ข้ามไปที่เนื้อหา
เฉพาะ ผลิตภัณฑ์
  1. Hacker News · AI76

    AgentRun เปิดตัวแบบโอเพนซอร์ส: เพิ่มความสามารถในการพัฒนาตนเองและการประมวลผลแบบคงทนให้กับ Agent Harness ที่มีอยู่

    Parcha Labs ได้เปิดโอเพนซอร์ส AgentRun แพลตฟอร์มเอเจนต์ที่เพิ่มความสามารถในการพัฒนาตนเอง การประมวลผลแบบคงทน และคอนโซลบน Claude Code, Codex, OpenCode และ pi ภายใต้สัญญาอนุญาต Apache-2.0

    ทำไมเรื่องนี้สำคัญ: AgentRun เพิ่มความสามารถในการพัฒนาตนเอง การประมวลผลแบบคงทน และคอนโซลบน harness ที่มีอยู่ เช่น Claude Code และ Codex และนำเสนอกรณีศึกษาที่เป็นรูปธรรมซึ่งต้นทุนการตรวจโค้ดลดลงจาก $6,451 ต่อเดือนเหลือ 18 เซนต์ต่อการรัน

  2. 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

  3. 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

  4. 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

  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

  1. 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

  2. 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

  3. 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

  4. Claude Blog78

    Anthropic เปิดตัว Claude Meetings ในเวอร์ชันเบต้าสำหรับ Google Meet ในแพ็กเกจ Team และ Enterprise

    Anthropic เปิดตัว Claude Meetings ในเวอร์ชันเบต้า โดยให้ Claude เข้าร่วมการโทรผ่าน Google Meet ในฐานะผู้เข้าร่วมที่มองเห็นได้ ซึ่งสามารถตอบคำถามในแชท สร้างเอกสารและไวท์บอร์ดแบบเรียลไทม์ และจดบันทึกและรายการสิ่งที่ต้องทำ การประชุมแต่ละครั้งจะมีหน้าเพจใน claude.ai พร้อมบันทึกการถอดเสียง บันทึกย่อ และอาร์ติแฟกต์ และโดยค่าเริ่มต้น Claude จะไม่เข้าร่วมการโทรที่มีแขกภายนอก เว้นแต่ผู้ดูแลระบบจะอนุญาต เวอร์ชันเบต้านี้กำลังทยอยเปิดให้ใช้งานในแพ็กเกจ Team และ Enterprise แต่ไม่พร้อมใช้งานสำหรับบางองค์กร รวมถึงการตั้งค่า ZDR, HIPAA-ready และ CMEK และบันทึกย่อ บันทึกการถอดเสียง และคำตอบระหว่างการโทรนั้นฟรีในช่วงเบต้า

    ทำไมเรื่องนี้สำคัญ: การเปิดตัวเวอร์ชันเบต้าของ Anthropic แสดงให้เห็นว่าเอเจนต์การประชุมสามารถร่างเอกสาร ดึงข้อมูลจากเครื่องมือที่เชื่อมต่อ และจดบันทึกภายในระหว่างการโทรได้อย่างไร พร้อมกฎเริ่มต้นในการยกเว้นแขกภายนอก

  5. Claude Blog78

    Anthropic ตั้ง Claude Opus 5.5 เป็นโมเดลเริ่มต้นในแพ็กเกจ Pro, Max, Ultra และ Team

    Claude Opus 5.5 เป็นโมเดลเริ่มต้นใน Claude สำหรับแพ็กเกจ Pro, Max, Ultra และ Team แล้ว และ Anthropic แนะนำให้ใช้เป็นโมเดลหลักประจำวันสำหรับงานวิจัย การวิเคราะห์ และเอกสาร สไลด์ และสเปรดชีตที่เสร็จสมบูรณ์ Anthropic ระบุว่า Opus 5.5 ที่ระดับความพยายาม Medium ให้ผลเท่าหรือดีกว่า Opus 5 ที่ระดับ High ในการประเมินด้านการเขียนโค้ดและงานความรู้ และในการทดสอบวิเคราะห์การควบรวมกิจการภายใน ทำงานเสร็จใน 63 นาทีด้วยต้นทุนครึ่งหนึ่งของ Opus 5 ในงานเดียวกัน โพสต์ยังระบุการเปลี่ยนแปลงวิธีเขียนพรอมป์สำหรับโมเดลใหม่ รวมถึงการเลิกใช้คำสั่ง 'think hard' การเริ่มที่ระดับความพยายาม Medium และการแนบแผนภูมิแทนการพิมพ์ค่าซ้ำ

