搜索“AWS”

AWS称Amazon Connect连续第四年获评CCaaS魔力象限领导者

AWS于2026年10月28日宣布,其Amazon Connect连续第四年被2026年Gartner联络中心即服务(CCaaS)魔力象限评为领导者。AWS在官方博客中介绍,Amazon Connect以客户上下文结合生成式与智能体AI,强调把复杂问题一路推进到解决而非只做转接,且每一步操作可审计、必要时由人工介入。目前该消息仅有AWS官方来源,尚无其他独立报道或后续进展。

AWS称Amazon Connect连续第四年获评CCaaS魔力象限领导者

AWS于2026年10月28日宣布,其Amazon Connect连续第四年被2026年Gartner联络中心即服务(CCaaS)魔力象限评为领导者。AWS在官方博客中介绍,Amazon Connect以客户上下文结合生成式与智能体AI,强调把复杂问题一路推进到解决而非只做转接,且每一步操作可审计、必要时由人工介入。目前该消息仅有AWS官方来源,尚无其他独立报道或后续进展。

查看事件：AWS称Amazon Connect连续第四年获评CCaaS魔力象限领导者

AWS发布SageMaker SDK v3边缘视觉模型生命周期方案

2026年10月27日,AWS发布基于SageMaker Python SDK v3的车队级边缘计算机视觉模型生命周期方案。该方案以SageMaker Neo取代已弃用的SageMaker Edge Manager进行边缘优化,并以双分支SageMaker Pipeline为每台摄像头训练异常检测器和ResNet18缺陷分类器,经质量门禁后编译并注册到Model Registry,由Step Functions控制车队训练节奏。AWS表示,在合成数据上完整跑一次流水线计算成本约0.07美元。目前尚无后续进展。

AWS发布基于SageMaker SDK v3的边缘视觉模型生命周期方案

2026年10月27日,AWS发布基于SageMaker Python SDK v3的车队级边缘计算机视觉模型生命周期方案。该方案以SageMaker Neo取代已弃用的SageMaker Edge Manager进行边缘优化,并以双分支SageMaker Pipeline为每台摄像头训练异常检测器和ResNet18缺陷分类器,经质量门禁后编译并注册到Model Registry,由Step Functions控制车队训练节奏。AWS表示,在合成数据上完整跑一次流水线计算成本约0.07美元。目前尚无后续进展。

查看事件：AWS发布SageMaker SDK v3边缘视觉模型生命周期方案

Jassy称AWS大部分产能已预订至2028年

亚马逊CEO Andy Jassy表示,AWS大部分产能已预订至2028年。他在Andreessen Horowitz播客访谈中透露,AWS 2026年大型运算产能已全部被预订,2027年基本售罄,2028年也有相当大一部分被客户提前锁定。Jassy提到,亚马逊今年早些时候披露2026年资本支出将达约2200亿美元,主要投向数据中心、服务器及网络设备;但他同时称数据中心、电力和内存资源紧张,短缺可能不会在2027年结束。他还表示,AWS前1000大EC2客户中已有99%使用自研处理器Graviton,Trainium芯片性价比比同级处理器高约30%至40%,而AI推理成本仍需下降约十倍才能推动企业级规模化应用。

Jassy称AWS大部分产能已预订至2028年

亚马逊CEO Andy Jassy表示,AWS大部分产能已预订至2028年。他在Andreessen Horowitz播客访谈中透露,AWS 2026年大型运算产能已全部被预订,2027年基本售罄,2028年也有相当大一部分被客户提前锁定。Jassy提到,亚马逊今年早些时候披露2026年资本支出将达约2200亿美元,主要投向数据中心、服务器及网络设备;但他同时称数据中心、电力和内存资源紧张,短缺可能不会在2027年结束。他还表示,AWS前1000大EC2客户中已有99%使用自研处理器Graviton,Trainium芯片性价比比同级处理器高约30%至40%,而AI推理成本仍需下降约十倍才能推动企业级规模化应用。

