AWS pateikia tris strategijas, kaip valdyti masyvius JSON duomenų paketus (virš 20 MB) AI agentuose, pasiekiant iki 71 % mažesnį tokenų sunaudojimą ir 80 % mažesnį delsos laiką. Metodas apima duomenų perkėlimą į Amazon S3, rezultatų fragmentavimą ir žodynų glaudinimą.
„AWS“ pateikė tris „OAuth“ konfigūracijas, skirtas „Amazon Bedrock AgentCore“ veikiantiems AI agentams prijungti prie „Snowflake“ valdomų MCP serverių. Šie šablonai leidžia užtikrinti saugų, vartotojo arba bendrųjų paslaugų paskyrų autentifikavimą tarp agentų ir „Snowflake Cortex“ įrankių.
„Amazon“ papildė „SageMaker JumpStart“ „OpenFold3-preview“ modeliu, leidžiančiu prognozuoti baltymų, DNR, RNR ir ligandų 3D struktūras. Sprendimas naudoja asinchroninius užklausų taškus ilgai trunkančioms užduotims atlikti, palaiko automatinį mastelio keitimą bei išteklių mažinimą iki nulio, kai sistema nenaudojama.
AWS pradėjo palaikyti „Linux Foundation“ A2A protokolą, skirtą užtikrinti saugų autonominių agentų bendradarbiavimą skirtingose organizacijose. Šis metodas leidžia skirtingais karkasais (pvz., LangChain, Strands Agents) sukurtiems agentams keistis užduotimis ir duomenimis kaip lygiaverčiams partneriams, neatskleidžiant vidinės logikos ar nesidalijant paslaptimis.
AWS paskelbė vadovą, kaip sukurti įvykiais pagrįstą architektūrą, skirtą automatiškai sinchronizuoti Model Context Protocol (MCP) įrankių schemas su AWS Agent Registry. Naudojant AWS CloudTrail, EventBridge ir Lambda, šis konvejeris aptinka vykdymo laiko pakeitimus ir atnaujina registrą kiekvieną kartą, kai pasikeičia MCP serverio įrankių schema.
„Greenlight Financial“ sėkmingai automatizavo daugiau nei 90 % savo saugumo ir rizikos atvejų sprendimų (iš viso 4 000 atvejų per mėnesį), įdiegdama daugiapakopę agentų architektūrą „Amazon Bedrock AgentCore“ platformoje. Sistema naudoja 1-ojo lygio prižiūrėtoją pradiniam triažui ir 2-ojo lygio prižiūrėtoją išsamiam tyrimui, taip ženkliai sumažindama analitikų darbo krūvį.
Šis atnaujinimas pristato šliuzu (gateway) paremtą architektūrą, skirtą DI agentų prieigai valdyti. Naudojant Amazon Bedrock AgentCore Gateway ir Cedar taisykles, autorizacijos logiką galima perkelti nuo atskirų įrankių į centrinį taisyklių variklį, taip užtikrinant saugumą šimtams agentų.
„Amazon“ atnaujino „AgentCore Gateway“, įtraukdama automatizuotą prieigos žetonų keitimą tarp „Microsoft Entra ID“ ir apsaugotų REST API. Naudojant šį srautą, AI agentai gali atlikti veiksmus tokiose platformose kaip „ServiceNow“, naudodami galutinio vartotojo tapatybę ir teises, o ne veikdami kaip bendra tarnybinė paskyra.
MoEngage sėkmingai pavertė daugiau nei 400 vidinių REST API į agentų įrankius naudodami Amazon Bedrock AgentCore Gateway. Šis metodas panaikino būtinybę rankiniu būdu prižiūrėti MCP serverius, konfigūruoti sudėtingus tinklus ir riziką, kylančią dėl viešojo interneto naudojimo.
AWS pristatė paruoštus „Ray Train“ gilaus mokymosi konteinerius (DLC), kuriuose viename patikrintame atvaizde sujungtos „PyTorch“, „CUDA“, „NCCL“ ir „EFA“ tinklo bibliotekos. Tai leidžia jūsų įmonei diegti paskirstytojo mokymo grupes „Amazon EKS“ platformoje, nereikalaujant prižiūrėti pritaikytų atvaizdų kūrimo procesų ar spręsti sudėtingų tvarkyklių suderinamumo problemų.
