搜索“其他”

的隔离来对计算、内存、出站网络连接和系统能力实施限制。 该沙箱作为Spin框架的开源组件发布。该公司表示，计划增加更多功能，以管理AI智能体可以访问哪些内容以及哪些系统可以与其交互。 “每个运行智能体的团队都需要围绕这些智能体编写的代码设置边界，”Akamai云技术高级副总裁Jon Alexander表示。 “有些团队希望本季度在托管平台上发布一项AI功能。其他团队则需要专用GPU，按照自己的方式运行前沿级开放模型，”他补充道。 除了这两项服务外，Akamai还通过NVIDIA Blackwell Ultra集群扩充了其专用GPU集群，并正在为其数据中心做好准备，以在2027年支持NVIDIA的Vera Rubin平台。 其GPU基础设施还包括用于低延迟推理的NVIDIA RTX PRO 6000 Blackwell服务器版GPU。专用集群面向希望在自己控制的基础设施上构建、微调和托管模型的企业。 Akamai表示，每个八GPU的Blackwell Ultra节点为每个GPU提供288 GB的HBM3e内存，整个节点为2.3 TB。该基础设施旨在支持涉及推理、长上下文处理和AI智能体的

匹配字段正文

AI驱动的生产率提升，加上营收结构和增长，将支撑近期利润率扩张。 KPIT报告营收为1.768亿美元，按卢比计增长6.5%，但按美元计下降2.2%。按固定汇率计算，营收环比增长0.5%，按卢比计增长1%。该公司将EBITDA利润率扩张主要归因于运营效率和营收结构。它未量化AI对本季度利润率改善的贡献。 KPIT两大最大客户的营收同比下降约13%。据该公司称，其他客户以及卡车、非公路车辆和乘用车等车辆细分市场的增长帮助抵消了这一下降。 KPIT在本季度从新合作中获得了2.13亿美元的总合同价值（TCV）。这些合作涵盖为美国、欧洲和亚洲的汽车制造商提供电动动力总成、车辆工程、智能网联汽车、诊断、自动驾驶系统、中间件和网络安全。该公司未披露客户名称。 “我们预计这两个客户的下降将在未来几个季度触底，”KPIT Technologies总裁兼联合董事总经理Sachin Tikekar表示。 Tikekar表示，KPIT正专注于扩大新兴客户并将机会转化为可执行的计划。该公司报告其总项目管道有所改善，这得益于美国和印度日益增长的势头，以及其产品与解决方案管道的健康增长。 KPIT的税后利润（PAT

匹配字段正文

完成的设计。对于更复杂的任务，例如开发主板，则需要更多交互来澄清需求。 工程师可以在他们现有的设计软件中监控该智能体，必要时中断它，自行做出修改，然后让它带着这些修正继续工作。 “我们仍然希望用户掌握的关键是品味、设计规格和架构，”Aditya 说。 这种方法也延伸到调试。例如，如果设备意外关机，CopperPilot 可以检查其 PCB 设计、固件、日志和其他可用输入，以调查原因。 该智能体可以识别电源的额定电流与机器学习模型激活处理器或 GPU 时所消耗功率之间的不匹配。然后它可以建议更改，例如使用不同的电源或添加电容器以应对电流尖峰。 Aditya 说，跨设计工具连接信息的能力有助于该智能体识别出有经验的工程师否则可能不得不手动追踪的问题。 这家初创公司表示，设计电子产品，从创建电路图到订购首批原型板，可能需要 6 到 15 周，花费在 7,500 美元到 30,000 美元之间。CopperPilot 表示，其平台可以将这一过程缩短到几个小时。 瞄准硬件公司 CopperPilot 的目标行业包括消费电子、可再生能源、储能、机器人、物联网（IoT）、汽车和电动汽车。 创始人花了

