AWS 于周四将代码漏洞安全智能体 Continuum 正式开放使用，该服务可在代码仓库中查找并验证漏洞、对照 AWS 环境检查，并提交包含修复建议的 pull request。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。
匹配字段标题
Hugging Face 发布 torch-neuronx model support Space，可按下载量或趋势查看 Hub 上的模型能否在 AWS Trainium 上运行，并给出分片核数、含编译的耗时和峰值显存。目前只测试 Transformers 的文本生成与图文模型，且仅限能放进 4 台 Trainium2 设备（最多 16 核）的模型；每个模型生成 32 个 token 校验，单核时与 CPU 结果比对，分片时由小模型判断英文是否通顺。结果来自公开数据集 aws-neuron/torch-neuronx-model-support，Space 还提供运行脚本和跳过编译的 NEFF 缓存命令。
匹配字段标题
Amazon 本周宣布开源 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。它提供可选的 adaptive eager 模式，将操作分组编译并多级缓存 NEFF，在跨加速器的大语言模型测试中把首个训练步的时间缩短约三分之一。团队还用 AI 智能体扫描 Hugging Face 仓库，筛出 841 个代表性模型和数万个张量 shape，构建分层测试流程。
匹配字段标题
AWS 宣布 SageMaker AI 无服务器模型定制的训练会话正式可用，用户可自行编写并协调训练循环，包括自定义损失函数和奖励信号，GPU 分配、分布式执行、故障恢复与检查点存储由 SageMaker AI 负责。该功能支持 SFT、DPO、RLVR、RLAIF 和多轮 RL，可选择 LoRA 或全量微调，目前支持 gpt-oss-20b、gemma-4-31B-it、Qwen3.6-27B 和 Qwen3.8-27B。计费按 SageMaker AI 处理的 token 计，奖励函数在用户环境打分时停止计费，且无需预留容量。
匹配字段标题
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。
匹配字段标题
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。
匹配字段标题
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。
匹配字段标题
LMSYS 与 AWS 合作发布 SGLang Trainium 插件 Beta，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。
匹配字段标题
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。
匹配字段标题
AWS 发布 TorchNeuron 开发工具，让用 PyTorch 编写的 AI 应用只需改一行配置就能运行在亚马逊自研芯片 Trainium 上，无需重写代码。亚马逊称约 85% 的 AI 应用用 PyTorch 编写，并计划把移除框架与特定芯片绑定代码的改动提交到 PyTorch 上游。AWS Annapurna Labs 技术软件副总裁 Colin Brace 称，语音应用厂商 Deepgram 迁移到 Trainium 后每美元处理的音频量提升 70%。
匹配字段标题
PyTorch 宣布开源原生后端 TorchNeuron，让 Trainium 成为标准 PyTorch 设备，模型代码只需改为 .to('neuron') 即可运行，10 月 20 日以 Apache 2.0 协议在 github.com/aws-neuron/torch-neuronx 开放公测。该后端基于 PrivateUse1 和 torch.accelerator 扩展点，支持 eager、自适应 eager 与 torch.compile，并覆盖 DDP、FSDP2、张量并行等分布式 API 以及 NKI 自定义算子。官方称已在 10 万个 Hugging Face 模型上做覆盖测试，Hugging Face Transformers v5、Diffusers、vLLM Neuron 等可直接在 Trainium 上使用。
匹配字段标题
