来源: oschina.net
43
袋鼠数据库工具 v9.6.1 已上线。它定位为一款 AI 驱动的数据库系统客户端，覆盖 MariaDB、MongoDB、MySQL、Oracle、PostgreSQL、Redis、SQLite、SQLServer 等常见数据库，并支持 Windows、macOS、Linux。对开发者来说，这类工具的价值不只是“连上数据库”，而是把建表、查询、模型、同步...
来源: postgr.es
39
PostgreSQL 扩展的价值不只在安装那一刻，也体现在升级、迁移和卸载时是否可靠。 1.0.5 是一个很小的维护版本，但它修复的问题很实际：从 1.0 开始，扩展对象被安装到独立 schema 后，自动生成的卸载脚本不再总是可用；1.0.5 让卸载流程重新工作，并且支持扩展被安装在不同 schema 名称下的场景。 是一组面向 PostgreSQL...
来源: aws.amazon.com
30
Anthropic 的 Claude Sonnet 5 已在 Amazon Bedrock 和 AWS 上的 Claude Platform 可用。对开发团队来说，这不是“又多了一个模型名”那么简单：Sonnet 系列通常被放在日常工程任务、代码生成、Agent 工作流和专业办公场景里，而这次 Sonnet 5 被定位为 Anthropic 最新一代的...
来源: huggingface.co
23
AI Agent 做代码演示很容易：改一个函数、补一个测试、生成一段样板代码。但企业里的 Java 框架迁移不是这种玩具任务。它通常意味着跨模块理解、依赖升级、注解替换、配置重写、测试修复，以及对运行时行为的谨慎验证。标题里的 ScarfBench 指向的正是这个更硬的问题：如何用企业 Java 框架迁移来评测 AI Agent。 企业 Java 项目...
来源: pytorch.org
37
LLM 后训练正在从“单机脚本调参”走向“分布式系统工程”。Miles 的定位很明确：用 PyTorch 原生的方式，把 SGLang 的 rollout、NVIDIA Megatron-LM 的训练、Ray 的编排能力组合起来，做大规模 LLM RL post-training，同时保留一个较小、可插拔的扩展面。 这类框架的价值不在于发明一个全新的训...
来源: aws.amazon.com
28
AI 代理如果只会返回一段文本，很快会撞到产品边界：用户需要确认操作、编辑中间状态、查看结构化结果，甚至让代理临时生成一个小界面。AG-UI 的价值就在这里：它把代理运行过程中的状态、事件和 UI 意图变成前端可以消费的协议层。来源文章讨论了 AG-UI 如何接入 Amazon Bedrock AgentCore 的 Fullstack AgentCo...
来源: aws.amazon.com
42
多账号架构里，Amazon Bedrock 模型访问常常卡在一个现实问题上：每个工作负载账号都要处理订阅、权限和治理。托管权益的思路是把“订阅一次、组织内分发访问”变成中心化流程，让中央账号负责模型订阅和授权，工作负载账号不再需要直接拥有 AWS Marketplace 相关权限。 在大型组织里，Bedrock 的使用者通常不是一个账号：研发、数据平台...
来源: aws.amazon.com
24
生成式 AI 应用上线后，最先暴露的往往不是 prompt 写得好不好，而是系统能不能扛住流量、限额和依赖波动：突发访问把模型配额打满，单一区域推理不可用，多租户场景里某个客户把大家的吞吐吃光。围绕 Amazon Bedrock，可以从托管能力开始做韧性设计，再逐步引入 LLM gateway，把多模型、多区域、多租户策略收敛到统一入口。 下面按工程落...
来源: aws.amazon.com
28
视觉特效里的 AI 换脸不是“跑一个模型”那么简单。镜头多、角色多、光照和表情变化复杂，训练时间会直接影响制作排期。Outpost VFX 的案例值得关注：他们把原本受单 GPU 限制的换脸训练流程迁移到 AWS 多 GPU 基础设施上，训练速度提升到约 8 倍，让模型迭代从瓶颈变成可调度的生产能力。 换脸模型训练通常会遇到三个硬问题： 数据量大：一个...
来源: aws.amazon.com
36
货运物流里的实体识别不是普通 NER。提单、航班、机场、ULD、商品描述、客户备注经常混着英文缩写、本地语言、行业黑话和不完整句子。来源文章分享了 IBS Software 使用 Amazon Bedrock 知识蒸馏能力构建双语货运 NER 的技术路线：用更强的教师模型生成 token 级标注，再训练更轻、更稳定、成本更可控的学生模型。 这类方案的价...