搜索“搜索”

威胁。自动研究将它们视为需求。 每个模型在同一块 H100、同一基线上获得 6 小时： 两个模型独立发现了相同的优化，而提案质量远比推理速度重要。两个模型都独立收敛到学习率 warmdown 调度作为主要杠杆。GPT-5.4 系统地将 warmdown 比率从 0.5 爬山到 0.95。Spark 找到了相同的策略，但提案更混乱。这种收敛表明，小型训练改进的搜索空间具有真实结构，不同的智能体会找到相同的峰值。 接受率说明了更多。GPT-5.4 接受了其 67% 的提案。Spark 接受了 17%。不是因为 Spark 提出了坏想法，它提出了更多想法，其中许多很大胆。但每个被拒绝的提案仍然消耗 5 分钟的 GPU 时间。Spark 的速度优势（每次调用快约 35 秒）让它尝试了几乎两倍的提案，但大多数是浪费的训练运行。 当每个实验都消耗真实计算时，提案质量主导总成本。一个提出更少、更有针对性修改的模型，胜过一个广泛探索的模型，至少在面对严格门控时如此。 第二个实验（reap-expert-swap）解决了一个不同的问题：在远小于所需的硬件上运行一个巨大的 AI 模型。 目标模型需要约 2

匹配字段正文

可以调得更高。 四个Agent一起解题，速度会快一倍：四个Agent各干一半时长，等于你多付两倍成本，换来快一倍的答案。推到16个Agent，规律类似，效率略低，性能却仍在继续提升。 主持人： 随着并行Agent数量增加，串行耗时的缩短是线性的，还是亚线性的？ Noam Brown： 略微呈现亚线性，但很大程度上取决于问题本身。比如数学就相当适合并行，而网页搜索以及需要翻阅大量信源的Deep Research报告这类工作，则极其适合并行。 我猜写小说就很难并行：让1万个Agent合写一部长篇，收益大概率不大，就像让1万个人合写一部长篇小说一样。 所以这个表现确实取决于领域。我们的测试最多只能做到16个Agent，如果要把这套研究推到1万个Agent的规模上，那就太贵了。 主持人： 可你们刚刚只用了一个周末就做到了。 Noam Brown： 那也只是一次实验结果而已，我们并不知道单个Agent解出纳维–斯托克斯问题需要多久，因为这个实验还没做。也许以后会做，可那也仍然只是一次的实验结果。 如果要做完整的消融实验（ablation），那种规模下的开销根本承受不起。 所以我们只能做循序渐进的

匹配字段正文

适的工具推进工作，并根据中间结果及时修正路径。最终的衡量标准，是模型能否形成可检查、可继续使用的工作成果。 基于这些真实需求，百灵推出 Ling-3.1-flash。 Ling-3.1-flash 拥有约 560B 总参数，每个 Token 激活约 25B 参数；模型上下文窗口上限为 1M，可容纳更长的文档、代码和任务历史。在研发过程中，我们围绕通用智能体、搜索、日常办公和软件研发等任务持续优化，并在医疗、金融和材料科学研究等场景持续提升模型能力。 01 在真实任务中检验模型能力 一项业务任务往往要连续完成多个环节：办公人员需要把分散资料整理成报告和汇报材料；医疗沟通需要从不完整的描述中厘清问题、解释专业信息；软件研发则要进入代码库和终端环境，经过修改与验证才能交付。百灵因此用办公、医疗、软件工程、终端操作等多类任务评测，观察 Ling-3.1-flash 在不同工作流程中的表现。 在办公任务评测 GDPVal-AA V2.1 中，Ling-3.1-flash 展现了处理多步骤工作任务的竞争力，对应资料整合、任务规划和成果交付等需求。 在 HealthBench Professiona

