搜索“其他”

域可能更有分量，因为各组织希望对自己的数据和系统拥有更多控制权。 或者，正如Mistral首席执行官Arthur Mensch所解释的那样，AI应该“成为赋能工具，而非支配手段”。凭借Chonk，Mistral进一步强化了这一立场，声称其能够以“闭源实验室所投入算力和资金的一小部分”实现“最先进的性能”。 该模型权重的发布——即驱动系统的数值训练成果——确保其他公司和政府机构现在能够将ML4部署于自身用途。 Mistral表示，其模型在性能上与中国开放权重竞争对手GLM-5.3相当，后者此前被认为是世界上最好的开放权重模型之一——尤其是在网络工作方面。然而，Mistral的模型每项任务使用的token少47%，使其比GLM-5.3显著更经济。 该公司还声称，在AI基准测试网站Artificial Analysis的Coding Agent Index上，该模型在智能体编程任务方面排名所有其他开放模型之首。 该公司周四表示：“在日益增长的网络威胁下，ML4为企业及全球各国政府带来了最先进的主权网络防御能力。企业和公共部门机构现在可以下载、部署并拥有前沿AI，以检测、分析并响应代码和IT基

匹配字段正文

随着以会议记录工具著称的 Granola 今日推出听写功能，消费级语音 AI 领域的应用似乎正在趋于融合。而就在几个月前，以听写工具著称的 Wispr 才刚刚推出了会议记录功能。 Granola 的听写功能目前可在 Mac 上使用，与其他同类工具无异。用户只需按下“Fn”键并开始说话，工具便会清理并格式化语音内容，然后输出最终文本。该功能适用于所有应用，因此用户可以用它来记录笔记、口述提示词，以及回复邮件和消息。 Granola 现在支持语音输入。字数不限，免费使用。Granola 已经能为你撰写会议记录，现在它还能在任何应用中替你完成打字。pic.twitter.com/et60VtwWA0 该公司表示，该功能将很快登陆 iOS 和 Windows 平台。 Granola 和 Wispr 的估值分别为 15 亿美元和 20 亿美元。Granola 专注于会议相关的自动化和记录。另一方面，Wispr 正试图通过一个研究实验室构建自己的模型，该实验室正在探索不同的人机交互界面。 这种功能上的相互融合并非 Granola 和 Wispr 独有。Fireflies、Speechify 和 M

匹配字段正文

76 亿美元股权的价格收购物理安防公司 ADT，两家公司于周四宣布了这一消息。ADT 表示，除股权外，该交易的总企业价值为 153 亿美元。 Thrive Holdings 是从 Josh Kushner 旗下实力雄厚的风投公司 Thrive Capital 分拆出来的控股公司。该公司还将 OpenAI 列为其合作伙伴，同时也是投资者。该公司的使命是长期持有其他公司，并用 AI 使其焕发新生。据其称，目前 Thrive Holdings 持有超过 75 家公司。 作为合作伙伴，OpenAI 向 Thrive 旗下公司提供 AI 模型和技术，以及人员，也就是所谓的前置部署工程师。 ADT 和 Thrive 均未宣布他们将推出哪些新的 AI 驱动安防产品，但他们暗示计划是进行投资并发布新产品。新闻稿称：“ADT 将成为 Thrive Holdings 智能家居安防业务的基础。” AI 驱动的物理安防眼下正风头正劲。苹果刚刚与 LG 和施耐德电气合作，以一系列新的智能家居和家庭安防产品进入该领域。亚马逊更新了其智能家居产品线，包括新的 AI 驱动家用摄像头。ADT 已与苹果和谷歌建立合作，预

