ 1,000 นาที

  10. Latent Space58

    การปฏิวัติ Jev: วิศวกรจาก Glean, UiPath และ Workday สร้างสรรค์ด้วยโมเดล System One อย่างไร

    ในงาน AI Engineer Code Summit Diogo Almeida CEO ของ TypeSafe AI ได้โต้แย้งว่าโมเดล system one เช่น Jev ซึ่งส่งคืนตัวเลือกที่มีโครงสร้าง คะแนน หรือความน่าจะเป็นแทนข้อความที่สร้างขึ้น ควรถูกเรียกใช้โดยตรงจากโค้ดแอปพลิเคชันเพื่อทำงานอัตโนมัติได้อย่างน่าเชื่อถือยิ่งขึ้น Chinmay Goyal จาก Glean กล่าวว่า Jev เหมาะกับความยืดหยุ่นแบบ zero-shot เพราะการเปลี่ยนแปลงอนุกรมวิธานการตัดสินใจไม่จำเป็นต้อง fine-tuning ซ้ำแล้วซ้ำเล่า ขณะที่ UiPath สาธิตการจัดอันดับชิ้นส่วนเอกสารด้วย Jev ผ่านการเรียกแบบทัวร์นาเมนต์ที่เสร็จสิ้นภายในเวลาไม่ถึงหนึ่งวินาที Scott Roberts จาก Workday สาธิตอินเทอร์เฟซที่กรอกการ์ดลาพักร้อนขณะผู้ใช้พิมพ์ ซึ่งเขาอธิบายว่าเป็นการเปลี่ยนจากการคาดเดาสิ่งที่คุณต้องการจะพูดไปสู่การคาดเดาสิ่งที่คุณต้องการจะทำ

  11. 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

  12. 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

  13. 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

  14. 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

  15. 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

  16. 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

  17. 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

  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. 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

  20. 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

  21. 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

  22. 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

  23. 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

  24. 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

  25. MarkTechPost74

    Google เปิดตัว Gemini Decisions API พร้อม Gemini Decision 1 ในราคา $0.10 ต่อ 1M โทเคน

    Google เปิดตัว Gemini Decisions API ซึ่งขับเคลื่อนโดยโมเดลใหม่ชื่อ Gemini Decision 1 (gemini-decision-1) ที่ไม่สร้างข้อความ แต่ให้คะแนนคำถามแบบมีชนิดได้สูงสุด 1,000 ข้อเทียบกับอินพุตที่แชร์ร่วมกันหนึ่งรายการ และคืนค่าความน่าจะเป็นที่ปรับเทียบแล้ว โดยอ่านข้อความ รูปภาพ เสียง วิดีโอ และ PDF ในรอบ prefill เดียว รองรับคำถามชนิดใช่/ไม่ใช่ ตัวเลือก และคะแนน ราคาอยู่ที่ $0.10 ต่อ 1M โทเคนอินพุต โดยไม่คิดค่าตัวอย่างเอาต์พุต Google รายงานบริบท 262,144 โทเคน ความหน่วงตั้งแต่ต้นจนจบ 150-250 ms และ top-1 ECE ที่ 0.0250 ซึ่งประมาณครึ่งหนึ่งของ TypeSafe Jev 1.14 แม้ว่าจะตามหลัง Jev ใน benchmark When2Call (79.9% vs 82.0%) และมีราคาต่อโทเคนสูงกว่า ($0.10 vs $0.042)

  26. Simon Willison58

    AWS เปิดตัวโปรแกรมจำลองอย่างเป็นทางการสำหรับทดสอบบริการโดยไม่ต้องใช้คีย์ API แบบเสียเงิน

    AWS ได้เปิดตัวโปรแกรมจำลองอย่างเป็นทางการที่ช่วยให้นักพัฒนาสามารถทดสอบกับสำเนาท้องถิ่นของบริการต่างๆ ได้โดยไม่ต้องจัดเตรียมคีย์ API แบบเสียเงิน โปรแกรมจำลองนี้เขียนด้วย Rust และมีคอมมิตสะสม 29,684 ครั้งในสามสัปดาห์แรกของโครงการ ตามโพสต์รับเชิญของ Swaminathan (Swami) Sivasubramanian บนบล็อกของ Werner Vogels ปัจจุบันต้องใช้ Docker บน macOS และ Windows และ Simon Willison หวังว่าจะมีไบนารีเดียวที่ดาวน์โหลดได้ตามมาเพื่อใช้ในชุดทดสอบมาตรฐานบนแพลตฟอร์มและภาษาต่างๆ

  27. 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