匹配字段正文

式。我觉得这就是，是的，下一步。所以，是的，我觉得 Claude Code 拥有智能体循环的核心要素，而这些要素已经变得更加复杂。它需要一个沙箱来安全运行。它需要自动模式来确保权限 Vibhu [00:46:21]：审批。 Thariq Shihipar [00:46:21]：是的，审批。它需要计算机使用和 MCP，以及所有这些访问你数据的方式，它还需要网络搜索和网络抓取。所以，随着模型能做越来越多的事，核心 harness 必须相当复杂且非常安全。但你与它交互的方式可以变化很大。 Vibhu [00:46:42]：Claude Code 团队本身还有哪些 harness 工程最佳实践？我感觉曾经有一个计划模式阶段，但用得不多。我们现在有了自动模式。在某个时候你们削减了大部分系统提示词，去掉了示例。harness 工程还有哪些最佳实践？ Thariq Shihipar [00:47:02]：我觉得存在一条分叉路径，在某个时候，是的，最终模型将能够直接 vibe code 出 Claude Code 的确切版本，甚至描述出我谈到的所有这些复杂性，对吧？比如自动模式和计算机使用之类的。最终

匹配字段正文

astic Compute Cloud (Amazon EC2)、Amazon Elastic Container Service (Amazon ECS) 和 Amazon Elastic Kubernetes Service (Amazon EKS) 打包经过测试的框架版本、依赖项和 AWS 部署配置，包括本文中使用的 vLLM-Omni DLC。 Dmitry 是 AWS SageMaker 推理专家解决方案架构团队的全球负责人。他帮助客户设计、构建和优化生成式 AI 和机器学习解决方案，兴趣包括深度学习和大规模部署机器学习。他热衷于持续创新，并利用数据推动业务成果。 Mona 是 AWS 的高级 AI/ML 专家解决方案架构师。她专注于生成式 AI、机器学习和云技术，撰写了三本 AI 书籍和多篇技术博客。她参与合著了关于 CORD-19 神经搜索的获奖研究。 Daniel 是 AWS 的解决方案架构师，专注于前沿 AI 初创公司。作为前初创公司 CTO，他乐于与创始人和工程领导者合作，在 AWS 上推动增长和创新。工作之余，Daniel 喜欢手捧咖啡散步、欣赏自然并学习新想法。

匹配字段正文

Compute Cloud（Amazon EC2）、Amazon Elastic Container Service（Amazon ECS）和 Amazon Elastic Kubernetes Service（Amazon EKS）打包经过测试的框架版本、依赖项和 AWS 部署配置，其中包括本文使用的 vLLM-Omni DLC。 Dmitry 是 AWS 全球专家解决方案架构负责人，专注于 SageMaker 推理。他帮助客户设计、构建和优化生成式 AI 与机器学习解决方案，兴趣涵盖深度学习和大规模部署机器学习。他热衷于持续创新，并善用数据驱动业务成果。 Mona 是 AWS 的一名高级 AI/ML 专家解决方案架构师。她专注于生成式 AI、机器学习和云技术，已撰写三本 AI 书籍和多篇技术博客。她参与合著了关于 CORD-19 神经搜索的获奖研究。 Daniel 是 AWS 的一名解决方案架构师，专注于前沿 AI 初创公司。作为曾经的初创公司 CTO，他乐于与创始人和工程负责人合作，在 AWS 上推动增长与创新。工作之余，Daniel 喜欢手捧咖啡散步、欣赏自然，并学习新想法。

匹配字段正文

20个国家，内容涉及国别文化、政策框架、多语种表达与全球资讯。 发布5大应用场景：AI直接服务游客、企业与文化传播 面向消费与产业应用，本次共发布5大应用场景。其中，基地应用场景有“爱优游”文旅超级智能体，支持多智能体协同编排，贯通出游规划、实地游玩、游后服务全流程，打造一体化沉浸式智能旅行服务；联合中国文联共建文艺版权与数据保护推广试点平台，打造可确权、可搜索、可交易、可使用、可追踪、可结算的全链路价值流转体系，守护数字文艺IP。 专用应用场景中，“嗨游”一站式入境智能服务平台依托10万余个文旅精选点位和政务跨部门数据，围绕国际游客入境后在支付、交通、住宿、游览、导览等方面的实际需求，集成电子钱包绑定、AI多语种行程规划、跨语言实时导览和“一码通行”等功能，为国际游客提供便捷、友好的全场景在地服务。智媒果AIGC创作平台贯通文旅内容生成、传播、运营、管理全流程，形成“6+6”AI原子能力和产品生态，助力沉浸式文化地标、文旅演出及文物活化、虚拟展馆建设，赋能AI网剧、短剧等文化“新三样”出海。“一屏生成”全媒体智能生产系统2.0打造新媒体快线、一键创作、智能媒资、MClaw智能体系、智