匹配字段正文

R2。 Rivian对其AI助手抱有宏大愿景，该助手允许驾驶员和乘客与车辆交互并控制某些功能。Rivian创始人兼CEO RJ Scaringe在Disrupt 2026大会舞台上告诉TechCrunch，公司已创建了自己的内部智能体框架，能够理解人们在跟车辆说话时想要采取的操作，并将其路由到车辆软件的相应部分。这一能力最终可能使Rivian车辆能够运行由其他公司（包括Anthropic）创建的AI智能体。 内部AI助手项目也契合Rivian推动更高垂直整合的战略——这是公司在第三季度财报中强调的战略。 公司在投资者演示材料中指出：“我们对垂直整合的不懈专注仍然是核心的竞争差异化优势，使Rivian能够无缝统一我们的硬件和软件架构，为客户交付显著价值。” 这一战略促使Rivian对其旗舰R1T皮卡和R1S SUV进行了全面改造，从电池包和悬挂系统到电气架构、传感器堆栈和软件用户界面都进行了更改。其新的电气架构系统和计算平台大幅减少了布线用量，并将用于控制车辆的电子控制单元（即计算机）总数从17个不同的ECU减少到7个。Rivian认为，这一基础将使其能够制造出可以满足先进软件和自动驾

匹配字段正文

将AI热潮描述为“一生一次的机会”，认为现在需要且值得做出如此巨大的财务承诺。 “我们将继续投资以保持领先地位，”他说。“我们有能力为这一计划提供资金，我认为它将永远改变亚马逊的规模。它将永远改变我们的营收。” 然而，投资者仍感到担忧。周四盘后交易中，股价下跌约6%。 AI热潮对云行业来说是喜忧参半，因为支撑这一热潮的AI服务依赖于云基础设施。与亚马逊一样，其他云服务提供商也在大举支出，但同时也在大举盈利。例如，微软刚刚公布了又一份创纪录的营收增长，主要由其云业务驱动。它同样也投入了巨额资金。 “AWS是一项年化营收运行率1840亿美元的业务，但机遇依然非同寻常，”这位CEO热情洋溢地说。“凭借我们持续的创新步伐、新的核心和AI功能、希望将核心和AI工作负载运行在AWS上的企业，以及我们每年增加的容量，我们相信AWS在2027年和2028年都能增长40%以上，并在未来5到10年内成为一项万亿美元营收的业务。” 贾西补充说，企业采用AI还处于“非常早期的阶段”，并表示到目前为止，“战略正在奏效”。 后来，当被问及为何发展AWS所需的投资如此巨大时，贾西将AI热潮描述为“一生一次的机会”，

匹配字段正文

智能）对这种能力的削弱，必然会对我们这样做的能力产生负面影响，”他说，并反思了过度依赖人工智能可能如何影响批判性思维。 在本周早些时候由AHA发布的一份声明中，杜尔曼写道：“人工智能正在干扰人们谋生的能力，环境代价对人类和我们的星球意味着灾难，而它对人类创造力的取代和窃取，威胁着艺术和文学等使社会繁荣的文化要素。” 人文主义并不反宗教，但它往往吸引那些对神或其他超自然力量持怀疑态度、却仍寻求以科学和道德框架作为自身根基的人。 “对人工智能与人类尊严的担忧可以贯穿多种不同的信仰和传统，无论是天主教教义、普世主义还是人文主义，我们希望人文主义者或非神论者知道，他们属于这些类别——他们在工作中同样受到法律保护，”AHA专职律师亚历山德里娅·胡伊斯肯斯对TechCrunch表示。 杜尔曼是首位获得职场便利、得以不使用人工智能的人文主义者，也是最早公开谈论自己争取这些保护的人之一。他之所以受到启发去寻求这些保护，是因为他读到一位论普救派信徒、软件工程师艾琳·莫斯为自己争取到了类似的保护。 “对我来说，这关乎我自己和我的信念，”杜尔曼说。“我显然不是在试图告诉人们该如何思考或感受……但我确实希望，