查看事件：Jassy称AWS大部分产能已预订至2028年

AWS将Continuum代码漏洞检测与修复功能正式可用

AWS于2026年10月23日将Continuum的代码漏洞检测与修复功能正式开放使用。该服务可在代码仓库中查找并验证漏洞,结合AWS环境信息判断攻击者能否触达漏洞及可进一步访问的资源,按业务影响排序并给出修复建议;在隔离沙箱中复现漏洞时提供PoC代码和复现步骤,修复以Pull Request形式提交到关联的GitHub仓库,需人工审核后才会应用。目前该功能仅在美国东部(弗吉尼亚北部)和美国西部(俄勒冈)区域提供。AWS在10月5日公布的基准测试中称,Continuum在CyberGym-E2E上完成920项任务中的819项,端到端成功率为89.0%,此前公开最高成绩为65.9%;但补丁同时修复基准所指定历史漏洞的比例仅为37.8%,此前公开最高为26.2%。该基准只覆盖139个开源项目中的C/C++内存安全漏洞,且测试由AWS自行执行。

AWS将Continuum代码漏洞检测与修复功能正式可用

AWS于2026年10月23日将Continuum的代码漏洞检测与修复功能正式开放使用。该服务可在代码仓库中查找并验证漏洞,结合AWS环境信息判断攻击者能否触达漏洞及可进一步访问的资源,按业务影响排序并给出修复建议;在隔离沙箱中复现漏洞时提供PoC代码和复现步骤,修复以Pull Request形式提交到关联的GitHub仓库,需人工审核后才会应用。目前该功能仅在美国东部(弗吉尼亚北部)和美国西部(俄勒冈)区域提供。AWS在10月5日公布的基准测试中称,Continuum在CyberGym-E2E上完成920项任务中的819项,端到端成功率为89.0%,此前公开最高成绩为65.9%;但补丁同时修复基准所指定历史漏洞的比例仅为37.8%,此前公开最高为26.2%。该基准只覆盖139个开源项目中的C/C++内存安全漏洞,且测试由AWS自行执行。

查看事件：AWS将Continuum代码漏洞检测与修复功能正式可用

LMSYS发布SGLang AWS Trainium插件Beta

2026年10月22日,LMSYS与AWS合作发布SGLang Trainium插件Beta,该插件基于新发布的TorchNeuron构建,在Trainium2和Trainium3上支持LLM推理服务与RL rollout生成。初始覆盖Qwen3(dense)、Qwen3-MoE-30B-A3B、DeepSeek-V2-Lite、GLM-4和GLM-5.2/5.3,并支持数据并行、张量并行、专家并行、Radix Cache、BF16/FP8和异步调度。首次端到端异构RL运行中,SGLang在Trainium3上为Qwen3-MoE-30B-A3B生成rollout,Miles在单台H200节点上用Megatron训练GRPO策略。Beta目前仅限少量团队参与。次日,Amazon宣布开源TorchNeuron,这是一个把PyTorch代码转换为可在AWS Trainium上执行的操作的后端,已在其他加速器上运行的PyTorch代码几乎无需改动即可迁移。

AWS发布在SageMaker AI上为TTS推导自动扩缩容目标的教程

AWS于2026年10月23日发布教程,介绍在Amazon SageMaker AI上为TTS推导自动扩缩容目标的方法。教程以自定义容器在SageMaker AI实时端点部署82M参数的TTS模型Kokoro-82M,用实测的Q_max(单实例在SLO内可承受的最高并发)和T_total(一次扩容端到端耗时)推算扩容阈值、缩容阈值与冷却时间,替代凭猜测设定的目标值。方案基于SageMaker AI原生发布的ConcurrentRequestsPerModel指标扩缩容,避免自定义指标无人上报的隐性故障。目前尚无后续发展。