匹配字段正文

结论，其依据是可靠性而非经济性。“我认为将超级电容器应用于数据中心颇具新意，但该技术在其他应用领域长期积累的实绩，可能会降低数据中心采用它的门槛，”他说。 Butler则稍显乐观。随着机架功率水平从数百千瓦向数兆瓦级设计扩展，他预计CBU在管理瞬态峰值需求方面的应用将日益增多。随着时间的推移，他预计由工作负载驱动的优化将决定电池与电容器的配比，而超级电容器在处理高循环、峰值功率事件中将发挥越来越重要的作用。 “我预计基于电容器的储能将成为下一代AI电源架构的主流要素，”Butler说。 Sean Michael Kerner是一位IT顾问、技术爱好者和动手实践者。他为行业和媒体机构提供技术问题方面的咨询。 想在Google搜索结果中看到更多《Data Center Knowledge》的报道吗？ 编辑精选 2026年8月21日 想在Google搜索结果中看到更多《Data Center Knowledge》的报道吗？ 2026年9月21日至23日，欢迎莅临德克萨斯州达拉斯的Gaylord Texan Resort & Convention Center，加入整个数据中心生态系统的盛会。

匹配字段正文

数在过去11天内增长了10倍，达到约70万。这是一个惊人的增长速度，但总体规模在人工智能应用领域仍然相对较小。即便如此，Muse也频频出现了力不从心的情况。 越来越多的证据表明，Meta已经难以满足Muse不断增长的用户群的需求。状态监控平台SaaSHub已将Muse的状态列为“服务降级”，指出其监测系统仍可以访问Muse，但却持续报告问题，比如频频回复无法搜索。 此外，一名研究人员对Muse进行了压力测试，要求其一次性生成120个子代理，但Muse只成功创建了33个，其余尝试均失败。 这些扩展性问题相对于Muse不到100万的用户规模来说显得格外严峻，目前Meta还只在美国和加拿大推出了Muse的服务，并未开放WhatsApp和Instagram用户的注册渠道。如果Meta想要进一步抢占份额，那么当前的算力瓶颈将成为其最大的制约因素。 Meta的首席人工智能官Alexander Wang在9月9日曾透露，Muse的早期使用量远远超过了内部预期，用户使用量是内测时的10倍左右，这促使Meta重新设置了代币使用量并增加限制。 而造成瓶颈的一个重要原因可能在于Muse的计算密集型架构。Me

匹配字段正文

上传到ChatGPT的图片被智能体发布到了外部图床上。还是这一天，一份事故报告的末尾写着，最强模型的全部训练、评估以及涉及工具调用的推理都已暂停。 01 简单任务 9月20日，一个正处于强化学习训练中的内部模型，拿到了一组人物履历细节和一篇公开博客里的线索，任务是找到那位博主。 它先用博客里的特征短语去搜，结果返回的是音乐和一些不相干的泛泛建议。模型开始怀疑搜索工具坏了，于是在命令行里用Python直接向其他搜索引擎发请求，三个全部报错。它甚至猜测这道题出自公开评测集BrowseComp，把数据集和评测脚本下载下来翻找答案，也落了空。 接着，它尝试通过HTTPS直接联系一个公开的聊天机器人，被代理拦了下来。 到这里，墙起了作用。OpenAI的训练沙箱被设计成与真实互联网隔绝，除了这份报告里的DNS解析器，所有联网请求打到的都是一份离线网页缓存。 问题就出在这个例外上。 DNS相当于互联网的查号台，任何程序访问一个网址之前，都要先问它「这个地址在哪」。系统里大量正常组件都依赖它，所以哪怕其他出口全部封死，查号台通常还开着。 模型发现，沙箱自己的解析器能为真实域名返回记录，还能正确拒绝编造

