Tamnoon 如何基于 Amazon Bedrock 构建用于云安全修复的 Tami
Tamnoon 基于 Amazon Bedrock 构建了 Tami，这是一款智能体云修复编排器，可调查云安全发现、评估修复是否安全，并在防护措施和治理机制下编排修复流程。该公司称，90 天内关键云暴露风险降低了 90% 以上，且未出现生产问题。
全部动态 · 今日0条
#Anthropic
信源抓到、进了内容池的全部内容，按时间排列；精选只是其中一部分。
一手
模型厂商、公司和研究机构自己发布的消息：官网、官方博客和官方账号。
AWS Machine Learning Blog44 AWS Machine Learning Blog精选63 Orca Security 使用 Amazon Bedrock 处理自然语言安全查询
Orca Security 与 AWS 合作，基于 Amazon Bedrock 构建了 Discovery AI，可将自然语言问题转换为经过验证的 Sonar 查询，覆盖 900 多种云基础设施和应用模型。其架构结合了示例检索与重排序、相关架构选择、智能体生成和验证，并由领域专家持续更新示例库。与最初的基线相比，Orca 报告称成本降低了 90%，输入令牌减少了 93%，延迟降低了 75%，响应时间从约 60 秒缩短至 15 秒。
推荐理由：该架构提供了一种可迁移的方法来查询大型架构：检索经过验证的示例、选择相关架构片段，并将验证错误反馈给生成流程。
AWS Machine Learning Blog精选75 使用 Amazon Bedrock 上的 Grok 4.7 构建长周期智能体
AWS 展示了如何使用 Amazon Bedrock 上的 Grok 4.7 构建和评估工具调用智能体，并在三项合成任务中比较四种推理力度。该智能体在 72 次运行中有 67 次回答正确；xhigh 为 18 次全对，而 low 答对 18 次中的 15 次，输出 token 数约为前者的八分之一。本指南涵盖任务设计、自动评分、生产监控和运维控制，并指出这些小规模结果仅供参考，不足以得出统计学上确凿的结论。
推荐理由：答案可验证且唯一的任务，加上重复运行，为比较推理力度提供了一种可复用的方法；分别测量正确性和 token 数，则能具体体现两者之间的权衡。
Microsoft Research精选65 模拟学生学习，改进 AI 辅导
微软研究院推出 StudentSim，这是一套研究系统，利用公开可用且已去标识化的学习者记录训练个性化学生模拟器，以评估和改进 AI 辅导工具。StudentSimEval 在国际象棋、英语作为第二语言的写作和数学领域，衡量行为保真度和对指导的响应能力；在这些领域，StudentSim 的表现均优于领先基线。在一项国际象棋辅导研究中，使用 StudentSim 反馈进行训练的准确率达到 90.5%，而不使用强化学习时为 75.7%，使用 GPT-5.4 反馈时为 71.6%；对真实学习者开展研究仍不可或缺，论文和代码均已公开。
推荐理由：同时评估模拟学习者的起始能力及其对指导的反应，为评估辅导反馈提供了一种具体方法，评估范围超越了解释本身是否正确。
AWS Machine Learning Blog28 AWS 9 月回顾：Amazon Bedrock、AgentCore 与 Strands 更新一览
Amazon Bedrock 上线 OpenAI 的 GPT-6 Astra、Sol、Luna 系列模型，其中 GPT-6 Astra 支持最高 100 万输入 token，Ultrafast 版本 API 推理速度最高提升 6 倍、达 300 tokens/秒。
NVIDIA Blog38 NVIDIA Omniverse 如何用前沿 AI 智能体把想法变成仿真应用
NVIDIA 开发者正用 GPT-6 Astra、Claude Fable 5 等前沿模型驱动 Omniverse 库，通过自然语言指令搭建仿真应用。案例包括仓库人形机器人模拟器、Market Street 自动驾驶测试环境、数字孪生传感器校验，以及 Unitree G1 人形机器人跨栏实验——100 次仿真中成功 64 次。
AWS Machine Learning Blog精选71 Claude Haiku 5.5 上线 Amazon Bedrock 与 Claude Platform on AWS
AWS 宣布 Claude Haiku 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上线。
推荐理由：AWS 官方给出 Haiku 5.5 的定位、成本变化与调用方式，读者可据此判断它在多智能体分层中的位置。
AWS Machine Learning Blog36 在 AWS GovCloud 中用 Claude Code 与 Amazon Bedrock 运行受监管工作负载
Anthropic 的 Claude Opus 5.5、Claude Sonnet 5.5 和 Claude Sonnet 5 已上线 AWS GovCloud (US) 区域的 Amazon Bedrock，为 ITAR 等受监管工作负载提供 AI 辅助开发通道。
