来源: aws.amazon.com
41
监督微调的数据准备并不止于清洗格式和删除重复项。进入进阶阶段后，更重要的问题是：现有数据是否足够、下一批数据应该补什么、合成样本是否真的有增益，以及如何加入新能力而不让模型遗忘原有能力。 这些问题不能只靠数据量回答。更可靠的方法是把学习曲线、子集选择、合成与蒸馏数据、数据源混合放进同一个迭代闭环，并始终用独立评测集验证结果。 学习曲线的做法很直接：从训...
来源: aws.amazon.com
45
监督微调（SFT）的效果上限，往往在训练开始前就已经确定了。模型并不会自动修复含糊的指令、错误的答案、混乱的对话结构或不一致的工具调用格式；它只会尽可能学习数据中反复出现的模式。 因此，数据准备不应被看成把几段文本转换成 JSONL 的机械步骤，而应当包括质量检查、统一格式、明确推理与工具调用结构，以及构造有代表性的训练集和评测集。 高质量 SFT 数...
来源: cloud.google.com
34
数据库切换、可用区故障和网络路径抖动，往往不是架构图上最难的一部分。真正困难的是证明应用在这些事件发生时会按照预期工作。Google Cloud Fault Injection Testing（FIT）在预览阶段提供了原生的故障注入能力，让开发者和架构师可以用实验模板自动化定义故障、目标资源、持续时间和恢复动作。 在自建数据中心中，团队通常可以直接控制...
来源: cloud.google.com
35
Open Knowledge Format（OKF）解决了一个重要问题：如何用可移植的 Markdown 和 YAML frontmatter 描述 Agent 所需的上下文，并通过 provenance、verification、freshness、attestation 等信号判断这份上下文是否值得信任。但当知识包从一个团队扩展到整个组织时，单独维...
来源: cloud.google.com
47
当数据分析、AI 工作负载和分布式应用不断把数据推向云端，网络链路就不再只是“带宽够不够”的问题。对 Uber 这样的全球化平台而言，真正的挑战是：在大规模数据传输制造拥塞时，如何保证订单、实时服务和其他关键业务流量仍然稳定运行。 Uber 与 Google Cloud 合作，成为 Cloud Interconnect 应用感知能力的早期设计伙伴。通过...
来源: azure.microsoft.com
27
Agent 成本优化不一定要从重写工作流、删减工具或修改推理步骤开始。来源摘要指出，Microsoft Foundry 提供了四个作用于每次请求的杠杆，而且这些优化可以发生在 Agent 逻辑执行之前。这意味着团队可以先在统一请求入口控制成本，再决定是否改动业务代码。 摘要没有列出四个杠杆的具体名称。下面不把某组产品配置冒充为原文结论，而是给出一种可以...
来源: aws.amazon.com
32
当 AgentCore 代理和知识库位于不同 AWS 账户时，企业不必复制源数据，也不必把分析型数据迁移到代理所在账户。通过跨账户 IAM 授权，可以让一个账户中的 Amazon Bedrock AgentCore 代理调用另一个账户中的 Amazon Bedrock Knowledge Base，并从由 Amazon Redshift Serverl...
来源: infoq.com
44
数据平台接入一个新数据集，真正耗时的往往不是复制文件，而是反复确认字段、分类级别、处理步骤、质量规则和责任人，再把这些要求写进一套专用代码。AWS 介绍的规格驱动组合（specification-driven composition）换了一个切入点：用声明式规格表达意图，把实际处理交给可复用能力，并在执行前完成验证。AWS 报告称，这种方式可以把数据集...
来源: cloud.google.com
46
企业开始把大量 AI 智能体接入业务系统，基础设施面对的已不只是推理流量增长。智能体会持续调用模型、数据库和内部应用，负载既消耗 GPU、TPU 等稀缺资源，又具有明显的突发性。若仍把应用绑定到单一机型、单一区域或整块加速卡，结果通常是两个极端：高峰期申请不到容量，低谷期则有大量资源闲置。 动态容量管理的核心不是无限扩容，而是把需求分成可预测与不可预测...
来源: cloud.google.com
33
AI Agent 开始承担持续运行、批量执行和多步骤协作的任务后，企业面对的成本问题已经不同于传统的软件订阅。业务用户可能每天稳定使用生产力工具，开发团队却可能在发布前集中运行大量代码 Agent，后台 Agent 还会在夜间持续消耗模型推理资源。只按“每个用户多少钱”来管理，往往看不见真实的运行成本，也很难在创新和预算之间取得平衡。 面向 Gemin...