    ทำไมเรื่องนี้สำคัญ: คู่มือของ Anthropic เองอธิบายว่าเหตุใด Opus 5.5 จึงเป็นโมเดลเริ่มต้นสำหรับงานความรู้ประจำวัน และนิสัยการเขียนพรอมป์แบบใดที่ควรเลิกใช้กับโมเดลนี้

  1. Claude YouTube72

    Anthropic เปิดตัว Claude Whiteboards, Sheets และ Data สำหรับการทำงานร่วมกันเป็นทีม

    Anthropic เปิดตัว Claude Whiteboards และ Claude Sheets ในเวอร์ชันเบต้า พร้อมทั้งเปิดให้ใช้งาน Claude Dashboards ทั่วไปในชื่อ Claude Data โดย Whiteboards จะเปลี่ยนแผนที่พูดออกมาให้เป็นบอร์ดที่มีไทม์ไลน์ ผู้รับผิดชอบ และวันที่ ซึ่งทีมสามารถแก้ไขได้แบบเรียลไทม์ ส่วน Sheets จะสร้างสเปรดชีตที่มีแท็บ สูตร การจัดรูปแบบ และดรอปดาวน์ พร้อมสรุปการแก้ไขแต่ละครั้ง ขณะที่ Claude Data ช่วยให้ทีมข้อมูลรับรองคิวรีและสร้างเรื่องราวข้อมูลหรือวิดีโอบรรยายจากเมตริก โดยการแชร์แบบเรียลไทม์จะแสดงตัวเลขล่าสุด

    ทำไมเรื่องนี้สำคัญ: Claude เพิ่มไวท์บอร์ด สเปรดชีต และแดชบอร์ดข้อมูลที่แชร์ร่วมกัน ขยายพื้นที่ทำงานจากแชทไปสู่เอกสารของทีม

  2. Claude YouTube68

    Claude เปิดตัวตัวเชื่อมต่อแบบอินเทอร์แอกทีฟสำหรับ Adobe, Atlassian และ Box

    Claude รองรับตัวเชื่อมต่อแบบอินเทอร์แอกทีฟที่เปิดเครื่องมือเวอร์ชันเต็มภายใน Claude ทำให้ผู้ใช้สามารถทำงานใน Adobe, Atlassian และ Box ไปพร้อมกับการสนทนา และแก้ไขด้วยตนเองหรือขอให้ Claude แก้ไขให้ ในเดโม Claude เพิ่มสรุปให้กับแผนการเปิดตัวใน Confluence ใช้เอฟเฟกต์ dither กับรูปภาพใน Adobe และตรวจสอบแปลนพื้นเทียบกับมาตรฐานการออกแบบใน Box ก่อนบันทึกฉบับแก้ไขเป็นไฟล์ใหม่ ฟีเจอร์นี้กำลังทยอยเปิดให้ใช้บนเว็บและเดสก์ท็อป

    ทำไมเรื่องนี้สำคัญ: ตัวเชื่อมต่อแบบอินเทอร์แอกทีฟช่วยให้ Claude ทำงานภายในแอป Adobe, Atlassian และ Box ได้ แสดงให้เห็นว่ากระบวนการทำงานของเอเจนต์ย้ายจากการแชทไปสู่เครื่องมือของบุคคลที่สามแบบเต็มรูปแบบได้อย่างไร

  3. Google Developers Blog75

    Google เปิดตัว A2UI 1.0 โปรโตคอลเปิดที่เสถียรสำหรับ UI แบบเนทีฟที่เอเจนต์สร้างขึ้น