AWS发布在SageMaker AI上为TTS推导自动扩缩容目标的教程

AWS于2026年10月23日发布教程,介绍在Amazon SageMaker AI上为TTS推导自动扩缩容目标的方法。教程以自定义容器在SageMaker AI实时端点部署82M参数的TTS模型Kokoro-82M,用实测的Q_max(单实例在SLO内可承受的最高并发)和T_total(一次扩容端到端耗时)推算扩容阈值、缩容阈值与冷却时间,替代凭猜测设定的目标值。方案基于SageMaker AI原生发布的ConcurrentRequestsPerModel指标扩缩容,避免自定义指标无人上报的隐性故障。目前尚无后续发展。

查看事件：AWS发布在SageMaker AI上为TTS推导自动扩缩容目标的教程

LMSYS发布SGLang AWS Trainium插件Beta

2026年10月22日,LMSYS与AWS合作发布SGLang Trainium插件Beta,该插件基于新发布的TorchNeuron构建,在Trainium2和Trainium3上支持LLM推理服务与RL rollout生成。初始覆盖Qwen3(dense)、Qwen3-MoE-30B-A3B、DeepSeek-V2-Lite、GLM-4和GLM-5.2/5.3,并支持数据并行、张量并行、专家并行、Radix Cache、BF16/FP8和异步调度。首次端到端异构RL运行中,SGLang在Trainium3上为Qwen3-MoE-30B-A3B生成rollout,Miles在单台H200节点上用Megatron训练GRPO策略。Beta目前仅限少量团队参与。次日,Amazon宣布开源TorchNeuron,这是一个把PyTorch代码转换为可在AWS Trainium上执行的操作的后端,已在其他加速器上运行的PyTorch代码几乎无需改动即可迁移。

查看事件：LMSYS发布SGLang AWS Trainium插件Beta

AWS解决方案架构团队构建多智能体系统Deep Insight

AWS解决方案架构团队构建并开源了多智能体系统Deep Insight,该系统可将CSV数据与自然语言提示转化为带引用的.docx分析报告。系统由Coordinator、Planner、Supervisor、Coder、Validator、Reporter、Tracker等八个智能体分层协作,基于Strands Agents SDK的Graph与Agents-as-Tools模式控制执行流,并按角色分别选用Claude Haiku、Opus和Sonnet。生产部署依托Amazon Bedrock AgentCore运行时,LLM生成的代码在AWS Fargate的按会话临时容器中隔离执行,配套Web UI与Ops仪表盘。目前该事实仅有AWS Machine Learning单一来源报道,尚无后续发展事实。

AWS解决方案架构团队构建多智能体系统Deep Insight

AWS解决方案架构团队构建并开源了多智能体系统Deep Insight,该系统可将CSV数据与自然语言提示转化为带引用的.docx分析报告。系统由Coordinator、Planner、Supervisor、Coder、Validator、Reporter、Tracker等八个智能体分层协作,基于Strands Agents SDK的Graph与Agents-as-Tools模式控制执行流,并按角色分别选用Claude Haiku、Opus和Sonnet。生产部署依托Amazon Bedrock AgentCore运行时,LLM生成的代码在AWS Fargate的按会话临时容器中隔离执行,配套Web UI与Ops仪表盘。目前该事实仅有AWS Machine Learning单一来源报道,尚无后续发展事实。

查看事件：AWS解决方案架构团队构建多智能体系统Deep Insight

AWS在SageMaker HyperPod上微调GPT-OSS-20B

AWS 团队于 2026 年 10 月 21 日介绍在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B 的工作,目标是解决该模型只用英文推理的问题。据其说明,基座模型在 50 例多语言推理测试中仅 22% 使用正确目标语言,其中英语 100%、法语 0%、德语 10%、西班牙语 0%、意大利语 0%。训练采用 LoRA,数据为 HuggingFaceH4/Multilingual-Thinking,约 949 条训练样本、50 条验证样本,方法上结合 SFT 与 GRPO。其结论是 SFT 承担大部分工作,GRPO 只有在模型已有一定概率产出目标行为时才能带来可测量的增益。目前该工作以 AWS 官方技术介绍形式发布,尚无后续进展。

