AWS 推出 SageMaker 训练会话 API：自写训练循环，GPU 交由服务管理
AWS Machine Learning Blog 介绍 Amazon SageMaker AI 训练会话 API：用户可在 Python 脚本中编写自己的 LLM 训练循环，支持 SFT、RL 或自定义目标，由 SageMaker 运行 GPU。文章介绍编程模型和三个 SDK 客户端，并演示 GSM8K 上的 GRPO 循环及竞争性编程强化学习工作负载。
#AWS
AWS Machine Learning Blog同新闻 AWS Machine Learning Blog精选 AWS 为 SageMaker AI 无服务器模型定制新增训练会话并正式可用
AWS 机器学习博客称，Amazon SageMaker AI 的无服务器模型定制现已包含训练会话并正式可用。用户可编写和协调自己的后训练循环，包括自定义损失函数、奖励信号或多轮强化学习；SageMaker AI 负责 GPU 分配、分布式执行、故障恢复和检查点存储。
为什么值得看：对企业负责人而言，这提供了在不自建 GPU 运维体系的情况下开展模型后训练的一种托管路径，可能影响 AI 团队的部署方式、运维投入和迭代效率。但来源为厂商披露，未给出支持模型范围、区域、配额和价格等细节，实际成本与效果需进一步核实。
AWS Machine Learning Blog精选 Amazon Polly 生成式引擎升级：新增 14 种声音，印地语和芬兰语正式可用
AWS 披露 Amazon Polly 生成式引擎完成重大升级，语音更自然、更准确且保持低延迟，新增 14 种声音、覆盖 9 个语种，印地语和芬兰语进入正式可用阶段。该升级为无需修改代码的直接替换，并已在生产环境正式可用。
为什么值得看：对企业负责人而言，这类升级可在不改动现有语音集成的前提下提升客服、IVR、内容播报和多语种服务的语音质量与语种覆盖，降低多语种服务扩展门槛。需注意效果数据来自厂商披露，具体区域可用性、定价和配额限制应进一步核实。
AWS Machine Learning Blog精选 Rescale 基于 Strands Agents 与 AI-DLC 构建 AI 测试分诊代理
据 AWS Machine Learning Blog 消息，Rescale 在 AWS 上采用 AI-Driven Development Lifecycle（AI-DLC）框架，结合 Strands Agents 与 Amazon Bedrock，在数周内构建了一个智能测试分诊代理，并正在其工程组织内推广该实践。来源称 AI-DLC 用于组织 AI 辅助开发流程。
为什么值得看：企业负责人可关注两点：一是 AI 代理切入研发流程中的测试分诊环节，属于可落地的工程效率场景；二是 AI-DLC 提供了一套组织 AI 辅助开发的方法框架，对团队规模化采用有参考意义。需注意该案例为厂商披露，构建周期与推广效果未独立验证，具体成本、准确率和覆盖范围未公开，且框架绑定特定厂商生态。
AWS Machine Learning Blog精选 AWS 博客梳理多智能体系统投产五大挑战，以开源 Deep Insight 为例
AWS Machine Learning Blog 发文指出，许多团队能在数天内搭建多智能体 AI 原型，但在生产环境会遇到障碍。文章归纳五类生产挑战：编排、按智能体选择模型、可靠运行、安全代码执行和监控，并说明开源多智能体系统 Deep Insight 在 AWS 上如何应对这些问题。
为什么值得看：对企业负责人而言，文章把多智能体落地难点归纳为可检查的工程维度，尤其是安全代码执行和监控，有助于在试点转生产前评估架构与治理要求。但文章为厂商博客，未给出可独立核实的性能或成本数据，具体收益需结合自身场景验证。
AWS Machine Learning Blog精选 AWS 博客介绍 Smartsheet MCP：让 AI 代理接入工作管理数据
AWS Machine Learning Blog 发文介绍 Smartsheet Model Context Protocol（MCP）Server，称其可让 AI 代理读取、更新并操作 Smartsheet 中的实时数据。文章展示在 AWS 上连接该服务的两种方式：面向业务团队的 Amazon Quick 和面向开发者的 Kiro，使代理无需切换工具即可处理 Smartsheet 工作内容。