    Google เปิดตัว A2UI 1.0 เวอร์ชันเสถียรเวอร์ชันแรกของโปรโตคอลเปิดที่ให้ AI เอเจนต์ตอบกลับด้วยหน้าจอแบบอินเทอร์แอกทีฟที่เรนเดอร์โดยคอมโพเนนต์เนทีฟของแต่ละแอป เวอร์ชัน 1.0 เพิ่มการเรียกฟังก์ชันแบบสองทิศทาง การรองรับการเข้าถึง และเมทาดาทาส่วนขยาย พร้อมเรนเดอร์เรอร์โอเพนซอร์สสำหรับ React, Angular, Lit, Flutter, SwiftUI และ Jetpack Compose (เรนเดอร์เรอร์ Compose อยู่ที่ 0.9.1 โดย 1.0 จะตามมาเร็ว ๆ นี้) และเอเจนต์ SDK สำหรับ Python, TypeScript และ Dart Atlassian กำลังนำ A2UI ไปใช้ใน Jira, Alation เรนเดอร์ฟีดของตนด้วยสิ่งนี้ใน Claude และ ByteDance เปิดตัวเรนเดอร์เรอร์ Lynx ในเดือนมิถุนายน 2026 ซึ่งรองรับ 0.9 ในปัจจุบัน

    ทำไมเรื่องนี้สำคัญ: โปรโตคอล A2UI 1.0 ที่เสถียรของ Google ช่วยให้เอเจนต์ส่งคืนหน้าจออินเทอร์แอกทีฟแบบเนทีฟแทนกำแพงข้อความ พร้อมเรนเดอร์เรอร์สำหรับเว็บ Android และ iOS และผู้ใช้กลุ่มแรก ๆ รวมถึง Atlassian และ ByteDance

  1. Claude Blog78

    Claude เปิดแอปที่เชื่อมต่อข้างแชทและทำงานภายในแอปเหล่านั้น

    Anthropic กำลังทยอยอัปเดตที่ให้ตัวเชื่อมต่อแบบอินเทอร์แอกทีฟที่รองรับเปิดเครื่องมือแบบเต็มข้างบทสนทนาหรือแบบเต็มหน้าจอ และให้ Claude แก้ไขหน้า แถว หรือไฟล์ที่เปิดอยู่ได้ โดยผู้ใช้อนุมัติด้วยวิธีเดียวกับการดำเนินการของตัวเชื่อมต่อ การทยอยเปิดใช้นี้ครอบคลุมเว็บและแอป Claude เดสก์ท็อปในทุกแพ็กเกจ เริ่มจากเครื่องมืออย่าง Asana, Canva, Carta, Dropbox, monday.com, Smartsheet, Vercel และ Webflow โดยมี Figma, Harvey และ Shopify กำลังสร้างการเชื่อมต่อ ตัวเชื่อมต่อทำงานบน MCP Apps และตอนนี้ Claude รองรับส่วนขยายนั้นมากขึ้น เช่น เครื่องมือของแอปและไซต์ที่ฝังไว้ ในรูปแบบพับลิกพรีวิวสำหรับนักพัฒนา

    ทำไมเรื่องนี้สำคัญ: ตัวเชื่อมต่อของ Claude ตอนนี้เปิดเครื่องมือแบบเต็มข้างแชทและให้ Claude แก้ไขหน้า แถว และไฟล์ได้โดยตรง ด้วยขั้นตอนการอนุมัติเดียวกับการดำเนินการของตัวเชื่อมต่อ

  2. Google Developers Blog72

    Google AI Edge Gallery เพิ่มการรู้จำเสียงพูดและการสังเคราะห์เสียงบนอุปกรณ์

    Google ได้เปิดตัว Automatic Speech Recognition และ Text-to-Speech บนอุปกรณ์ใน Google AI Edge Gallery ทำให้แอปสามารถรัน ASR หลายภาษาและ TTS ที่แสดงอารมณ์ได้แบบออฟไลน์เต็มรูปแบบ ควบคู่กับ SLM บนอุปกรณ์อย่าง Gemini Nano และ Gemma 4 บน Android โมเดลเสียงพูดใหม่ของ ML Kit ถอดเสียงได้กว่า 100 ภาษาด้วยความเร็ว 10 เท่าของเวลาจริง โดยมี Word Error Rate 8.0% ถึง 9.0% บน FLEURS ขณะที่ TTS แบบ diffusion ไม่กี่ขั้นเริ่มพูดได้ในประมาณ 100 ms และสร้างเสียง 24 kHz ด้วยความเร็วสูงสุด 50 เท่าของเวลาจริง การรองรับข้ามแพลตฟอร์มมาผ่าน MediaPipe Tasks และ LiteRT พร้อมชุดน้ำหนักเปิด ได้แก่ Parakeet-TDT 0.6B, PocketTTS 100M, Kokoro-82M และ Phonon 31M ซึ่งสาธิตใน XR Language Teacher showcase และ AI Chat ที่รองรับเสียง