Hugging Face 发布 PyTorch 插件 TorchNeuron，把 Neuron 变成原生设备，支持 eager 模式、torch.compile 以及 FSDP2、DTensor 等分布式接口，2026 年 10 月 20 日起以公开 beta 形式提供，可通过 pip install torch-neuronx 安装。Transformers、Diffusers、Accelerate、PEFT 和 TRL 可直接在 Trainium 上运行，无需再经过 Optimum Neuron；官方建议 Neuron 用户改用这些库。文本生成方面，前 100 个最常用架构中有 89% 开箱支持，Optimum Neuron v0.4.5 为 46%，只需传入 device_map=neuron。
匹配字段标题
Reflection AI 推出开源权重模型 Beam，面向智能体编码和长周期任务，如维护代码、调用工具、解读结果并完成多步工作流。Beam 是稀疏 MoE 模型，总参数 5010 亿、激活参数 230 亿，Reflection 称有效上下文长度为 100 万 token，权重以 Apache 2.0 许可在 Hugging Face 发布，提供 BF16、FP8 和 NVFP4 三种 checkpoint。发布时 Beam 已在 Amazon SageMaker JumpStart 上线，覆盖美国东部（弗吉尼亚北部）和（俄亥俄）区域，也可通过 SageMaker HyperPod Inference 搭配 JumpStart、SGLang 或 vLLM 部署。
匹配字段标题
Amazon Bedrock AgentCore payments 正式可用，为 AI 智能体提供按需付费的托管能力，支持 x402 协议端点，包括 Amazon Bedrock 推理端点。Incarna 借助该服务让智能体逐次向 BlockRun 支付模型推理费用，集成工作从原计划的 2 至 3 个月缩短到 3 天，约 200 行应用代码。测试期间智能体已处理超过 1000 笔支付，单次金额在 0.001 至 0.05 美元之间，每笔在链上独立结算，花费上限由基础设施层强制执行。
匹配字段标题
AWS 宣布在 Amazon Aurora PostgreSQL 中集成 DuckDB，可直接读取并处理 Apache Iceberg 等格式构建的数据湖数据，不再需要 ETL 转换。DuckDB 是小型高速的 OLAP 引擎，支持并行执行的列式引擎，可读写 CSV、Parquet、JSON 格式，其中 Parquet 常用于 S3 上的大规模数据湖。DuckDB 开发方 DuckLabs 今年 9 月成为 AWS 子公司，此次集成是该收购后推出的新功能。
匹配字段标题
Amazon Web Services（AWS） 集成 DuckDB
English translation is being prepared.
匹配字段标题
AWS 发布开源决策模型 Strands Decider 2B，基于 Qwen3.5-2B 构建，不生成文本而是从预设选项中给出带置信度的选择，速度高、成本低，小到可本地运行。该模型由 AWS 杰出工程师 Marc Brooker 在看过 TypeSafe 的 Jev 后自行开发，曾在同规模模型的 Jevbench 排名中短暂登顶，随后由 Strands Labs 整理发布。Brooker 表示，AWS 客户的智能体工作流并非时刻都需要完整 LLM 的能力和成本，这类模型可作为工作流中的决策步骤，凭借置信度和封闭答案域获得更可靠、更低延迟的表现。
匹配字段标题
Pydantic AI Harness 发布 AWSLambdaDurability 能力，把每次模型请求、函数工具调用、MCP 调用和动态工具集解析都记录为 AWS Lambda durable functions 的步骤，恢复执行时从存储结果中读取已完成步骤。使用时需在构建智能体时挂载该能力，并用 durable_agent_handler 改造处理函数，@durable_execution 必须位于最外层。步骤默认至少执行一次并带重试，副作用需保持幂等；改变步骤数量或顺序会使在途执行失效，需发布新版本并让旧版本执行完。
匹配字段标题
2026年10月7日,AWS宣布在Amazon Aurora PostgreSQL中集成DuckDB,可直接读取并处理以Apache Iceberg等格式构建的数据湖数据,不再需要ETL转换。DuckDB是小型高速的OLAP引擎,采用支持并行执行的列式引擎,可读写CSV、Parquet、JSON格式,其中Parquet常用于S3上的大规模数据湖。据Publickey报道,DuckDB开发方DuckLabs于2026年9月成为AWS子公司,此次集成是该收购后推出的新功能。目前尚无后续发展事实。
匹配字段标题
AWS 上线 Grok 4.7至Amazon Bedrock
English translation is being prepared.
匹配字段标题