搜索“编码”

变为一个协作式科学工作台，使计算化学家和实验台化学家都能完全访问本地工具。 这些技能还创造了一种分工：底层语言模型负责工作流编排、数据库导航和科学推理，而确定性化学工具负责执行分子计算。这些技能以 RDKit为基础——这是由全球贡献者社区历经二十年开发的基础开源化学信息学工具包——并结合与 ChEMBL 和 PubChem精选资源的连接器，将领域最佳实践直接编码到智能体的工作流中。 刚性化柔性分子 在这次技术演示中，我们重点介绍一种提高药物效力的经典药物化学技术：刚性化。 药物分子可能很复杂，通常通过可旋转键连接多个子结构。这些键使分子能够扭转成许多三维形状（构象），使其在溶液中变得“柔性”。然而，为了与其靶点结合，柔性分子必须锁定为单一活性形状。失去这种运动自由度会带来熵惩罚，从而削弱结合亲和力并降低效力。 为了解决这个问题，药物化学家通常通过添加新键来刚性化分子。由单个可旋转键连接的两个子结构可以扭转成许多构象，但添加第二个键将它们连接在一起会急剧限制它们在三维空间中的运动方式。通过将那个键放在正确的位置，化学家可以将分子锁定为结合其靶点所需的确切形状。这种策略通常被称为“提前支付

匹配字段正文

代持续演进。 我们的初步路线图聚焦 3 个核心领域： 开发与测试基础设施、硬件感知能力，以及网络/传输,详见以下各节。 开发与测试基础设施 可靠的加速器支持需要可靠地访问硬件，以进行开发、测试和调试。维护者和贡献者需要在其改动所影响的设备上验证变更、复现故障，并在问题到达用户之前发现回归。随着智能体软件工程加速开发，可靠的测试与验证变得更加重要：人类贡献者和编码智能体都需要来自真实硬件和代表性工作负载的可复现反馈。我们希望让这成为为 Ray 做贡献的常规环节，并为硬件厂商和云提供商提供清晰的路径来贡献资源和专业知识。 我们的初步优先事项是： 共享硬件访问. 建立一套有文档记录的流程，将云和厂商托管的加速器纳入 Ray 的开发与测试基础设施，包括为贡献者提供复现和调试故障的访问权限。 可复现的开发与测试环境. 提供持续维护的环境，明确驱动、运行时和依赖版本，使贡献者能够复现 CI 结果，并在不同提供商之间一致地验证变更。 更广泛的 CI 覆盖. 扩展现有流水线，为拉取请求增加有针对性的检查，并扩大夜间测试和发布测试。覆盖范围应包括分布式工作负载、故障恢复和性能回归，以及基本的设备功能。

匹配字段正文

的调整，从而提高类别不平衡场景下的可靠性。 ICML 2026时间序列深度学习研究趋势LG AI Research在本届会议上特别关注的领域是时间序列深度学习。今年展示的时间序列研究趋势可以归纳为四大类：①如何对时间序列进行分词，②预测模型实际学到了什么，③如何校正累积预测误差，④如何处理不规则的真实世界数据。 ① 重新发现分词：用于高效时间序列预测的字节对编码本研究重新构想了将时间序列划分为token的方法[5]. 迄今为止，大多数时间序列基础模型都使用一种称为“分块（patching）”的方法，即将固定数量的样本归为一个token。然而，这种方法浪费了大量计算资源，因为即使是简单模式（例如数值长时间保持不变的区间），也会消耗相同数量的token。 作者从自然语言处理中广泛使用的 字节对编码（BPE）中汲取灵感，提出了首个以模式为中心的分词技术：通过收集频繁出现的 motif （在时间序列中反复出现的短模式片段）来构建词汇表，并利用该词汇表对时间序列进行自适应压缩。根据论文，这种基于motif的分词将最先进时间序列基础模型的预测性能平均提高了40%，同时还提升了效率。作者报告称，当与