    ทำไมเรื่องนี้สำคัญ: Google เพิ่ม ASR และ TTS แบบออฟไลน์เต็มรูปแบบใน AI Edge Gallery โดย ML Kit รายงานการถอดเสียงกว่า 100 ภาษาที่ความเร็ว 10 เท่าของเวลาจริง และ TTS แบบ diffusion ที่เริ่มพูดได้ในประมาณ 100 ms

  1. NVIDIA Blog70

    NVIDIA เปิดตัว GR00T 2 world action model และ Isaac Lab 3.0 ที่ CoRL

    NVIDIA เปิดตัว GR00T 2 ซึ่งเป็น open world action model ที่สร้างบน Cosmos และฝึกด้วยข้อมูล egocentric ของมนุษย์ 100,000 ชั่วโมง พร้อมกับ Isaac Lab 3.0 และ benchmark หุ่นยนต์ใหม่ที่ CoRL GR00T 2 ทำภารกิจที่ประเมิน 40 จาก 50 ภารกิจได้สำเร็จอย่างน้อยหนึ่งครั้งโดยไม่ต้องมี demonstration เฉพาะภารกิจ และมีอัตราความสำเร็จเฉลี่ย 71% across 50 ภารกิจเมื่อมี demonstration หนึ่งครั้งต่อภารกิจ เพิ่มเป็น 95% เมื่อมีห้าครั้ง Isaac Lab 3.0 เพิ่มการผสานรวมฟิสิกส์ Newton สำหรับวัตถุที่เปลี่ยนรูปได้ และรายงาน throughput การฝึกได้สูงถึง 2.5 เท่าของ Isaac Lab 2.3 ที่ใช้ PhysX ใน benchmark การจัดการแบบ dexterous ที่อิงวิสัยทัศน์

    ทำไมเรื่องนี้สำคัญ: การเปิดตัวที่ CoRL ของ NVIDIA แสดงให้เห็นว่า simulation บวก world action model ตอนนี้มุ่งเป้าไปที่งานประกอบที่ละเอียดอ่อน โดยรายละเอียดของ GR00T 2 และ Isaac Lab 3.0 นั้นควรค่าแก่การเปรียบเทียบกับสแตกหุ่นยนต์ก่อนหน้า

  2. Google Developers Blog60

    Google Cloud MaxText เพิ่ม context parallelism สำหรับการฝึกโมเดลบริบทยาวบน TPU

    Google Cloud เปิดตัวการรองรับการฝึกโมเดลบริบทยาวใน MaxText v0.2.4 ซึ่งเป็นเฟรมเวิร์กการฝึกแบบโอเพนซอร์สบน JAX โดยเพิ่มกลยุทธ์ context-parallel สี่แบบบน Cloud TPU ได้แก่ All-gather, A2A (DeepSpeed Ulysses), P2P (Ring Attention) และไฮบริด A2A + P2P (USP) ผลทดสอบกับ Llama 3.1 8B ทำได้ 70% MFU บน TPU 5p ที่ความยาวลำดับสูงสุด 4 ล้านโทเคน และขยายบริบทได้ถึง 14 ล้านโทเคนทั้งบน TPU 5p และ TPU 7 โดย TPU 7 รักษาระดับ 50% MFU ที่ต่ำกว่า 6 ล้านโทเคน เวอร์ชันนี้เผยแพร่บน PyPI, ใน Docker images และบน GitHub main พร้อมสูตรตัวอย่างสำหรับ TPU 7 และ TPU 5p

    ทำไมเรื่องนี้สำคัญ: กลยุทธ์ context-parallel สี่แบบของ MaxText บน Cloud TPU พร้อมตัวเลข MFU จากผลทดสอบกับ Llama 3.1 8B ช่วยให้ทีมต่างๆ มีข้อมูลอ้างอิงที่ชัดเจนในการเลือกวิธีฝึกโมเดลที่ความยาวลำดับหลายล้านโทเคน