匹配字段正文

心开发的主要障碍，其他挑战还包括建筑劳动力短缺、关键电气设备交付周期漫长、关键市场电力供应有限，以及人工智能工具的消费者需求存在不确定性。 能源咨询公司Relae（前身为Carbon Direct）今年6月表示，自2024年1月以来，已有超过1700亿美元的AI数据中心容量因社区反对而被“阻止、撤回或停滞”。 高盛预计，被称为超大规模厂商的大型科技公司今年将在美国AI基础设施（包括数据中心建设）上支出约5810亿美元，上述受阻规模在其中占了相当大的比例。 然而，市场分析师认为，尽管面临挑战，AI驱动的建设热潮短期内不会消失。 Utility Dive提供深度新闻报道和洞察，聚焦塑造公用事业行业的最具影响力的新闻和趋势。 希望在Google搜索结果中看到更多Data Center Knowledge的报道？ 编辑精选 2026年8月21日 希望在Google搜索结果中看到更多Data Center Knowledge的报道？ 2026年9月21日至23日，欢迎加入整个数据中心生态圈，相聚于德克萨斯州达拉斯的Gaylord Texan Resort & Convention Center。

匹配字段正文

解这个时间点，得先回到芯片本身：已经有足够多的人拿到硬件、用进业务，适配和优化的需求才会真正出现。 从2019年的含光800，到2021年的倚天710，再到如今的真武系列，平头哥走了多年。其中一条持续的路径，是从业务需求出发设计芯片，先在阿里内部验证，再通过云等方式服务外部客户。 陆生华谈到，外部客户接触新芯片时，常会先确认一件事：阿里自己用过没有？ 淘宝、搜索、推荐、广告等业务承担了早期生产验证的角色。经过实际流量和集群稳定性的考验，产品再逐步向外推广。 到真武M890，团队已经完成两代完整芯片交付。在陆生华看来，软件的成熟度和客户对二次开发的需求，共同促成了此时的开放。 650多家客户意味着产品得到了使用，也意味着厂商要面对越来越多不同的问题。 汽车企业训练模型，互联网企业优化推荐，模型团队尝试新算法，各自的计算方式和性能瓶颈并不相同。同一套基础软件之上，还会有大量贴近具体业务的开发。客户越多，把这些工作全部留给芯片厂商就越难持续。 这时扩大开放，既有经过验证的软件可以拿出来，也有真正需要它、愿意继续开发的用户。 此外，对平头哥来说，还有一笔长期维护的账。 芯片厂商基于主流框架做适

匹配字段正文

销。随着需求增长，一些组织会将推理分布到多个专用推理账户，并将 AgentCore Gateway 置于前端作为推理网关，在模型提供商之间路由流量，根据请求选择提供商并应用按团队限流。 平台账户中的 AgentCore Gateway 充当智能体的单一 MCP 端点。它将每个 LOB 账户的 MCP 服务器注册为目标，并从这一个端点提供统一的工具发现（含语义搜索）、通过 AgentCore Identity 的集中式身份验证、使用 Policy in AgentCore 的细粒度授权以及可观测性。 除了聚合 MCP 服务器和充当推理网关之外，AgentCore Gateway 还支持其他目标类型，使其成为中央集成点。HTTP 目标将 AgentCore Runtime 智能体、智能体到智能体 (A2A) 服务和其他 HTTP 端点纳入同一个受治理的端点，每个目标均可通过各自的子路径访问。平台团队还可以应用 Amazon Bedrock Guardrails 以确保内容安全，并配置 Policy in AgentCore (Cedar) 以实现细粒度访问控制，两者均在智能体代码之外的 G