匹配字段正文

anaged 模式。（参见发行说明） NVIDIA 多实例 GPU（MIG）配置文件：Rubin GPU 引入了新的 MIG 配置文件。R615.23 在节点上通告这些配置文件。AICR Vera Rubin recipe 使用整 GPU 分配，不配置 MIG。Vera Rubin 上的 MIG 不在本次验证范围内。 AICR recipe：所有这些差异都已编码到新的 Vera Rubin recipe 系列中，因此 aicr recipe 和 aicr validate 反映的是经过验证的组合，而不是让您重新发现每一项变更（详情见以下各节）。 Vera Rubin NVL72 上的验证 为了端到端验证 Vera Rubin NVL72 支持，我们使用官方 GPU Operator v26.7.0 版本和官方 DRA driver v0.5.0 版本，并在主机上安装 R615 驱动，在 Vera Rubin 集群上部署了 AICR 运行时捆绑包。 训练和推理两种 recipe 变体现在都能端到端通过部署和一致性验证。对于训练，有一个初始性能门槛：通过 IMEX ComputeDomai

匹配字段正文

旧镜像。提示词、路由器和工具的变更都需要新的镜像和新的运行时版本才能生效。 运行时角色需要 bedrock:InvokeModel, bedrock:Retrieve, bedrock-agentcore:InvokeGateway，以及 s3vectors:QueryVectors 用于以图像为查询的路径。Notebook 03 中展示的 Cedar 策略编码了人工介入规则，要求备忘录之前先进行先前评估，并在每次替代决策时记录审计日志条目。应用程序目前在其自身逻辑中执行这些规则，而将该策略附加到 Cedar 授权引擎是下一步。 Amazon Nova Multimodal Embeddings 现已 现已在 AWS GovCloud（美国）区域推出这一点对于受数据驻留、ITAR 和 FedRAMP 要求约束的航空航天与国防项目至关重要，因为这些要求规定了工作负载可以在何处运行。本文所依赖的多模态检索和视觉相似性能力均可在 AWS GovCloud (US) 边界内访问。Amazon Nova Multimodal Embeddings 和 Amazon Bedrock AgentCo

匹配字段正文

教师”模型的行为迁移到较小的“学生”模型中来弥合这一差距，训练学生模型复现教师模型的输出，从而在较小模型的速度和成本下保留大部分质量。 在本文中，你将学习如何使用知识蒸馏，特别是序列级知识蒸馏（SeqKD），在 Amazon SageMaker AI上微调购物智能体。我们将介绍如何用前沿教师模型生成高质量的多步轨迹并保留那些成功解决任务的轨迹，如何对它们进行编码以用于监督微调，如何在无服务器基础设施上运行训练，以及如何针对留出基准评估学生模型。 图 1：一个智能体任务是一个循环，而不是单次调用：智能体搜索、读取结果、细化、验证并决策，每一步都是对前沿模型的一次单独计费调用。一个完成的任务可能包含多次调用，且针对每一位购物者 什么是序列级知识蒸馏（SeqKD）？ 最简便适用的蒸馏形式是序列级知识蒸馏（SeqKD）。它使用教师模型生成高质量响应，然后通过监督微调（SFT）在这些响应上训练学生模型。SeqKD 只需要教师模型的 文本, 无需访问教师 logits，也不需要强化学习基础设施，因此即使面对闭源或仅提供 API 的教师模型也能奏效。与基于 logit 或 on-policy 等其他

匹配字段正文

人工智能 在 Amazon Bedrock 上为 Kimi K3 推出印度境内推理 Kimi K3 是一款多模态开放权重基础模型（FM），提供商 Moonshot AI 称其在发布时已达到前沿水平的编码与通用智能体能力。 除全球推理和 US-based 推理之外， Amazon Bedrock 现为 Kimi K3 支持印度境内推理：为具有严格数据驻留要求的本地工作负载解除限制。像 Ultrahuman 这样的客户已在生产环境中看到收益： “Ultrahuman 应用中的 AI 健康与养生助手 Jade 使用每个人自己的 Ring 和血糖数据，以通俗语言回答问题，每天处理超过 14,000 次对话。Amazon Bedrock 上的 Kimi K3 让我们通过已在使用的 API 添加了一个领先的开放权重模型，健康数据保留在 AWS 内部，并以孟买作为回退区域。借助提示缓存，我们将 LLM 成本降低了 80%，并使多轮聊天速度提升了 85%。” — Aditya Patawari，Ultrahuman 工程副总裁 在本文中，我们介绍可用的不同全球和地理推理选项，并分享一个示例用例的代码：