  3. Google Developers Blog62

    Google เปิดให้ใช้งาน Pathways โดยทั่วไปบน Google Cloud สำหรับการฝึกโมเดลขนาดใหญ่

    Google ประกาศความพร้อมใช้งานทั่วไป (General Availability) ของ Pathways ระบบการฝึกแบบกระจายสำหรับโมเดลขนาดใหญ่รวมถึง Gemini บน Google Cloud Platform โดย Pathways แทนที่การทำงานแบบ lockstep SPMD ด้วยไคลเอนต์ Python เดียวที่ประกาศการคำนวณทั้งหมดเป็น dataflow graph ขณะที่ runtime แบบกระจายจะวางบล็อกบนอุปกรณ์เสมือน ย้ายและ reshard เทนเซอร์ และจัดลำดับงานทั่วคลัสเตอร์ Google กล่าวว่าการออกแบบนี้ช่วยให้โฮสต์ที่ล้มเหลวถูก remap ไปยังชิปที่ทำงานปกติแทนการรีสตาร์ทงาน และบริการ Pathways ที่ใช้ร่วมกันสามารถให้บริการไคลเอนต์หลายรายจากคลัสเตอร์เดียว

    ทำไมเรื่องนี้สำคัญ: Google อธิบายว่าโมเดล single-controller ของ Pathways แตกต่างจาก SPMD อย่างไร และจัดการกับการถ่ายโอนเทนเซอร์ข้ามกลุ่ม การจัดตารางเวลา และการกู้คืนจากความล้มเหลวของโฮสต์อย่างไร

  1. Meta Newsroom · AI62

    Meta เปิดตัวฟีเจอร์เสียงแบบเรียลไทม์และอวตารที่แสดงอารมณ์ในแอป Muse

    Meta กำลังเปิดตัวการสนทนาด้วยเสียงแบบเรียลไทม์และอวตารที่แสดงอารมณ์ในแอป Muse บนมือถือ เว็บ และ Mac โดยเริ่มในสหรัฐฯ ผู้ใช้แตะไอคอนโทรศัพท์เพื่อพูดคุย สามารถขัดจังหวะการตอบกลับได้ และเลือกจากเสียงหลายร้อยแบบ พร้อมโหมดเสียงอย่างเดียว อวตาร หรือเต็มหน้าจอ ฟีเจอร์เสียงจะพร้อมใช้งานใน AI Glasses และ Muse Charm ในเร็วๆ นี้

    ทำไมเรื่องนี้สำคัญ: แอป Muse ของ Meta รองรับการสนทนาด้วยเสียงแบบเรียลไทม์พร้อมอวตารที่แสดงอารมณ์แล้ว สะท้อนให้เห็นว่าเสียงและการจัดการการขัดจังหวะกำลังเข้าสู่ผู้ช่วย AI สำหรับผู้บริโภค

  2. OpenClaw Blog69

    OpenClaw เปิดตัว Multiplayer สำหรับเอเจนต์และบริบทที่แชร์ร่วมกัน

    OpenClaw ได้เปิดตัว Multiplayer ซึ่งเป็นฟีเจอร์ฟรีและโอเพนซอร์สที่ให้หลายคนเชื่อมต่อกับเอเจนต์และเวิร์กสเปซ OpenClaw เดียวกันได้ โดยพรอมป์จะปรากฏแบบเรียลไทม์บนแล็ปท็อปหลายเครื่อง และคำขอต่างๆ จะถูกประสานงานผ่านคิวที่แชร์ร่วมกัน ในการสาธิตที่งาน GitHub Universe ในซานฟรานซิสโก ผู้เข้าร่วมสองคนแก้ไขฉาก 3D เดียวกันโดยพิมพ์พรอมป์บนเครื่องแยกกันโดยไม่ต้องระบุบริบทซ้ำ OpenClaw Foundation กล่าวว่ามีผู้คนกว่า 50 คนร่วมมือกันในสภาพแวดล้อมที่แชร์ร่วมกันเดียวกัน และกำลังขยายฟีเจอร์นี้อย่างต่อเนื่อง

    ทำไมเรื่องนี้สำคัญ: OpenClaw ทำให้การแชร์เอเจนต์และบริบทเดียวกันamongหลายคนเป็นฟีเจอร์ฟรีและโอเพนซอร์ส ซึ่งเสนอแนวทางที่สามารถนำไปปรับใช้ได้สำหรับปัญหาการสร้างบริบทซ้ำแล้วซ้ำเล่าในการทำงานร่วมกันเป็นทีม

อ่านครบทั้งหมดแล้ว