匹配字段正文

故事。每次收费5000美元的技术人员来来去去，却始终没能解决问题。后来，一位来自修车厂的机械师带着一把锤子赶来，在发动机上敲了一下，就把它发动了起来。他的账单是：40万美元。 在接受AIM的独家采访时，Vasantraj用这个故事阐述了他对企业人工智能的看法。模型就是那把锤子，如今每家供应商都在卖锤子。“但你要把它用在哪里？”他问道。 他说，来自美国、中国及其他地区的模型正陷入一场军备竞赛，但“这场军备竞赛最终总会让消费者受益”。Mphasis首席执行官Nitin Rakesh在7月向分析师表达了类似观点，称模型将“相当快地商品化”。 今年2月，Vasantraj曾提出，AI热潮已经跑在了企业现实的前面。他现在的关注点是有形的结果。“我非常看重影响力和成果，”他说。新技术往往在短期内被过度炒作，在长期内被低估，而企业“仍处于采用的早期阶段”。 他说，发生变化的是接受程度。AI如今已成为软件开发每个阶段的助手，由人类首先验证需求。 在Mphasis于6月季度赢得的4.61亿美元（约合436亿印度卢比）新签合同总价值（TCV）中，AI主导的工作占63%。一年前，AI主导的工作占7.6亿美元

匹配字段正文

部应用 Ching还提到了使用ChatGPT账户登录外部应用的Sign in with ChatGPT。除了登录之外，目标应用还可以将用户的ChatGPT套餐用量额度用于AI处理[7]。演讲中说明，通过这一机制可以减轻应用开发者的推理费用负担，用户也更容易试用外部应用。 此后，还继续进行了涉及代理设计、实现和活用方法的会议。参与者也有机会与OpenAI团队及其他开发者交流，成为就使用AI进行创造交换见解的场合。 作为减少MCP服务器构建和运维负担的方法，Ching还提到了对Sites的活用。Sites是创建和发布网站及应用的服务，也可以托管MCP服务器。幻灯片中展示了一个示例：制作代理能够浏览和更新的共享TODO列表，并委托完成到部署到Sites以及打包为Codex插件为止的工作。 从创建共享TODO列表到部署到Sites的委托示例 Ching还提到应用和插件的申请数量正在增加，并说明了申请和审核的步骤。 显示2026年应用和插件申请数量增长的幻灯片 要发布制作好的插件，需要以ZIP格式上传包，并针对自动检查的指摘进行应对后进入审核。在当前的申请流程中，审核通过后，开发者可以选择公开的

匹配字段正文

意图。如果无法准确说明，则需要重写设计文档中模糊的部分。 批判性评审：多个Goldfish寻找例外情况、不易察觉的依赖关系、逻辑漏洞。收到指摘的Elephant修正设计。 确认是否可以进入实现：确认文件路径、数据结构、函数参数和返回值等实现所需的信息是否齐全、是否仍有模糊之处。 工作流指南展示了这样的流程：用户针对Goldfish的指摘选择要处理的项目，并让其他人也评审设计。在用户批准设计后，委托编码代理进行实现。 各技能可根据需要单独使用。指南指出，对于规模小且方针明确的缺陷修复，不必走完一整套设计流程。 10月27日发布首个带标签版本v0.1.0 10月27日，发布了首个带标签版本v0.1.0。收录的技能共7个，除官方博客介绍的3个外，还包括以下4个。 egm-review-loop：管理多个Goldfish进行文档评审以及收到指摘后修正、再评审的流程。在反映修正或进入下一次评审时，会插入用户确认环节。 egm-resolve：由Elephant研究Goldfish的指摘，给出修正方案或反驳依据。将用户批准的修正反映到文档中。 egm-bootstrap：调查现有代码，创建或更新各

匹配字段正文

。 据该公司介绍，专用智能体可以在安全的执行环境中并行执行这些任务。Coforge 表示，该模式包含治理和人工监督，但未披露实施细节或客户部署情况。 “企业软件开发正在进入后编码时代，在这个时代，生成软件正迅速成为容易的部分，”Coforge 微软业务部执行副总裁 Vic Gupta 表示。“真正的竞争优势来源将是组织如何在软件生命周期中有效协调、治理和扩展 AI 智能体。” 此公告发布之际，AI 智能体正承担更多软件开发任务。随着智能体处理开发的多个阶段，企业必须协调其输出，并建立测试和审查流程。 Coforge 表示，ASF 旨在帮助企业开展这些活动，同时保留对软件质量和合规性的控制。然而，该公司未具体说明哪些任务可以自主运行、哪些环节需要人工审批，以及将如何衡量交付速度和软件质量的提升。 其他印度 IT 服务公司也在其工程产品中加入智能体式 AI。HCLTech 计划将 Anthropic 的 Claude 和 Claude Code 集成到其 AI Force 平台中，应用场景包括 IT 支持和代码修复。 Coforge 未披露 ASF 的客户部署、商业条款或量化的生产力提升。