AWS paskelbė, kad Amazon SageMaker AI serverless modelio pritaikymo funkcija „training sessions“ dabar prieinama visiems (general availability). Komandos gali rašyti savo po-treniravimo ciklus — įskaitant nuosavas nuostolio funkcijas ir apdovanojimo signalus stiprinamojo mokymosi (RL) užduotims — o SageMaker AI pasirūpina GPU paskirstymu, paskirstytu vykdymu, klaidų atkūrimu ir kontrolinių taškų saugojimu. Palaikomos technikos: SFT, DPO, RLVR, RLAIF ir daugiapakopis RL, galima rinktis LoRA arba pilną derinimą. Funkcija palaiko modelius gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B ir Qwen3.8-27B, o mokestis skaičiuojamas pagal apdorotus žetonus (tokens), sustabdant skaitiklį, kol naudotojo apdovanojimo funkcija vertina atsakymus.
2026 m. spalio 21 d. PHP projektas išleido skubius pataisymus dviem kritinėms spragoms, bendrai vadinamoms PHP2Shell, leidžiančioms užpuolikui vykdyti kodą serveryje be prisijungimo. Abi įvertintos CVSS v4.0 balu 9.2 ir glūdi tame, kaip PHP apdoroja multipart failų įkėlimo užklausas dar prieš paleidžiant pačios aplikacijos kodą. Pataisytos versijos – PHP 8.5.12, 8.4.27, 8.3.36 ir 8.2.35, o AWS papildomai paskelbė AWS WAFv2 taisyklių šablonus bei serverio lygio nustatymus, mažinančius riziką toms komandoms, kurioms reikia laiko diegti atnaujinimą. AWS aiškiai pažymi, kad ugniasienės taisyklės padeda tik pakraštyje – jos negali visiškai uždaryti vienos iš dviejų spragų, todėl pataisymas lieka privalomas.
Amazon „MadPot“ honeypot tinklas 2026 m. spalio 17 d. užfiksavo bandymą išnaudoti spragą, dabar žinomą kaip CVE-2026-109618 ir CVE-2026-109619 (pramintą PHP2Shell) — tai įvyko keturiomis dienomis anksčiau nei oficialus viešas paskelbimas. Užklausa atėjo iš komercinio anonimizacijos tinklo IP adreso, o tai rodo, kad kažkoks užpuolikas turėjo veikiantį eksploitą dar prieš embargo pabaigą. Kai spalio 21 d. 14:00 UTC embargas baigėsi, AWS teigia, kad per kelias valandas jų jutikliuose pasirodė tiek koncepcijos įrodymo (PoC) kodas, tiek realios atakos iš kelių skirtingų infrastruktūros grupių. AWS teigia, kad tai rodo struktūrinį pokytį: AI pagalba paspartina pataisos ar pranešimo pavertimą veikiančiu eksploitu, todėl nebegalioja senesnė prielaida, kad dauguma atakų vyksta tik po viešo PoC paskelbimo.
AWS paskelbė praktinį vadovą apie Adaptive Agentic Intelligence Framework (AAIF), sukurtą ant Strands Agents, kuris paprastas užklausas nukreipia į mažus vietinius modelius (per Ollama), o sudėtingas – į debesijos modelius per Amazon Bedrock. Lengvas 1 milijardo parametrų modelis (llama3.2:1b) veikia kaip orkestratorius, nusprendžiantis, kur nukreipti kiekvieną užklausą; pavyzdyje naudojamas IoT stebėjimo agentas su vietine telemetrijos užklausa, vietine vaizdo analize ir debesijos ekspertinėmis įžvalgomis. AWS teigia, kad hibridinėje konfigūracijoje apie 80 proc. srauto gali būti apdorota vietoje, nekreipiantis į mokamą API, o architektūra gali veikti visiškai krašto įrenginiuose (pvz., Raspberry Pi su 8 GB atminties), visiškai debesijoje arba hibridiniu būdu.