AWS Machine Learning Blog36 用 Amazon Bedrock AgentCore 为 Claude Desktop 添加安全 Web Search
通过 Amazon Bedrock AgentCore 的 AgentCore Gateway，可将 Claude Desktop 接入由亚马逊网页索引支持的 Web Search，查询流量全程留在 AWS 内，无需外部 API key。
AWS Machine Learning Blog36 如何在 AWS 上为 Claude Platform 配置多环境访问
针对 Claude Platform on AWS（CPonAWS），一套完整实现方案可让生产 AWS 工作负载、开发者笔记本和外部 CI/CD 三类环境共享同一订阅，并通过 workspace 隔离生产与开发流量。方案采用专用 AI Services 账户加跨账户 SigV4、workspace 级 API key 和 OIDC 联合三种访问路径，其中外部环境使用短期凭证、无需持久密钥。
AWS Machine Learning Blog精选62 Claude Sonnet 5.5 上线 Amazon Bedrock 与 Claude Platform on AWS
AWS 宣布 Claude Sonnet 5.5 在 Amazon Bedrock 和 Claude Platform on AWS 上可用，定位为面向编码与知识工作的更高效 Sonnet 模型，多数任务单任务成本更低、速度更快。
推荐理由：原文交代了 Sonnet 5.5 在编码与文档任务上的改进，并给出与 Opus 5.5 的分工和 Bedrock 接入方式。
AWS Machine Learning Blog22 Amazon Bedrock 将 Claude Opus 5、Sonnet 5、Haiku 4.5 的印度境内推理能力扩展至印度区域
Amazon Bedrock 在印度上线 Anthropic 的 Claude Opus 5、Claude Sonnet 5 和 Claude Haiku 4.5，通过地理跨区域推理让数据在印度境内处理。
AWS Machine Learning Blog22 Amazon Bedrock 在首尔和新加坡上线 Anthropic Claude 模型区域内推理
Amazon Bedrock 现支持在首尔区域使用 Claude Opus 5 和 Claude Sonnet 5、在新加坡区域使用 Claude Sonnet 5 进行区域内推理，请求与数据全程不离开所调用的 AWS 区域。
AWS Machine Learning Blog28 用 Amazon Quick 和 Amazon Bedrock AgentCore 构建 AI 合同智能平台
针对 RAG 语义检索无法回答跨数百份合同的聚合问题，该方案改用结构化抽取：Claude Sonnet 系列模型驱动的抽取智能体从每份 PDF 中提取 8 个关键字段并附置信度，轻量 Claude Haiku 模型独立复核，签名识别分歧由 Amazon Textract 用计算机视觉裁定。
Hugging Face Blog34 英国 AISI 如何用 EvalEval 基础设施让评测结果可复现
英国 AI Security Institute（AISI）正采用 EvalEval 的 Every Eval Ever schema 和 Evaluation Cards 平台公开分享评测结果，以提升评测科学的可复现性。
Hugging Face Blog精选71 Hugging Face 发布 funes：给编码智能体一个自己拥有的记忆层
Hugging Face 发布 funes，一个面向 Claude Code、Codex、pi 和 Hermes 的持久记忆层，从本机已有会话构建索引，一条命令即可接入智能体。
推荐理由：funes 把编码智能体的会话轨迹变成可检索的本地记忆，并给出跨机器、跨智能体共享的绑定方式。
Hugging Face Blog22 GPU 管理：为什么闲置 GPU 正在成为新的停飞客机
Hugging Face 博客指出，AI 的下一个真正约束是 GPU 利用率而非模型智能。GPU 成本按日历小时累积、产出却只按计算小时计，企业自购 GPU 后集群上线即面临"能否让它们保持忙碌"的新问题。文章以航空业利用率为类比，称即便满负荷的集群也可能浪费大部分潜力，因为 GPU 全天运行而需求并非如此。
Google Research40 Google 用高温超导研究问题测试 LLM：NotebookLM 表现最佳
Google 与康奈尔大学合作，让 GPT-4o、Perplexity、Claude 3.5、Gemini Advanced Pro 1.5、NotebookLM 和一套自建 RAG 系统回答 67 道高温超导专家级问题，由国际专家小组按六个维度盲评打分。