匹配字段正文

work 在首席部长德文德拉·法德纳维斯于 10 月 28 日发布后，正推广至马哈拉施特拉邦的 2500 名政府官员。该 AI 生产力平台旨在帮助官员起草文件、分析报告、汇总档案以及检索政府记录。 马哈拉施特拉邦政府于 8 月批准部署 Sarvam 的主权 AI 解决方案，两年预算为 1126 万卢比。该协议涵盖面向政府雇员的 Indus Cowork 以及其他 AI 和语音技术应用。 据 Sarvam 介绍，官员可以使用 Indus Cowork 起草官方笔记和回复、研究政府政策、翻译和汇总冗长文件、分析数据，并将扫描记录转换为可搜索文本。该工作区支持包括马拉地语在内的 22 种语言。 该平台还包含针对特定行政任务的工具。根据平台发布公告，GR Expert 允许官员跨部门检索政府决议（GR）并跟踪其变更。Email Summariser 可精简官方往来邮件，而 RFP Bid Evaluator 则帮助官员比较和评估投标报价。 马哈拉施特拉邦的协议不仅限于 Indus Cowork。获批方案还包括 Samvaad——一个基于语音和 WhatsApp 的公民沟通系统，并将 Sarva

匹配字段正文

Articul8 推出了 Bivia，这是一种决策模型，旨在帮助企业 AI 智能体评估信息，并跨文本、图像、文档及其他数据格式做出结构化决策。 Bivia 通过应用程序编程接口（API）提供，旨在处理完成任务所涉及的重复性判断，而无需每一步都依赖生成式模型。此次发布针对的是 AI 智能体工作流的计算需求——在这些工作流中，即便是常规决策也可能需要反复调用大语言模型（LLM）。 “企业 AI 正在从生成信息迈向采取行动，而这一转变使得决策与生成同样重要，”Articul8 印度董事总经理 Ananthanarayanan S 在一份声明中表示。 与旨在创建内容的生成式模型不同，Bivia 专注于诸如选择工具、验证证据、识别不一致之处以及判断任务是否完成等决策。它可利用组织的数据、行业知识、政策、标准操作流程和历史决策进行专门化。 该模型支持五种决策类型：Choice、Boolean、Score、Set 和 Span。这些类型使 AI 智能体能够选择选项、判断陈述是否属实、分配分数、识别适用类别并定位支持性证据。 Bivia 可分析文本、图像、文档、工程图纸、表格、图表、音频和视频。它可以

匹配字段正文

映了不同的优先事项，从保持对敏感信息的控制，到开发AI能力，再到维持现有运营。它们也表明，基础设施就绪并非一次性的升级。它取决于组织需要支撑的工作负载、已经运行的系统，以及这些组件之间协同工作的有效程度。 现代化成为决定性因素 对印度企业而言，将AI智能体投入生产，部分取决于它们能在多大程度上依托现有的数字化投资。已经建立API平台和现代集成架构的组织可能具有先发优势。其他组织则可能需要提升数据质量、通过安全接口连接较旧的应用，或加强支撑其工作负载的基础设施。 任务未必是替换每一个遗留系统，而是找出既有系统在哪些方面制约了AI部署，并对技术栈中的这些部分进行现代化改造。这可能意味着改进应用之间交换信息的方式、让企业数据更易于访问，或引入支撑更大工作负载所需的基础设施。 这些需求相互关联。更强的计算能力无法弥补不可靠的集成，而如果信息不一致，获取更多数据也无济于事。智能体可能在受控试点中运行良好，但在生产环境中遇到真实业务环境的依赖关系和异常情况时却举步维艰。 随着企业扩大AI智能体的使用，决定性因素将不只是模型本身，而是其现有数字基础设施能否支撑智能体从孤立任务走向大规模互联业务流程。