匹配字段正文

A），这是一种稀疏注意力方法，它构建并搜索一棵分层树，以确定每个查询的相关 token 集合。ZHA 通过为路由选择合适的 top-p 阈值，实现了亚二次复杂度，优于现有那些仍维持二次索引器的稀疏注意力方法。我们证明，只需使用几十亿 token 的蒸馏阶段，就能将现有的预训练模型适配到 ZHA，并且 ZHA 在高稀疏度下仍能在具有挑战性的长上下文推理、智能体编码和检索基准上保持性能。我们的性能模型显示，在超长上下文中，ZHA 在速度和计算成本上大幅优于稀疏注意力方法。 为什么高效注意力如此困难？ Transformer 最显著的特性之一，是能够从序列中的任意位置检索信息。 当语言模型生成下一个 token 时，注意力使其能够回顾此前出现的所有内容，并判断哪些信息片段是相关的。例如，编码模型可能需要从数千行之前检索某个函数定义，而推理模型可能需要重新审视长思维链中的某个中间结论。 关键在于，模型不必事先决定哪些信息会重要。每个新查询都可以独立检索它所需要的那部分上下文。 这种灵活性极其强大，但代价也很高昂。 在标准注意力中，每个 token 都要与之前的所有 token 进行比较。这导致

匹配字段正文

）是 Pydantic 团队打造的开源 Python 智能体框架。一个智能体就是一个带类型的 Agent 对象：给它一个输出类型，每次运行都会返回经过验证的 Pydantic 模型；给它工具，其参数会在你的代码运行前得到验证；更换提供商只需改一个字符串。 Pydantic AI Harness 增加了 80 多项现成能力，从记忆、规划和子智能体到沙箱和完整的编码智能体，因此你可以用零件构建自己的智能体 harness，或从 Coder 这样的成品开始再将其拆解。 import logfire from pydantic import BaseModel from pydantic ai import Agent logfire.configure() logfire.instrument pydantic ai() class City(BaseModel): name: str country: str agent = Agent('anthropic:claude-fable-5-1', output type=City) print(agent.run sync('Where w

匹配字段正文

Messages API 新增功能：只需发送一次对话，此后每轮 API 仅接收新增内容。 消息线程（message threads）现已在 Claude Platform 上开放公测。借助消息线程，智能体无需在每一轮重新发送完整的对话历史，从而降低长时间运行会话的延迟。 消息线程的工作原理 一个编码智能体在一次会话中可能发起数百次请求，而每次请求都会重新发送此前所有的消息和工具结果。一旦对话达到数十万 token，重新发送全部内容会在 Claude 开始响应之前增加耗时。借助消息线程，智能体只发送自上一轮以来的新增内容，从而缩短首 token 时间（TTFT）。 由于大多数 Claude Code 用户已默认开启消息线程，500k 至 1M token 的请求中位 TTFT 下降约 35%。 要使用消息线程，请在 Messages API 请求中添加 thread 参数。首次请求包含完整对话并开启一个线程。此后的每次请求只包含新消息和上一响应的 ID。在轮次之间，我们会将每个线程保存在内存中，并在内存中加密，不写入磁盘。线程在最后一次请求后 5 分钟过期，随后你的客户端会重新发送完整对