为什么值得看：对企业负责人而言，这提供了将 AI 代理接入现有工作管理平台的具体集成路径，可能影响项目协作、任务更新等流程效率；但来源为厂商博客，未披露价格、权限与安全细节，落地前需核实。
AWS Machine Learning Blog精选 AWS 博客介绍通过 Smartsheet MCP 让 AI 代理接入实时工作流数据
AWS Machine Learning Blog 发文介绍 Smartsheet Model Context Protocol（MCP）Server，称其可让 AI 代理读取、更新并操作 Smartsheet 中的实时数据。文章展示在 AWS 上接入的两种方式：面向业务团队的 Amazon Quick 和面向开发者的 Kiro，使代理无需切换工具即可使用 Smartsheet。
为什么值得看：该信息展示了 AI 代理与企业现有工作流数据平台对接的具体路径，涉及办公自动化与代理集成，企业负责人可据此评估代理接入现有协作工具的方式；但来源为厂商博客，效果、安全与成本细节需进一步核实。
AWS Machine Learning Blog精选 AWS 发布基于 Strategy Mosaic 与 Bedrock AgentCore 的智能体语义层方案
AWS Machine Learning Blog 发布语义层系列第三篇文章，介绍如何用 Strategy Mosaic 在 Amazon Redshift 和 Amazon Aurora 上构建 Customer 360 语义层，并通过 Mosaic MCP server 将其提供给 Amazon Bedrock AgentCore 上的 Strands agent 使用，同时端到端实施按用户的行级和列级安全控制。
为什么值得看：该方案展示了企业智能体访问跨数据源统一语义层并落实细粒度权限控制的架构路径，对企业数据治理、智能体落地和权限安全有参考价值；但属于厂商披露的方案介绍，实际效果、成本和运维复杂度需企业自行评估。
AWS Machine Learning Blog精选 AWS 博客：用 Denodo 与 Bedrock AgentCore 构建面向智能体的受治理语义层
AWS Machine Learning Blog 介绍了一种架构方案：使用 Denodo 平台与 Amazon Bedrock AgentCore 构建受治理的语义层，将 Amazon Aurora、Amazon Redshift 和本地 PostgreSQL 联邦为统一的客户 360 视图，智能体通过 VQL 查询该视图，身份传递和行列级访问控制在语义层执行。
为什么值得看：对企业负责人而言，该方案展示了智能体访问多源企业数据时如何集中管理权限与数据视图，可作为评估智能体数据安全、跨系统集成和治理架构的参考；但文中未披露性能、成本和实际落地效果，需结合自身环境验证。
AWS Machine Learning Blog精选 AWS 发布基于 X.509 PKI 的 AI 智能体身份安全参考架构
AWS Machine Learning Blog 介绍了一种使用 Keyfactor EJBCA 与 AWS 服务保障多智能体 AI 系统身份安全的参考架构。该架构结合签名请求信封、用户签名的委托断言、RFC 8693 受众限定令牌和实时 OCSP 吊销，用于在智能体间及 MCP 工具调用中证明智能体身份并防止请求伪造。
为什么值得看：企业负责人在部署多智能体或 MCP 工具调用时，可关注该架构提供的身份认证、委托授权和吊销思路，用于评估自身 AI 流程的安全与合规设计。需注意这是参考架构，未披露价格、上线范围和实际效果，落地前应结合企业环境核实。
AWS Machine Learning Blog精选 AWS 推出 Agent Registry：代理可在运行时语义发现 MCP 服务器与 A2A 代理
AWS Machine Learning Blog 发文介绍 AWS Agent Registry 的运行时“发现、实例化、执行”循环。文章指出，当代理的工具目录从少量增长到数百个时，硬编码工具连接会失效；该方案让编排器在运行时通过语义搜索发现 MCP 服务器和 A2A 代理，而不是在构建时编译每个工具。