匹配字段正文

Nagarro的交易将扩大规模并拓展欧洲市场。截至10月9日，Persistent已通过其收购要约和既有持股获得Nagarro约94.04%的股本。该交易将扩大Persistent的技术服务业务，而非转移自建中心业务，预计将在2027日历年第一季度末前完成，尚待监管批准。 服务商可以整合重叠岗位，并将适合的工作转移到成本更低的地区，尤其是当被收购业务在欧洲或其他成本较高的市场拥有大量员工时。 “许多印度老牌大型企业默认希望尽可能多地将收购来的岗位离岸化，”Everest Group合伙人Yugal Joshi对AIM表示。他说，服务商通常会在客户所在地区保留架构师、销售团队和客户关系经理。 欧洲客户可能仍要求本地或近岸交付。这种平衡取决于岗位、客户和业务板块，语言能力、本地专业知识和监管要求都会影响工作的执行地点。全球交付模式为服务商如何在各地分配工作提供了背景。 Joshi表示，过去三年，印度老牌服务商的近岸杠杆率已从约27%上升至29%。这一增长反映了有针对性的招聘和收购，尽管这些区域业务中的部分员工是从印度派驻的印度员工，而非本地招聘的员工。 LTM拟收购Randstad在欧洲和

匹配字段正文

设计等必须自己思考的场面时，随时都能找回主动性。 另一方面，最需要注意、且许多工程师容易陷入的，是“主动 × 无自觉”的状态。这里将这种状态定义为“无自觉的被动态”。 例如，在实现新功能时，问AI“实现○○的最佳方法是什么？”。看到返回的提案，觉得“原来如此，这就是最优解”而接受采用。然而，实际上可能只是被乍看之下像那么回事的说法说服了而已。如果没有自己探讨其他选项、该方法的妥当性以及缺点，那就不是主动判断，而只是无条件接受了AI的输出。 或者，把让AI制作的资料或设计书，在没有确认内容的情况下提交给上司或客户。一旦被提问就答不上来，无法用自己的语言说明。自以为在主动推进工作，实际上只是把思考整个甩给了AI。 也就是说，本人虽然深信自己是主动的，实际上思考却被AI引导着。这才是“无自觉的被动态”，正因为难以察觉，影响才更大，是AI时代最可怕的状态。 这种“无自觉的被动态”之所以最可怕，最大的理由无非是作为工程师的成长机会被剥夺了。 工程师的成长，很多时候是由看似笨拙的过程促成的。阅读官方文档，提出假设并改写代码，反复经历失败。被前辈追问“你究竟想实现什么？”，在沮丧中反思，从而意识到自

匹配字段正文

Google DeepMind（@GoogleDeepMind）2026年10月28日 Google的模型评估资料中，除这一综合评价外，还刊载了Artificial Analysis测得的Terminal-Bench系列结果。关于编码领域的Terminal-Bench 4.0（AA）和科学领域的Terminal-Bench-Science 0.1（AA），与其他公司模型的比较如下。 模型 Terminal-Bench 4.0（AA） Terminal-Bench-Science 0.1（AA） 从漏洞发现、可利用性验证到修复，对各阶段性能进行评估 Google表示，Carbon在从漏洞发现到可利用性验证、原因修复的网络安全防御各阶段能力均有提升。可利用性验证是为了让防御人员判断是否有必要修复漏洞、应优先处理哪些漏洞而进行的。 据称，在内部基准测试中，生成安全代码的成功率超过Argon的2倍。以下3项基准测试在移除模型安全限制即护栏的条件下评估了性能。SEC-bench Pro和ExploitGym由Google评估，CWE-bench v1由Collinear AI评估。 在漏洞发现（