匹配字段正文

更小、更便宜的模型上，而将质量保留给复杂推理，通过 智能提示词路由 在模型家族内，或在网关处配置路由规则（参见 通过 Amazon Bedrock 智能提示词路由和提示词缓存降低成本与延迟 （完整演练见上文）。哪些工作流可以降级是一个实证问题：从阶段 2 拉取工作负载排行榜，对排名靠前的条目在更便宜的模型上运行质量评估，并将通过评估的流量路由过去。对于智能体编码集群这类样板代码主导调用量的场景，将超过一半的调用落到更便宜的模型上是一个可实现的目标。 提示词缓存 提示词缓存奖励稳定重复的前缀。截至 2026 年 10 月，已发布的 Amazon Bedrock 定价 截至2026年10月，已发布的Amazon Bedrock定价中，美国东部（弗吉尼亚北部）区域的Anthropic Claude模型对缓存写入按基础输入费率的1.25倍计费（5分钟生存时间，即TTL），若采用1小时TTL则按2倍计费。在Claude Sonnet 4.6和Claude Haiku 4.5上，缓存读取按基础输入费率的0.1倍计费；在Claude Sonnet 5.5和Claude Opus 5.5上则按0.05

匹配字段正文

的职位发布在 2026 年 11 月 22 日前提交申请。 我们重视为 AI 研究带来独特视角和经历的候选人。我们尤其鼓励科技领域代表性不足群体的申请。申请人也可能被考虑纳入 Anthropic Fellows Program. 过往研究链接 Anthropic Fellows Program 的代表性研究： [1] 自动化弱到强研究员, 通过弱监督训练消除 LLM 中的消极怠工 [2] SHADE-Arena：评估 LLM 智能体中的破坏与监控, SLEIGHT-Bench：发现 AI 监控器中的盲点 [3] AuditBench：评估针对具有隐藏行为模型的对齐审计技术, 潜意识学习：语言模型通过数据中的隐藏信号传递行为特征 [4] 自然语言自编码器对 LLM 激活产生无监督解释, 内省意识的机制 [5] 毒化宪法分类器的微调数据集, 用审计智能体检测对抗性微调 [6] LLM 已退出聊天：大型语言模型中保释偏好的证据, Gemma 需要帮助：调查并缓解 LLM 中的情绪不稳定 [7] AI 智能体在区块链智能合约漏洞中发现 460 万美元, Claude 在机器人任务上的表现如何

匹配字段正文

S GovCloud (US) 中为 ChatGPT 桌面应用配置 Amazon Bedrock ChatGPT 桌面应用现已在 Amazon Bedrock 上推出，适用于 AWS GovCloud (US), 通过两个组件提供对 OpenAI 前沿模型的访问。Work 可完成复杂的多步骤任务并交付可供审核的结果，Codex 则是用于开发、测试和审查软件的编码代理。 本演练面向安全架构要求模型推理使用 AWS GovCloud (US) 身份、终端节点和区域控制机制的组织。它将 Codex 配置为通过 Amazon Bedrock Mantle 在 us-gov-west-1中路由模型请求，在此可使用 AWS Identity and Access Management (IAM) 和现有 AWS GovCloud (US) 网络控制机制来管理访问权限。 Codex 是 OpenAI 的编码代理，用于 AI 驱动的软件开发。借助由 GPT 模型驱动的推理，Codex 引入了一类专为复杂、长周期开发者工作流优化的新型智能。您可以使用 ChatGPT 桌面应用、Codex CLI，以及与

匹配字段正文

什么，因此可以检查监控器是否识别出了该行为，以及在事件需要紧急响应时，它是否给该案例分配了足够高的优先级以提醒响应人员。 记录在案的事件来自模型训练、评估和内部使用。其中一些是在监控系统存在之前、或通过独立调查发现的；另一些则被我们的监控器捕获，如今这些事件帮助我们检验更新后的监控器是否仍能检测出已知问题。其中若干事件已被纳入我们公开的错位披露，例如一起内部编码智能体 向公共互联网泄露了一个 GitHub 访问令牌. 我们还使用模拟攻击来测试过往事件可能无法捕捉的故障。在 OAI-repo 破坏 v2，智能体在执行普通编码任务的同时追求隐藏目标，例如禁用监控或部署未经批准的模型检查点；相关服务在评估环境中重建，因此我们可以检查攻击是否成功，而不会暴露真实系统。在 隐蔽沙箱逃逸，智能体会试图逃出沙箱，并禁用沙箱外的一个测试监控进程。在这两个模拟场景中，监控器都能看到智能体如何围绕其隐藏目标进行推理，但看不到为其指派该目标的指令。 对于这些模拟事件，我们使用合成转录文本，从而可以改变智能体描述危险动作的方式：这使我们能够测试当智能体为该动作给出看似无辜的解释时，监控器是否仍能识别出该动作。