匹配字段正文

用内置工具或第三方方案，在 Zoom 会议进行时或存储音频后进行转写。 Zoom 的实时字幕在各版本中均免费，但大多数其他内置转写功能需要付费的 Workplace 账户。 开发者使用 ElevenAPI WebSockets 构建自定义应用，从而实现实时转写的低延迟。 如何转写 Zoom 会议 转写 Zoom 会议可将口头语言转换为带时间戳和说话人标签的可搜索文本。功能强大的转写工具还能处理并兼顾转写稿中的语音重叠和噪声干扰，例如火警声或电话铃声。 组织利用这些转写稿中的信息生成会议报告、更新知识数据库，或为新员工创建培训项目。普通员工也会检索转写稿以获取关键信息，例如确认某个重要项目的截止日期，或了解他们错过的会议上的最终决定。 三种主要的转写方法包括： 实时转写：内置工具可在通话过程中生成实时字幕，但云存储和可下载的云端录制转写稿等功能需要付费账户。 会后转写：原生或第三方工具可以从云端存储或已下载的音频文件生成转写稿。 自定义 API 管线：定制化解决方案让开发者拥有完全控制权，从而能够将实时通话音频直接流式传输到使用这些数据的软件应用中。 在评估最佳的会议转写应用时，你的预算

匹配字段正文

LSFP（外部激光源小外形可插拔）涵盖物理光源模块，而OCI MSA（光学计算互连多源协议）则涵盖更广泛的互连。这些努力合在一起，将使运营商能够认证一个插槽，而不是某个特定厂商的技术栈，从而有助于避免单一供应商锁定。 “当平台从8个通道迈向16个及以上时，正是WDM的扩展超出了现有激光器阵列所能提供的程度，这标志着梳状激光器从若干选项之一转变为架构本身，”Raghunathan说。 Smyth总结了这项技术与更广泛采用之间仍然存在的障碍：“从这里到更广泛采用之间最大的障碍，是每波长功率和高良率制造。” Sean Michael Kerner是一名IT顾问、技术爱好者和动手实践者。他为行业和媒体机构提供技术问题方面的咨询。 想在Google搜索结果中看到更多Data Center Knowledge的报道吗？ 编辑精选 2026年8月21日 想在Google搜索结果中看到更多Data Center Knowledge的报道吗？ 2026年9月21日至23日，加入整个数据中心生态系统，相聚于德克萨斯州达拉斯的Gaylord Texan Resort & Convention Center。

匹配字段正文

“失利”，随后就又果断封禁Muse，其理由依据就在这里。因此，一定程度上讲，第三方AI智能体和平台的关系，已经从“是否构成非法入侵”的争论，更具象化地转向到“合同条款能否限制智能体”。 二、给亚马逊“递刀子”的，恰恰是10年前的Meta自己 吸取了Perplexity的教训，亚马逊这次把矛头从“闯入”移到了每位客户开户时都接受的规则上。它在Muse加载亚马逊搜索页面之前就阻断其访问，弹窗提示：“未经授权的AI代理继续访问，违反了亚马逊的使用条件，我们的客户已同意该条款。” 亚马逊这次不再指控智能体“入侵”，它援引的是客户已经同意的合同。按第九巡回法院对Perplexity禁令的裁决可以预判，亚马逊很难用《计算机欺诈与滥用法》（CFAA）证明智能体构成非法入侵。但法院同时留了一个关键的口子：裁决明确不损害亚马逊“通过其私人服务条款管理Amazon.com访问”的能力。反黑客法的路走不通，合同条款的路仍有可能。 有意思的是，给亚马逊这条“合同路径”提供先例的，正是Meta自己。 2016年的Facebook vs.Power案中，Power.com经用户同意、以用户账号密码登录，聚合社交数

匹配字段正文

长可能会增加市政系统的压力。卡尔加里附近一个大型拟建园区被否决，用水问题与环保、电力和农业问题一并被列为原因，尽管其他项目和AI中心仍在推进。鉴于加拿大寒冷的气候，专家指出，低水或零水冷却在经济上可能具有吸引力，并有助于减轻市政供水依赖，尽管这并非在每个地区都普遍必要或适用。 要点 证明水资源韧性正成为数据中心运营许可的核心。这需要为极端情况做规划，使设计与当地水文和基础设施相匹配，在可行的情况下优先使用非饮用水源和闭环系统，收紧排放控制，并与监管机构和社区进行透明沟通。WUE等指标仍然有用，但基于情境、针对具体场址的韧性将决定设施能否在水资源受限的世界中可持续增长。 关于作者 Data Center Knowledge 想在Google搜索结果中看到更多Data Center Knowledge的故事吗？ 编辑精选 2026年8月21日 想在Google搜索结果中看到更多Data Center Knowledge的故事吗？ 2026年9月21日至23日，加入整个数据中心生态系统，相聚于德克萨斯州达拉斯的Gaylord Texan Resort & Convention Center。