匹配字段正文

日的发布中，该公司介绍了将GitHub的公开及私有仓库镜像到Entire的功能。以GitHub为原始存储位置，在用户所选地区的Entire上放置副本，从而可以从该副本获取代码。而在本次发布中，又新增了不在GitHub上放置原始仓库、仅由Entire托管的选择。 免费托管私有仓库 Entire上的仓库可通过Web界面或CLI创建。用户选择主地区，并可根据需要在其他地区也放置副本。截至10月26日发布时，已在美国、欧洲、印度、澳大利亚提供。直接托管的对象为私有仓库，也计划支持公开仓库。 仓库说明中称，向GitHub镜像的普通push会被转发至GitHub，而在Entire上直接托管时，读取和写入均在Entire内部处理。 根据计费说明，Entire收费的是在该服务上运行的智能体的AI模型使用量，托管等其他功能均可免费使用。使用智能体需使用预付额度[1]。 支撑分布式Git托管的EntireDB Entire于10月27日解说了负责仓库存储及Git读写的EntireDB的设计。该公司指出，大量智能体clone仓库等操作会使读取请求集中到原始存储位置，这是一个课题。EntireDB在每个部署地

匹配字段正文

词的发言在录音的第几秒开始、第几秒结束。根据技术报告，最多可区分8名说话人。 在翻译方面，可从日语语音生成英语文本，从英语语音生成日语文本。转写和翻译可用于对会议、通话等录音进行事后处理的用途。不支持在说话过程中进行逐次转写的实时处理。 作为转写的辅助，还可以回答关于音频内容的问题，或响应以语音给出的指令。不过，这些仅在英语中进行了评估，据称在包括日语在内的其他语言中可能无法稳定运行。 评估多语言和多说话人语音识别 NVIDIA在技术报告中展示了用于比较语音识别性能的Open ASR Leaderboard的多语言评估结果。德语、法语等7种语言的平均词错误率（WER，越低越好）为4.62%。在比较表中列出的模型中，这是公开权重（通过训练调整的数值数据）的模型中最低的值。这7种语言不包括日语。 Nemotron 3.5 Transcribe Technical Report（表9⁠）⁠- NVIDIA 在比较的模型中，Qwen3-ASR-1.7B为6.49%，Whisper-large-v3为7.94%。另一方面，商用模型ElevenLabs Scribe v2为3.56%，低于Nemo

匹配字段正文

ic电子健康记录系统，从而把这一医疗AI平台扩展至一个每年处理1240万次门诊就诊的医疗系统。 Epic集成如何运作 集成到位后，NYU Langone的临床医生可以在Epic EHR工作流内用自然语言提出复杂的临床问题，并获得基于同行评审医学文献、且纳入患者背景的答案。公告将该方案描述为将同行评审的医学证据与每位患者的临床记录相连接，以支持在纽约市、长岛及其他地区提供诊疗的医疗团队。 公告将NYU Langone描述为全美顶尖学术医疗系统之一，在Vizient, Inc.的医疗质量排名中位列全美第一，并将OpenEvidence描述为美国医生中最受欢迎的AI。通过这一集成，NYU Langone使其临床团队能够在诊疗现场呈现最佳可用的医学证据。 NYU Langone部署规模 据公告，NYU Langone每年处理1240万次门诊就诊和超过42.1万次急诊就诊，分布于纽约地区和佛罗里达州的七个住院地点及400多个门诊地点。NYU Langone的Family Health Centers——被描述为全美最大的联邦合格健康中心网络之一——每年在布鲁克林及其他地区通过约60万次就诊服务超

匹配字段正文

和公共场所运行的产品。随着人形机器人和机器狗等系统能力不断增强，您认为哪些监管挑战将成为阻碍消费者广泛采用的最大障碍？ 物理 AI 正在将历史上可以更独立对待的监管领域汇聚到一起。 以一台在家庭或公共环境中运行的人形机器人为例。同一款产品可能涉及物理安全、电气系统、电池、无线通信、网络安全、隐私和自主行为。根据该机器人的功能，还可能涉及机械、运输、医疗用途或其他受监管活动方面的额外要求。 尤其值得关注的是，这些产品正日益由软件定义。一款实体产品在售出之后，仍可能通过软件发生实质性变化。通过更新引入的新能力或新行为，可能改变与该产品相关的监管考量。 这意味着企业必须在整个产品生命周期中考量监管，而不是只在上市前的某个时间点。对于能力可能在进入市场后持续演进的产品而言，从时点式合规转向持续的产品合规生命周期管理（Product Compliance Lifecycle Management）尤为重要。 这还存在全球维度。不同司法管辖区正以不同速度、且往往从不同起点出发，为这些技术制定规则。 对于构建物理 AI 产品的企业而言，监管战略正日益成为产品战略的一部分。关于传感器、自主性、数据收集