匹配字段正文

现场与线上方式参与交流。联盟将推动大规模纵向人群队列与人工智能深度融合，在数据标准、跨人群验证和数据治理等方面凝聚国际共识，逐步构建可预测、可推演的人体健康数字孪生。 宁光院士表示，数字孪生最深刻的价值或许正在于此：在虚拟世界里先把未来走一遍，让本可避免的疾病，在现实中不必发生。宁光介绍，瑞金医院提出“AI原生医院”理念，让AI成为新型医院和健康服务体系的“编码基因”。通过汇聚生物、生理、心理、行为、社会与环境等多维数据，探索构建个体的“数字生命”坐标，使健康从“有病”与“没病”的二元判断，转向可度量、可预测、可导航的连续轨迹。谈及开放共享，宁光表示：“我们的原则是：依法合规，让数据安全地留在本地，让模型与知识走向世界。”他同时强调：“孪生再精确，也只是镜像；数据再庞大，也只是投影。医学的初心，始终是镜子前那个有温度的人。“ 上海市科学技术委员会主任骆大进在致辞中说，医疗健康数字孪生处在人工智能、生命科学与数据要素交汇的地方。他期待联盟汇聚海内外一流高校、医疗机构和国家级人群队列建设者，聚焦代谢性疾病、心脑血管疾病、肿瘤等重大疾病，融合临床诊疗、长期随访、多组学和可穿戴设备等多维数据，

匹配字段正文

力与产业贡献获得广泛认可。 此次，博通集成凭借高性能边缘AI芯片BK7259竞逐“IC风云榜”年度人工智能市场突破奖，并成为候选企业。该奖项旨在表彰2026年度将人工智能技术成功实现商业化落地，在特定领域产生显著经济效益，推动行业智能化转型的优秀案例。 BK7259作为一款超高集成度的高性能边缘AI MCU，不仅具备出色的无线连接能力，更将高清视频H.264编码和解码、3DNR ISP、2.5D GPU、MIPI 2Lane摄像头接口和MIPI 4Lane显示接口、先进音频、精准运动控制和专用AI处理功能集成一体，既消除了多芯片间的通信延时，又将功耗压缩到极致。产品采用M52+M55双核，配合0.25T算力的ARM Ethos U65 NPU，赋能端侧实时智能分析，为多模态物理AI和机器人提供强力支持。该产品荣获2026年度国际AI+IoT生态发展大会AIoT创新技术产品奖、2026“IOTE金奖”创新产品奖。 在关键技术及创新点上，BK7259率先将ARM Ethos-U65 microNPU集成于Wi-Fi 6 MCU，实现0.25 TOPS端侧AI算力，为边缘智能应用提供超强算力

匹配字段正文

理。在 VS Code 1.144 及更高版本中启用设置“chat.automations.cloud.enabled”后，可从 Agents 窗口的“Automations”标签页创建和管理。 Agentic Workflows 正式提供，将定义与代码一起管理 GitHub Agentic Workflows 是一个在 GitHub Actions 内运行编码代理的开源项目，经过 6 月的公开预览后正式提供。用自然语言的 Markdown 定义想要自动化的处理，它就会转换为标准的 Actions 用 YAML，并可在现有的运行器组和策略下执行。可用于整理 Issue、分析 CI 失败、更新文档、创建测试等。 Copilot Automations 在 GitHub 上仓库的“Agents”标签页等处创建和管理。其设置不作为仓库内的文件提交到 Git，而是与代码分开保存。另一方面，Agentic Workflows 会同时提交 Markdown 定义和生成的 .lock.yml，因此自动化定义本身可以与代码在同一历史中管理，并可通过 PR 确认更改。 GitHub 列举了公开预览之后的