为什么值得看：对企业负责人而言，这提供了代理工具集成从静态硬编码转向运行时发现的思路，可能影响代理平台的可扩展性、维护成本和工具治理方式。但该内容为厂商披露，缺少成本、延迟、可用区域和生产效果数据，需进一步核实后再评估落地。
AWS Machine Learning Blog精选 AWS 新体验让开发者几步接入 SageMaker Studio
AWS 表示，新的 Amazon SageMaker AI 客户可通过已有 Amazon、Apple、GitHub 或 Google 身份，在几步内进入已配置好的 SageMaker Studio 环境；多数客户无需高级 AWS 账户或信用卡，并可获得 100 美元 AWS Free Tier 额度。
为什么值得看：该变化降低了企业试用托管机器学习开发环境的开户与初始配置门槛，适合小范围评估团队上手体验；但现有客户适用性、区域、配额、合规和长期费用均未披露，企业应将其视为试用入口而非完整的企业部署方案。
AWS Machine Learning Blog精选 Amazon SageMaker JumpStart 2026 年前三季度新增 100 多个模型，并简化模型部署入口
AWS 官方博客回顾称，Amazon SageMaker JumpStart 在 2026 年前三季度接入了来自 30 家提供商的 100 多个新模型，并介绍了简化版 Model Hub、预配置部署选项以及与 Hugging Face 的深链集成。
为什么值得看：对企业负责人而言，这提供了 AWS 模型接入与部署能力变化的线索：更多第三方模型进入 JumpStart，配合预配置部署和 Hugging Face 深链，可能降低在 AWS 上试用和部署模型的集成工作量。但该信息来自厂商披露，具体模型、价格、区域覆盖和实际效率提升仍需核实，适合作为云上 AI 平台选型的参考信息，而非直接采购依据。
AWS Machine Learning Blog精选 AWS 博客：vLLM 双向 KV 传输可降低多轮 Agent 首 token 延迟
AWS Machine Learning Blog 发文介绍，多轮 agent 负载每轮都会重复处理不断增长的对话上下文，推高延迟。文章称，双向 KV cache 传输让 prefill 与 decode 节点跨轮复用已计算的上下文，在配备 EFA 的 Amazon EC2 P5en 实例上，Qwen3-32B 的首 token 时间最高改善 1.6 倍，GLM-5-FP8 最高改善 3.3 倍。
为什么值得看：对运行多轮 AI 助手或 agent 流程的企业，首 token 延迟直接影响交互体验和流程效率。该信息提供了推理侧复用上下文的具体优化方向及厂商披露的量化效果，可作为评估推理部署架构的参考；但需注意测试环境特定、版本与部署要求未说明，效果不能直接视为自身业务收益。
AWS Machine Learning Blog精选 AWS 博客介绍 Reflection Beam：面向 agentic coding 的开源权重模型及部署方案
AWS Machine Learning Blog 发文介绍 Reflection AI 的 Beam，称其为面向 agentic coding 和长周期任务的开源权重模型。文章说明可在 AWS 上部署 Beam：使用 Amazon SageMaker JumpStart 实时端点，或通过 Amazon SageMaker HyperPod Inference 配合 JumpStart、SGLang 或 vLLM，在 Kubernetes 原生环境中控制分布式 GPU 基础设施。
为什么值得看：企业负责人可据此评估将开源权重编程代理模型部署在自有 AWS 环境中的路径，涉及模型选型、推理框架和 GPU 基础设施管理；但来源未提供效果、成本或合规细节，需进一步核实。
AWS Machine Learning Blog精选 AWS 提出 Trust in Depth 分层框架：让 AI 代理获得更多自主权而不失控
AWS 机器学习博客指出，企业领导者希望 AI 代理承担更多工作，但并不完全信任它们每次都能正确行动。为此 AWS 提出名为 Trust in Depth 的分层方法，包含 scope、know、bound、observe、prove 五个环节，让代理在行动可被验证时自主执行，把需要判断的决策保留给人类。