匹配字段正文

ttice 上的托管出口将工具调用路由到内部 API。 MoEngage 做出了两个值得特别说明的身份验证决策。 第一，他们为内部网关选择了 SigV4 而非 JWT。这里的智能体是已经拥有 IAM 角色的服务。使用 SigV4，它们可以用已有的凭证进行签名。无需签发、轮换或存储任何新内容。MoEngage 单独的公共 MCP 服务器为来自 Claude 和其他客户端的人工认证会话提供服务，它在 AgentCore 运行时上使用 OIDC JWT。那是具有不同要求的另一个界面。 第二，身份以标头形式传递，而不是作为工具参数。租户、用户、角色和数据库上下文由客户端库从一个小的 Identity 对象转换为 X-MOE- 标头。模型看不到它们，也无法设置它们。有一个细节对任何构建类似系统的人都很重要：由于 SigV4 签名占用了 Authorization 标头，调用方转发的 bearer token 必须移到别处。MoEngage 将其作为专用的、带 MoEngage 前缀的标头进行传播。标头传播也有上限，因此标头集合是经过刻意选择的，而不是累积而成的。 发现和执行具有不同的身份要求。列

匹配字段正文

-model-discovery（扫描器）和 php-to-java-migration（八阶段操作手册），以及 core-workflow.md Steering 文件。每个项目文件夹都在 .kiro/specs/ 下拥有自己的 PHP 源代码、Java 输出和规范子文件夹，因此改进一次方法论，每个项目都能继承这一收益。 先发现后翻译 最重要的单条规则会在其他一切之前生效：在扫描器运行之前，不要读取、猜测或手工翻译模型或实体文件。 如下图所示，扫描器以单次遍历、无依赖的方式工作。它对源 token 应用三种发现策略，并输出一个 JSON 清单，任何有歧义的内容都会进入审查标记队列，由人工解决。 图 3：扫描器对源 token 运行三种发现策略，并输出一个带有审查标记队列的单一 JSON 清单 扫描器是 discover-models.php，一个单文件、无依赖的 PHP 命令行工具，它不会执行目标代码。它只把源文本作为 token 读取，因此无论依赖是否安装，它都能针对你选择的应用运行。它在每次扫描中运行三种策略：Eloquent 模型发现（沿类继承链向上追溯到 Illuminate

匹配字段正文

—一家数据、技术和营销服务公司，也是 Publicis Groupe旗下的一员——转而采用 Amazon Nova Act凭借数亿消费者画像和数千个品牌关系，Epsilon 需要能够跟上应用快速变化的 UI 测试。该解决方案不能给每个产品团队带来维护负担。 在 Epsilon 内部，Agentic Platform 团队（50 名工程师）构建共享基础设施，使其他产品团队能够安全地构建、部署、治理和运行 AI 智能体。借助这一共享平台，团队可以获得基于技能的智能体构建器。他们还能获得联合身份和预检授权、Model Context Protocol (MCP) 集成以及跨账户预置。当产品团队想要采用 AI 工具时，他们无需额外配置即可获得相应能力，也无需自行重新解决身份、安全、浏览器基础设施或模型集成问题。 其中一项托管能力是 UI 测试。借助 Amazon Nova Act 和 Amazon Bedrock AgentCore Browser （Amazon Bedrock AgentCore 的一项能力），Epsilon 的平台团队就能向平台上的各团队提供具备韧性、意图驱动的测试即服务

匹配字段正文

三季度，我们加入了一个互动问答环节，让现场有更多来回交流。参会者还特别提到了整体形式和节奏，以及结识新朋友的机会。正如一位首次参会的与会者所说：“交流机会非常棒……我非常享受这一天！” 客户登台，而非我们 在每场活动中，至少有一位客户分享他们如何使用 Amazon Quick。在三场活动中，我们邀请了 Carsa、Arriva、Propulse Lab 以及其他几位客户登台。第一场活动结束后，最明确的反馈之一就是人们希望有更多客户演讲者。这告诉我们，我们的方向是对的。这些环节之所以有效，是因为观众听到的是面临类似问题的同行分享，而不是试图向他们推销产品的人。其影响超出了活动本身。参会者表示，客户故事向他们展示了使用这些工具的新方式，并引发了关于投资回报率（ROI）的有益讨论。一位参会者告诉我们，一场客户分享“已经在他们组织内部引发了很多讨论”。 工作坊才是真正让人豁然开朗的环节 每场活动都设有动手工作坊，而大家一再告诉我们，这是他们收获最大的环节。观看别人演示产品和亲自坐下来上手操作之间存在着差距。大多数参会者表示，正是在这个差距中，Amazon Quick 才开始与他们想要达成的目标

