标签

LLM

Microsoft Foundry 进入生产级智能体阶段:前沿模型、亚太数据区与产品智能体

来源: azure.microsoft.com 43
Microsoft Foundry 此次更新把三项能力同时推向正式可用:OpenAI 最新前沿模型系列、Asia Pacific Data Zone,以及产品智能体能力。它们分别回应了生产系统最难处理的三个问题:模型能力是否足够、数据边界是否清晰、智能体能否真正接入业务流程。 这次变化的重点并不只是“多了一个模型”。当模型选择、区域治理和智能体运行能力...

PostgreSQL 做 AI 数据底座:用 C.A.L.M. 检查治理是不是真的落地

来源: postgr.es 37
企业 AI 治理最容易出问题的地方,往往不是模型团队写错了提示词,也不是合规团队没有流程,而是数据层和模型层之间的假设没人验证。数据工程、AI、平台、合规四个团队都在认真做事,但客户数据可能已经被复制到三套环境里:字段定义略有不同,访问控制略有不同,刷新频率也不同。模型层说“只给授权用户看”,数据层反问:“哪一份数据?按哪套权限?什么时候刷新?” 这正...

GPT-5.6 成为 Microsoft 365 Copilot 首选模型:办公 AI 的重心开始变了

来源: openai.com 36
Microsoft 365 Copilot 已将 GPT-5.6 作为首选模型,用来增强 Word、Excel、PowerPoint、Chat 和 Cowork 等场景里的 AI 能力。对开发者和企业技术团队来说,这不是单纯的“模型升级”新闻,而是一个信号:办公软件里的 AI 正在从辅助写几句话,转向跨文档、跨表格、跨协作流程的高质量工作流。 从来源摘...

GPT-5.6:把更难的任务交给按需扩展的智能

来源: openai.com 46
GPT-5.6 的核心叙事很直接:每个 token 提供更多智能、每美元获得更强性能,并且在最难的工作上可以按需调用更高能力。对工程团队来说,这不只是“模型更聪明”这么简单,而是会影响提示词设计、路由策略、成本预算和任务拆分方式。 “More intelligence from every token”意味着你不应该继续把上下文当垃圾桶。模型能力增强后...

ChatGPT Work:从聊天助手到能推进项目的工作型 Agent

来源: openai.com 40
ChatGPT Work 的重点不只是“回答问题更好”,而是把 ChatGPT 推向一种更接近同事的工作模式:它可以跨应用和文件采取行动,围绕一个目标持续工作数小时,并把模糊目标拆成可交付的结果。这对开发者和技术团队的影响很直接:AI 不再只停留在代码片段、摘要和建议层面,而是开始进入项目执行链路。 过去我们常把 ChatGPT 当成一个交互式工具:你...

GPT-5.5 Bio Bug Bounty:把生物安全测试做成可审计工程

来源: openai.com 31
OpenAI 的 Bio Bounty 计划把一个敏感问题摆到了工程台面上:如果模型在生物领域给出了不该给的能力、步骤或规避建议,应该如何被发现、复现、上报和修复。对开发者来说,这不只是“安全团队的事”,而是一次提醒:AI 安全测试需要像漏洞管理一样,有边界、有证据、有复现路径。 “Bio”这个关键词很重要。它指向的是生物安全相关风险,而不是模型回答某...

腾讯云 Agent Bucket:给海量智能体一个独立的 S3 工作空间

来源: oschina.net 41
腾讯云正式发布 Agent Bucket,也就是面向智能体场景的“智能体桶”。它要解决的问题很直接:当一个平台上跑着大量 Agent 时,每个 Agent 都会接收用户资料、生成报告、图片、代码和中间文件。如果这些产物仍然混在一套普通对象存储结构里,开发者很快就会被多租户隔离、权限边界、目录规范和清理策略拖住。 Agent Bucket 的核心价值,是...

AlloyDB 把一部分 LLM 调用搬进了数据库本地推理

来源: infoq.com 43
Google 将 AlloyDB AI functions 推到 GA,并引入了一种值得关注的 proxy model 架构:先用 LLM 的输出训练一个轻量本地模型,再把后续推理放在数据库内部执行。它瞄准的不是“让数据库变成通用大模型”,而是把某些高频、结构稳定、可被近似学习的 LLM 判断,从外部 API 调用变成数据库速度的本地计算。 这件事重要...

AlloyDB 把部分 LLM 调用搬回数据库:代理模型适合哪些查询

来源: infoq.com 38
Google 将 AlloyDB AI functions 推到 GA,同时引入了一种很实用的代理模型架构:先用 LLM 输出训练一个轻量本地模型,再把后续推理放在数据库内部执行。这个变化的重点不是“数据库也能聊 AI”,而是把一类高频、结构化、可近似的 LLM 判断,从外部 API 调用变成接近数据库速度的本地推理。 传统做法里,应用或数据库函数每处...