为什么值得看：对企业负责人而言，该框架提供了在授予 AI 代理自主权的同时保留控制权的治理思路，可用于设计代理的授权边界、可观测性与验证机制，平衡效率与风险。需注意这是 AWS 披露的方法论，缺少独立验证的效果数据与具体实施成本，落地前应结合自身流程评估。
AWS Machine Learning Blog精选 Amazon SageMaker JumpStart 模型部署与评估操作指南
AWS 机器学习博客介绍如何从 Amazon SageMaker JumpStart 部署可用模型，使用 SageMaker Python SDK 运行轻量且可重复的性能测试，并在测试完成后删除端点。
为什么值得看：企业负责人可借此了解模型部署、性能测试和端点清理的标准流程，有助于评估 AI 模型上线的操作路径与资源管理方式；但来源未给出具体模型、性能指标或成本数据，需结合实际情况核实。
AWS Machine Learning Blog精选 AWS 推出结合 Anchor Browser 与 AgentCore payments 的自主交易 AI 代理方案
AWS 机器学习博客介绍，AWS Generative AI Innovation Center Partner Agent Factory 与 Anchor Browser 构建了可自主为 x402 保护的网页资源和 API 付费的 AI 代理；Amazon Bedrock AgentCore payments 负责检查预算、签名交易并重试请求，且不向代理运行时暴露钱包凭证。
为什么值得看：企业负责人可关注该方案在代理自动化调用付费资源时的预算管控与凭证隔离设计，评估其用于采购、数据访问等流程的可行性；但需注意这是厂商披露，实际可用范围、成本与合规性尚待核实。
AWS Machine Learning Blog精选 AWS 发布多节点 Ray LLM 深度学习容器，支持跨 GPU 节点部署大模型推理
AWS 博客介绍在 Amazon EKS 上使用多节点 Ray LLM Deep Learning Containers，将一个大语言模型跨两个 GPU 节点部署，prefill 与 decode 节点分离，并统一在一个 OpenAI 兼容端点之后。预构建容器包含完整推理栈，用户配置部署而非自行组装。
为什么值得看：企业负责人可关注其对企业自建大模型推理的参考价值：多节点扩展可应对单节点显存不足，OpenAI 兼容端点便于对接现有应用，预构建容器可能减少推理栈集成与运维投入。但需注意该信息来自厂商披露，缺少独立性能与成本验证，实际部署前应核实模型支持范围、硬件成本、吞吐延迟及运维要求。
AWS Machine Learning Blog精选 AWS 发布跨团队共享 GPU 集群的隔离与公平调度参考架构
AWS Machine Learning Blog 介绍了一套参考架构，用于在多个团队之间安全共享同一个 Amazon SageMaker HyperPod EKS 集群。该架构使用 AWS IAM Identity Center 进行身份认证，通过按团队划分的 SageMaker Domain 和 Kubernetes namespace 实现隔离，借助 HyperPod Task Governance 保障公平性，并在 namespace 级别进行成本分摊以支持内部计费。
为什么值得看：企业负责人可关注其用于多团队共享 GPU 资源时的隔离、公平调度与成本归属思路，但需注意这是参考架构，实际效果依赖自身环境，且绑定 AWS 特定服务。
AWS Machine Learning Blog精选 Claude Haiku 5.5 上线 AWS：主打高并发低成本子代理场景
AWS 机器学习博客介绍，Claude Haiku 5.5 现已在 Amazon Bedrock 和 AWS 上的 Claude Platform 提供。据 Anthropic 称，它是 Claude 5.5 系列中速度最快、最高效的模型，面向子代理和高并发、成本敏感型工作负载，多数任务成本比 Claude Haiku 4.5 低约 75%。文章还介绍了其改进点及上手方式。
为什么值得看：对企业负责人来说，值得关注的是模型选型与推理成本：若企业已在 AWS 上构建代理或批量自动化流程，该模型据厂商披露可显著降低单位任务成本，并可直接在既有 AWS 平台内接入，减少额外集成工作。但性能与成本数据均为厂商披露，落地前应结合自身任务做小范围验证，并确认区域可用性、配额与数据合规要求。