匹配字段正文

ndex v5.0 榜单中拿下 59 分，超越 Claude Opus 5.5 和 GPT-6 Astra，登上全球大模型榜首。 更惊人的是，Gemini 4 Carbon 已经能连续数天处理复杂工程任务，自主寻找、验证并修复软件安全漏洞，在多项网络安全基准测试中刷新纪录。 然而，如此强大的模型，普通用户暂时还用不上：谷歌决定优先向少数网络安全防御人员开放，其他用户何时能够体验仍没有明确时间表。 重回世界第一，Gemini 也开始卷能力上限了 回顾今年的大模型竞争，谷歌的更新节奏明显正在「知耻而后勇」。 此前，接连推出 Gemini Flash 3.5 至 3.8 系列后，谷歌迟迟没有兑现新一代旗舰 Pro 模型的期待。另一边，Anthropic 和 OpenAI 持续刷新能力上限，国产模型也在不断追赶，谷歌急需一款有分量的产品重新证明自己的实力。 直到两周前前，Gemini 4 Argon 才终于上线。 Argon 意为「氩」，是一种性质稳定的惰性气体，常用于焊接和半导体制造中的保护环境。Argon 在文笔写作、表达质量等方面取得了明显提升，但距离全面领先顶级模型仍有差距。 如今，谷

匹配字段正文

具经济性。 在 Artificial Analysis Coding Agent Index 上，Mistral Large 4 得分为 48%，与领先的开放权重模型 GLM-5.3 基本持平，而每任务平均使用的 token 少 47%。 Artificial Analysis Coding Agent Index 与 token 效率对比 Mistral 其他模型 Artificial Analysis 上各推理级别的 Coding Agent Index 得分与 token 效率 这些提升也延伸到了基于终端的编码工作流。在 Terminal-Bench 4.0 上，Mistral Large 4 相比公开预览版提升了 13 个百分点至 41%，在开放权重模型中领先，同时输出 token 减少了 30%。 Artificial Analysis Coding Agent Index - Terminal-Bench 4.0 为了让开发者更好地控制性能与成本之间的权衡，Mistral Large 4 现支持三种推理模式： 模式 推荐用途 低 简单任务；替代“无”推理模式 中 日常任务

匹配字段正文

人工智能 使用 Amazon Nova Act 通过智能体 QA 自动化加速软件交付——第 3 部分 随着质量保证（QA）自动化在组织内部的采用不断增长，一个与编写测试毫无关系的新问题出现了。一个平台团队搭建了测试自动化，接着第二个团队想加入，然后又有十几个团队加入。很快，数百个测试用例分属不同的产品和小组，每个人都能看到其他人的测试。没有人能一眼回答一个基本问题：这个应用当前的测试覆盖率是否健康？编写测试不再是瓶颈。组织测试并控制谁能接触这些测试成了主要工作。 紧随其后的第二个相关问题：谁拥有这个应用及其测试，当覆盖率下滑时谁负责？如果没有明确的负责人，健康问题就无人承担。 在 第一篇博文中，我们介绍了 QA Studio，这是一个使用 Amazon Nova Act构建的参考解决方案。团队使用它以自然语言定义测试，并通过 AI 驱动的视觉导航来运行这些测试。在 第二篇博文中，我们添加了测试套件和一个 CLI，用于在持续集成和持续交付（CI/CD）流水线中进行批量回归测试。在本文中，我们介绍两项帮助 QA Studio 在组织范围内扩展的能力。第一项是 应用（applications