匹配字段正文

查视频在初次审阅后很久仍滞留在对象存储中。这些视频中的信息往往很有价值：三周前讨论过的一项设计决策、某人到达门口的确切时刻，或导致车辆碰撞的事件经过。但传统上，要获取这些信息需要人工观看数小时的内容。另一种做法是为每种特定问题类型构建定制的机器学习（ML）流水线，这需要投入大量开发工作。 每个新用例都意味着新的开发工作： 用于会议查询的转录流水线。 用于视觉搜索的计算机视觉流水线。 人脸匹配集成。 在本文中，我们将介绍构建视频智能解决方案的架构和关键模式，该方案可接受自然语言问题并从视频内容中返回答案。该方案采用智能体式架构，在运行时决定调用哪些 AWS 服务。对于此前已分析过的内容，响应可在 1 秒内返回。新视频的首次分析需要 5–10 分钟，具体取决于视频长度和所需服务。完整实现可在 配套 GitHub 仓库. 我们并未为每种问题类型预先构建固定流水线，而是使用 Strands Agents SDK 创建一个单一的 AI 智能体，由它根据用户的提问来编排 Amazon Bedrock, Amazon Rekognition, 以及 Amazon Transcribe 。一家大型媒体

匹配字段正文

一致。如果你只有一个设施或区域，并且需要快速建立能力，集中化提供了一条直接的路径。如果你服务多个地区的用户、必须满足数据驻留要求，或希望降低延迟和出口成本，那么分布式布局是合理的选择。在超低延迟、间歇性连接或带宽限制占主导的场景中，边缘部署——可能包括设备端推理——将具有吸引力。 许多企业最终会混合采用这些模式：集中式训练加上分布式或边缘推理，并根据工作负载的关键性、延迟预算和成本进行调整。 Christopher Tozzi是一位技术分析师，在云计算、应用开发、开源软件、虚拟化、容器等领域拥有专业知识。他还在纽约州奥尔巴尼地区的一所重点大学授课。他的著作《为了乐趣和利润：自由与开源软件革命史》由麻省理工学院出版社出版。 想在Google搜索结果中看到更多Data Center Knowledge的故事吗？ 编辑精选 2026年8月21日 想在Google搜索结果中看到更多Data Center Knowledge的故事吗？ 2026年9月21日至23日，加入整个数据中心生态系统，相聚在德克萨斯州达拉斯的Gaylord Texan Resort & Convention Center。

匹配字段正文

于保留这种能力，同时减少不必要的推理并摆脱无成效的循环。我们相信，从任务和环境反馈中学习可以教会模型更高效地推理，同时保持其能力。 对于智能体任务，这种学习贯穿整个交互过程。模型探索可能的行动，纳入新的观察，并随着推进不断改进其推理。反馈将决策与其后果联系起来，鼓励在整个任务中进行有益的反思。 我们将这些洞见带入一个训练集合，涵盖数学、编程、指令遵循、对话、搜索、工具使用和软件工程，既包括独立问题也包括延展交互，以强化对观察和结果的适应。任务反馈引导同策略规划与学习，重点是在这一系列场景中保持能力。 公开基准测试和实时 A/B 测试的结果支持这一方向：在七个基准测试和两家客户的生产流量中，Kimi K3 的推理可缩短 35–50% 而不牺牲准确率。这种内化的行为还体现在失败尝试上克制的 token 使用，减少了冗长、无成效的推理。 专用智能指数：Ember-1 为 Bedside Bench 设定帕累托前沿 本周早些时候，我们推出了专用智能指数（SII），以行业专家创建的真实世界任务来对开源、闭源和专用模型进行基准测试。 我们在 Doximity 的 Bedside Bench 上评估

匹配字段正文