AWS介绍在SageMaker HyperPod上微调GPT-OSS-20B

AWS 微调 GPT-OSS-20B

查看事件：AWS在SageMaker HyperPod上微调GPT-OSS-20B

i14将自定义架构迁移到AWS Trainium2

i14 将其自定义架构迁移到 AWS Trainium2。2026 年 10 月 21 日,AWS Machine Learning 发布的信息显示,i14 与 AWS 合作,使用 TorchNeuron Native 在 AWS Trainium2 上训练并部署了基于 Gated Linear Attention 的 Laplace 3B 模型。单台 trn2.48xlarge 的训练吞吐约为 120,000 tokens/s;该模型每序列循环状态固定为 29.5 MB,不随上下文长度增长;推理在 1,280 并发序列下达到 11,544 output tokens/s。团队还通过 Muon 的 all_to_all 通信改造,将每卡通信量降低 24 倍、训练吞吐提升 1.63 倍。目前尚无后续发展事实。

查看事件：i14将自定义架构迁移到AWS Trainium2

AWS介绍用Keyfactor EJBCA与AWS服务保障AI代理身份

2026年10月21日,AWS介绍了一套使用Keyfactor EJBCA结合AWS服务保障AI代理身份的方案。据AWS Machine Learning发布的文章,AWS与Keyfactor联合发布参考架构,用Keyfactor EJBCA的X.509 PKI为AI智能体建立可验证、可撤销的加密身份,以弥补MCP缺少内置认证标准的缺口。该方案结合Amazon Bedrock、AWS Strands Agents SDK、AWS Secrets Manager和Amazon RDS,通过签名请求信封、用户签名委托断言、RFC 8693受众限定token与实时OCSP吊销检查四层机制,覆盖用户认证、智能体间通信和MCP工具调用三个信任边界。目前该方案以参考架构形式对外介绍,尚无后续实施进展的公开事实。

查看事件：AWS介绍用Keyfactor EJBCA与AWS服务保障AI代理身份

i14将自定义架构迁移到AWS Trainium2

i14 将其自定义架构迁移到 AWS Trainium2。2026 年 10 月 21 日,AWS Machine Learning 发布的信息显示,i14 与 AWS 合作,使用 TorchNeuron Native 在 AWS Trainium2 上训练并部署了基于 Gated Linear Attention 的 Laplace 3B 模型。单台 trn2.48xlarge 的训练吞吐约为 120,000 tokens/s;该模型每序列循环状态固定为 29.5 MB,不随上下文长度增长;推理在 1,280 并发序列下达到 11,544 output tokens/s。团队还通过 Muon 的 all_to_all 通信改造,将每卡通信量降低 24 倍、训练吞吐提升 1.63 倍。目前尚无后续发展事实。

AWS介绍用Keyfactor EJBCA与AWS服务保障AI代理身份

2026年10月21日,AWS介绍了一套使用Keyfactor EJBCA结合AWS服务保障AI代理身份的方案。据AWS Machine Learning发布的文章,AWS与Keyfactor联合发布参考架构,用Keyfactor EJBCA的X.509 PKI为AI智能体建立可验证、可撤销的加密身份,以弥补MCP缺少内置认证标准的缺口。该方案结合Amazon Bedrock、AWS Strands Agents SDK、AWS Secrets Manager和Amazon RDS,通过签名请求信封、用户签名委托断言、RFC 8693受众限定token与实时OCSP吊销检查四层机制,覆盖用户认证、智能体间通信和MCP工具调用三个信任边界。目前该方案以参考架构形式对外介绍,尚无后续实施进展的公开事实。