匹配字段正文

}, scaling config=ScalingConfig(num workers=num workers, use gpu=True), run config=RunConfig(name="ray-train-fsdp-llm"), ) result = trainer.fit() 这些批次是随机 token ID，因此这次运行除了集群之外不依赖任何其他东西。样本的评判标准是真实的 FSDP 集合通信是否跨越了两个节点，以及作业是否完成。对于真实的微调，请用 Ray Data 或 DataLoader 流水线替换随机张量。函数中其他内容都不需要改动。 清单文件：这是配置 DLC 的唯一位置 manifest/raycluster.yaml 是镜像与集群交汇之处，它之所以简短，是因为镜像所需甚少。头节点唯一的特殊设置是 NVIDIA VISIBLE DEVICES=void，这可以防止容器运行时的 NVIDIA hook 在没有 GPU 的节点上失败。工作节点组承载其余所有内容： manifest/raycluster.yaml —— 工作节点组（节选） workerGroupS

匹配字段正文

离的 AgentCore Memory，以及一个使用 AWS IAM 授权且仅暴露已批准工具目标的 AgentCore Gateway。该单元还包含本地客户托管的 AWS KMS 密钥、标签、告警、预算，以及一个 CloudWatch Observability Access Manager (OAM) 源链接。一个单元可以独立部署、失败、回滚或退役，无需与其他团队的发布协调。 关键组件 下图展示了该解决方案的运营模型和受治理流程。 图 1：企业 Agentic AI 平台运营模型，展示了治理基础、平台控制平面、可重复的团队自有工作流单元，以及它们之间的软件交付、推理、工具、遥测和归属流程。 该架构由以下账户层组成： 管理与治理基础。 AWS Organizations、AWS IAM Identity Center、预防性策略、审计、保留和成本策略共同确立企业边界。这些是逻辑职责，可以映射到现有的 AWS Control Tower 着陆区，而无需重复的账户结构。 安全、审计和可观测性层。 AWS CloudTrail、AWS Config、AWS Security Hub、Amaz

匹配字段正文

enCreative 中，你可以在 Flows、Sound Effects 标签页、Studio 和 Music Editor 中通过文本提示词创建原创音效。 更好地处理单个提示词中的多种声音 SFX v3 更擅长遵循单个提示词中的多条指令。这意味着你所描述的更多声音会出现在生成的音频中。描述构成你场景的各种声音，听听它们如何协同呈现。 对于从事视频、游戏和其他项目的创作者来说，这让他们更容易从整体上探索一个场景的声音。从主要动作开始，添加周围的声音，再听听它们如何协同呈现。然后你可以调整描述，让结果更接近你心中的设想。 更强的音乐和人声 SFX v3 还改进了包含音乐和人声的提示词生成。对创作者而言，这开辟了将乐句或人声表演与环境声和日常声音搭配的音效。 更自然的音频 单个声音的质量会改变一个场景的可信度。锣需要它的共鸣，铃需要它的余韵，哨声应保持音调而不会变得刺耳或爆裂。 SFX v3 提升了整体音质，并且更不容易在锣、铃和哨声等声音上产生那些不需要的杂音。结果是音频能更好地保留你所要求的声音特征。 无论音效位于前景，还是在背景中增添细节，更自然的声音都有助于它融入周围的场景。 现

匹配字段正文

印度峰会期间签署了该协议。与卡纳塔克邦签署的 MoU 涵盖探索面向市民服务的语音 AI，以及语音 AI 安全和声音恢复，目标是推动政府在市民服务中采用语音 AI。 面向市民服务的语音 AI ElevenLabs 将与该邦信息技术部门合作，探索能够提升市民服务的语音 AI 试点，首先从申诉处理、公共热线和福利申领计划入手。ElevenLabs 团队将借鉴我们与其他政府合作的经验，让公共信息更易获取、更具包容性。目标是让每一位市民的声音都能被听见，平台已支持卡纳达语及另外 13 种印度官方语言。 语音 AI 安全框架 作为我们对负责任部署 AI 承诺的一部分，ElevenLabs 将与该邦共同部署我们行业领先的安全框架，涵盖深度伪造检测、水印、授权同意，以及对声音克隆的限制和欺诈防范。该框架借鉴了我们与英国 AISI 及其他公共机构的合作经验。团队还将为负责部署和监督这些系统的当地官员提供情况介绍。 恢复声音 通过我们的 One Million Voices 计划，团队将支持因口腔癌或喉癌、肌萎缩侧索硬化症（ALS）或其他神经系统疾病而失去说话能力的卡纳塔克邦市民。由该邦或与其合作的机构认