匹配字段正文

即时性带入物理世界，”Solink联合创始人兼首席执行官Mike Matta表示。Matta说，这笔资金将帮助企业利用其已有的摄像头减少损耗、提升绩效并挖掘新的收入机会，覆盖从准备就绪与安全到商品陈列与运营等各项职能。 平台与所报告的规模 Solink的平台将现有安防摄像头转化为实时商业智能来源，把视频转换为该公司所称的可操作数据，覆盖零售门店、餐厅、仓库及其他物理环境。根据公告，该平台旨在主动呈现关键信息，以推动收入增长、减少损耗并提升安全水平。Solink报告称，65个国家的超过35,000个客户站点使用该平台，管理摄像头数量达50万路。 Solink介绍本轮融资的页面列出了多项用例，包括消除内部损耗、提升服务速度与质量、优化门店布局与陈列，以及威慑盗窃和入室犯罪。该页面还公布了具名客户的成效陈述。Take 5 Oil Change运营卓越副总裁Amy Hine报告称，逃单率下降78%，平均客单价提升28%。Jack in the Box高级资产保护经理Brad La Cross表示，其团队利用现有技术减少库存损耗和食物浪费。PGA TOUR Superstore防损与风险管理总监

匹配字段正文

理、由其网络运营中心调优的监控条件，以及通过 ScreenConnect 进行远程故障排查。 它还列出了 AI 辅助脚本生成、网络发现与分析以及集中报告。这些能力为新代理的角色提供了背景：调查与技术人员用于维护和修复端点的既有工具并存。 实际价值取决于调查为特定设备和服务情境选择适当操作的效果如何。生成的解释是有用的，但运营工作流还需要明确的拟议变更以及可供其他技术员日后审查的记录。 更广泛的代理平台战略 ConnectWise 的平台架构描述了一个由代理层环绕的统一数据基础。共享的工作流和服务连接各个应用，而开放 API 支持跨系统的工作。该设计旨在为代理提供相关的运营上下文，而不是让每个应用孤立运行。 这一方向延续了该公司 1 月对 zofiQ 的收购公告，该收购专注于自动化高容量的服务台工作。ConnectWise 描述了通过 API、连接器和基于事件的集成将遥测、工单和监控信息连接起来，然后应用 AI 进行分类、优先级排序、异常检测和建议根本原因。 最新版本将这一轨迹延伸至端点调查。其核心主张是缩短从客户请求到有证据支持的修复决策的路径，同时由技术员保留对变更的控制权。对于托管

匹配字段正文

是一块6.8英寸等深四曲屏。 影像配置挺猛： 5000万像素一英寸大底主摄（支持F1.6-F4.0物理可变光圈、OIS和RYYB）、4000万像素超广角（F2.2、RYYB）、4800万像素超聚光微距长焦（F2.1、OIS、RYYB，最近对焦距离5cm）、另外还有红枫原色摄像头。 同时XMAGE智拍功能支持AI辅助构图、AI姿势推荐、XMAGE风格等玩法。 其他配置上，新机搭载麒麟9025芯片，内置5700mAh电池，支持100W有线快充和80W无线快充。 运行HarmonyOS 7系统。 支持超空间存储技术，1TB版本最多能省出110GB空间。 首发麒麟9025芯片，性能提升19%。 对比起来，华为明显把成本大头花在影像上：1英寸大底主摄、F1.6-F4.0可变光圈、超广角加微距长焦，基本就是Pura 80 Pro那套硬件搬下来。 其它方面，6.8英寸等深四曲屏在2026年算逆潮流，但手感党是加分项。5700mAh电池不算大，1英寸主摄吃空间，续航中规中矩。 另外Pura90系列已全部都搭载HarmonyOS 7，之后可以买到的Pura90系列的新机型默认会预装鸿蒙7。 跟Pura

匹配字段正文