Dirbtinio intelekto tyrimų bendrovė i14 kartu su AWS pritaikė savo Laplace 3B modelį — 24 sluoksnių architektūrą, pagrįstą Gated Linear Attention (GLA) vietoj įprasto transformerių dėmesio mechanizmo — AWS Trainium2 lustams, naudodama natyvų PyTorch (TorchNeuron Native). Vietoj su kiekvienu tokenu augančios KV talpyklos, modelis išlaiko pastovią 29,5 MB pasikartojančią būseną kiekvienai sekai. Viename trn2.48xlarge serveryje komanda pasiekė apie 120 000 tokenų per sekundę mokymo metu ir aptarnavo 11 544 išvesties tokenus per sekundę esant 1 280 lygiagrečių sekų per nemodifikuotą vLLM variklį.
AWS pristatė Agent Registry – valdomą katalogo paslaugą Model Context Protocol (MCP) serveriams, agentams ir agentų įgūdžiams registruoti. Vietoj kiekvieno įrankio kietai užkoduoto orkestratoriuje, agentai dabar gali ieškoti patvirtintame, versijuotame kataloge vykdymo metu ir sukurti klientą pagal grąžintą aprašą. Pavyzdinis sprendimas demonstruoja Discover → Instantiate → Execute ciklą naudojant Amazon Bedrock AgentCore Gateway bei AgentCore runtime, o pagrindinis modelis – Anthropic Claude Sonnet.
AWS kartu su Keyfactor paskelbė referencinę architektūrą, sprendžiančią žinomą Model Context Protocol (MCP) spragą – MCP neturi įmontuoto būdo patvirtinti, kuris agentas iš tikrųjų siunčia užklausą. Architektūra prideda tris pasitikėjimo lygius – vartotojas-sistema, agentas-agentas ir agentas-įrankių serveris – pagrįstus pasirašytais užklausų vokais, vartotojo pasirašytais delegavimo patvirtinimais, RFC 8693 auditorija apribotais tokenais ir realaus laiko OCSP atšaukimo tikrinimu. Veikiantis pavyzdys naudoja Amazon Bedrock ir AWS Strands Agents SDK, o Keyfactor EJBCA išduoda ir tikrina X.509 sertifikatus; visas kodas paskelbtas GitHub.
AWS visiems „Anthropic Claude“ modeliams, veikiantiems „Amazon Bedrock“ platformoje, įdiegė struktūrizuotus atsakymus — tiek standartiniame runtime endpoint'e, tiek naujesniame agentinėms užduotims skirtame Mantle endpoint'e. Vietoj tikėjimosi, kad modelis grąžins teisingą JSON, kūrėjai dabar gali priversti atsakymus tiksliai atitikti schemą naudojant apribotą dekodavimą, kuris neleidžia modeliui generuoti formatą pažeidžiančių token'ų. Papildoma funkcija — griežtas įrankių naudojimas (strict tool use) — tą patį garantą taiko ir funkcijų iškvietimo parametrams, kad agentų darbo eigos nenutrūktų dėl netinkamo formato įvesties.
AWS paleido Pegasus 1.5 — „TwelveLabs“ sukurtą vaizdo-kalbos modelį — kaip visiškai valdomą paslaugą „Amazon Bedrock“ platformoje. Skirtingai nei ankstesnės versijos, atsakydavusios į vieną klausimą apie vieną klipą, šis modelis peržiūri visą vaizdo įrašą ir grąžina JSON sąrašą su visais jūsų apibrėžtus kriterijus atitinkančiais momentais kartu su pradžios ir pabaigos laiko žymomis. Jis taip pat apdoroja ilgesnius įrašus — iki dviejų valandų per vieną užklausą — ir leidžia įkelti vaizdo įrašą tiesiai iš S3 saugyklos arba kaip base64 eilutę, be jokio išankstinio indeksavimo.
AWS išleido „push“ tipo NIXL konektorių vLLM sistemai, keičiantį, kaip raktas-reikšmė (KV) talpyklos duomenys perduodami tarp prefill ir decode egzempliorių atskirtame LLM aptarnavime. Vietoj to, kad decode egzempliorius trauktų KV blokus po prefill pabaigos, decode egzempliorius iš anksto užregistruoja paskirties atmintį, o prefill egzempliorius tiesiogiai įrašo KV duomenis, kai tik jie parengti – taip koordinavimo darbas pašalinamas iš kritinio kelio. Testuojant su Qwen3-32B modeliu 1 prefill/1 decode konfigūracijoje EC2 P5en egzemplioriuose su EFA, push režimas pasiekė iki 3 kartų geresnį laiką iki pirmo tokeno (TTFT) ir iki 30% geresnį vieno tokeno generavimo laiką (TPOT) nei numatytasis pull režimas, ypač esant didelei užklausų apkrovai.