匹配字段正文

误差。在完整录音上，Cue 的平均时间误差仅为 179 毫秒，而开源工具的范围从 283 毫秒到超过 6,000 毫秒。 真实录制的音频更是挑战。背景噪音、重叠的说话声和环境音乐会让许多工具在将文本与音频匹配时失去位置。但这些恰恰是许多人真正想要转录的文件，因为我们往往都生活在并非完全安静的地方。在有背景问题的英语录音上，Cue 的平均误差为 57 毫秒，而其他工具为 65 毫秒到 920 毫秒。 语言支持是另一个限制。大多数开源对齐器需要为每种支持的语言使用单独模型，因此训练数据较少的语言往往表现不佳，或者根本不受支持。 MMS-FA 是唯一另一个能处理全部 29 种基准语言的工具，相比之下，Cue 在判断词与词之间的边界时通常更快。 速度也是这些模型的问题，因为对齐大量音频会很快变得昂贵。在我们的生产 GPU 上，Cue 可以在约半秒内对齐一小时的音频。第二快的工具 Qwen3-ForcedAligner 需要近 2 秒，而测试中最慢的工具则耗时超过一分钟。 Cue 的不同之处 与大多数竞争对手不同，Cue 是一个覆盖 90 多种基准语言的单一模型。它还能单次处理任意长度的录音，从

匹配字段正文

话能力。对许多人来说，保留自己的声音是守住自身身份以及与周围人联系的一种方式。 “声音与身份以及我们如何与世界建立联系并为之做出贡献密切相关，”ElevenLabs 影响力负责人加比·莱博维茨（Gabi Leibowitz）说。“对于永久性失声的人群，我们看到语音复原有助于维护尊严、自主权，以及继续参与家庭、工作和社会生活的能力。” 得益于这一合作，西班牙的其他人也将如此。对马丁而言，声音不仅仅是沟通的手段。它是他作为一名教师、一位父亲和一位朋友的身份的一部分。它是一种继续分享知识、与世界互动并为社会做贡献的方式。ElevenLabs 的语音复原技术让他得以继续自己毕生的事业。 与 adELA 合作 adELA 为 ALS 患者及其家人提供支持已超过 30 年。这家非营利组织提供专业护理、心理支持和社会指导，并倡导提高对该疾病的认识以及加强相关研究。马丁自 2020 年起在 adELA 担任志愿者，并在过去一年中与该组织合作，帮助其患者在失去声音之前保存自己的声音。 “身份在很大程度上就是声音，”马丁说。“当别人听到你的声音时，他们才会看到你。” 西班牙的 ALS 患者可以通过 adE

匹配字段正文

AI 模型，还会使用专门模型来处理风险管理和欺诈检测等事务。 以下是它们用于优化工作流的核心技术： 对话式 AI：对话式 AI 基于自然语言处理（NLP），通过实时语音和聊天交互承担面向客户的职能。例如，银行部署的 ElevenAgents 利用 NLP 理解用户意图，并跨渠道执行常规交易。 生成式 AI： 生成式 AI 同样使用 NLP，但还能处理图像等其他类型的数据。生成式 AI 智能体可加速内部调研、分析复杂文档，并为银行员工起草报告。行政类用例与驱动聊天机器人等面向客户的任务有所不同。 机器学习：机器学习模型分析交易历史和过往数据，以实时识别潜在欺诈并按需执行风险评分。这些算法还会持续监控网络活动，以识别异常并拦截可疑交易。 银行业中的对话式 AI、聊天机器人与 IVR 对比 银行使用电话菜单和脚本化聊天机器人已有多年。对话式 AI 则另辟蹊径，构建出与银行系统交互的更自然方式。 以下是这三种方式在实际应用中的差异。 对比项 IVR 基于规则的银行聊天机器人 对话式 AI 智能体 客户交互方式 按键或单词语音指令 输入文本和预设选项 自然语音或文本 理解开放式请求 否 仅限于

匹配字段正文