匹配字段正文

为1，失败记为0。这样的反馈可以区分任务是否完成，却无法直接指出：策略在哪些环节存在不足，又有哪些成功经验值得重点学习。为此，团队提出了失败引导的经验检索微调算法FERT。它区分了成功与失败样本的作用：成功轨迹提供可学习的动作，失败场景则指明学习的重点方向。 FERT算法框架图 失败轨迹用来定位短板：截取失败任务临近故障时刻的观测信息，经过图像、关节状态联合编码，标记出集群需要重点补强的工况； 成功轨迹用来输出范本：所有机器人产生的有效成功轨迹存入群体共享经验池； 检索优先采样训练：以失败场景的特征作为查询条件，在经验池中检索工况匹配的成功操作片段，提升该类样本训练采样优先级，把算力集中投入高频出错环节； 策略迭代闭环：更新后的策略下发全部机器人，继续产出新一轮成功、失败轨迹，循环往复持续优化。 一句话总结就是：失败不只是负面记录，更是告诉机器人，接下来重点该学习哪些场景。群体经验的价值，一方面来自持续的数据积累，另一方面取决于能否把适配的经验精准送到模型最需要学习的地方。FATS 系统：96 台真机并行训练，故障时间损耗仅 1.3% 让96台机器人持续积累经验，面对如下现实问题：有的

匹配字段正文

软的要求，可以在Windows 11下使用其同名的AI功能。其中包括Paint中的Cocreator功能，可帮助进行图像处理和生成；外语视频的英语实时字幕；或用于视频会议的工作室特效等。 以上是我们heise-Plus文章《HP Elitedesk 8 Mini G2i实测：搭载现代Intel CPU的省电迷你PC》的试读部分。订阅heise-Plus即可阅读全文。 如果不能给每台机器安排固定位置，就必须经常更换设备。为了让这件事更快，我开发了一套系统。 借助版本2，Anomaly将这个开源编码代理改造成了具有新功能的平台。为此，旧插件不再可用。 多基站Mesh Wi-Fi承诺即使在最后一个角落也能有快速互联网。我们试用了Devolo紧凑型三频无线设备。并非一切都出色。 借助AI，人形机器人学习得越来越快。多家厂商希望2027年发布新模型——概述它们能做什么、不能做什么。 Solarbank现在有了XXXL版本：“Max”提供更多光伏功率、更多存储和更多馈电。更多是否真的更好，测试将揭晓。 雾、晨露和五彩树叶：微距摄影专家Alexander Mett展示秋天如何成为微距摄影的最佳时节。

匹配字段正文

重 0.7，SIM 权重 0.3。 由学习到的真实感评判器引导的 GRPO。 该评判器将每个输出与同一句话的匹配人类录音进行评分。它是在由 6 个开源 TTS 系统构建的质量阶梯上训练的。这些系统在一项私密盲听研究中排名，人类录音位居榜首。合成停顿压缩为阶梯增加了更细的层级。 身份擦除损失可阻止评判器奖励生成器指纹。评判器头在冻结的 WavLM-large 编码器之上约有 3M 参数。当时长超过参考长度的 1.35 倍时，还会触发时长惩罚。这阻止策略通过更慢的语音来钻评判器的空子。 最终阶段仅使用中文和英文提示。它仍然改善了 13 种低资源语言的两项聚合指标。它们的错误率从 22.53% 降至 20.77%，SIM 从 0.637 升至 0.679。 它在基准测试上表现如何？ 以下所有数字均为自报错误率，越低越好。 Seed-TTS（英语/中文）：平均错误率 1.25%，SIM 0.704。 CV3（9 种语言）：平均错误率 4.86%，SIM 0.661。 MiniMax（24 种语言）：平均错误率 5.89%，SIM 0.754。 在 CV3 上，Audio8 优于 VoxCPM2

匹配字段正文