AWS išbandė savo AWS Security Agent (dabar AWS Continuum dalis) su nauju, specialiai sukurtu benchmarku iš 37 realių, neseniai paskelbtų CVE, kiekvieną paleidžiant kaip gyvą konteinerizuotą taikinį su paslėpta vėliavėle. Pradėdamas nuo žemo privilegijų lygio taško, turėdamas tik vienos eilutės užuominą ir jokio PoC, agentas (veikiantis su Claude Opus 5) sėkmingai ir iki galo išnaudojo 33 iš 37 pažeidžiamumų po patikros audito; 2 atvejai perklasifikuoti kaip netinkamu keliu pasiekti sprendimai, o 2 atvejais agentas sugadino taikinį prieš ištraukdamas vėliavėlę. AWS sukūrė šį benchmarką, kad išvengtų viešų CVE rinkinių užteršimo problemos, kai modeliai gali būti įsiminę sprendimus iš mokymo duomenų.
AWS paskelbė valdymo sistemą „Trust in Depth“, skirtą leisti AI agentams veikti su didesne autonomija, bet laikantis vykdomų apribojimų. Ji apjungia agento teisių apibrėžimą prieš diegimą, kiekvieno agento patikrinamą tapatybę, ribų vykdymą realiu laiku per politikos šliuzus ir agento elgsenos stebėjimą po veiksmų. Sistema remiasi automatizuotu samprotavimu (matematiniu įrodymu) tiksliai apibrėžiamoms taisyklėms ir žmogaus sprendimu neaiškiems atvejams, naudojant AWS įrankius: Bedrock AgentCore, Guardrails, Kiro, Strands, Agent Registry ir CloudWatch Omni.
„Tamnoon“ sukūrė „Tami“ – agentinį orkestratorių „Amazon Bedrock“ platformoje, kuris tiria debesijos saugumo radinius iš CNAPP ir debesijos paslaugų teikėjų, įvertina pašalinimo saugumą ir generuoja pataisymus su apsaugos mechanizmais. Įmonė praneša apie daugiau nei 90 % kritinių debesijos pažeidžiamumų sumažėjimą per 90 dienų, be jokių gamybinių problemų. Sistema naudoja keturis specializuotus agentus (tyrimo, saugumo vertinimo, pašalinimo, kodo generavimo), kurie per „Bedrock“ kreipiasi į skirtingus pamatinius modelius, o „Bedrock Guardrails“ ir regionų tarpusavio išvada užtikrina saugumą ir mastelį.
Orca Security sukūrė Discovery AI — Amazon Bedrock agentą, verčiantį paprastus klausimus natūralia kalba į struktūrizuotas užklausas Sonar sistemai, kuri stebi daugiau nei 900 debesijos išteklių tipų. Vietoj vieno didelio modelio su visa schema kiekviename užklausime, gamybinė versija darbą paskirsto devynioms specializuotoms pakopoms ir keliems skirtingiems pagrindiniams modeliams. Rezultatas — gerokai mažesnės sąnaudos, greitesni atsakymai ir geresnis tikslumas sudėtingoms užklausoms; sistema veikia nuo 2026 m. kovo.
AWS pristatė tris branduolio (kernel) lygio optimizacijas Mixture-of-Experts (MoE) modelių aptarnavimui Hopper GPU, sukurtas bendradarbiaujant su vLLM bendruomene ir įdiegtas Amazon SageMaker AI LMI konteineryje. Pakeitimai sprendžia fused MoE skaičiavimų neefektyvumą dekodavimo fazėje su mažomis partijomis, kai anksčiau Tensor Core branduoliai būdavo nepilnai išnaudojami. Kartu optimizacijos suteikia iki 10% didesnį pralaidumą ir iki 9% greitesnį laiką iki pirmo tokeno (TTFT).
AWS išleido pirmą dalį iš dviejų dalių vadovo, kaip sukurti kvantams atsparią programinės įrangos tiekimo grandinę naudojant ML-DSA parašus (NIST FIPS 204) per AWS KMS, AWS Private CA ir IAM Roles Anywhere. Vadove aprašomas dvejetainių failų, konteinerių vaizdų ir SBOM pasirašymas, ir tai pristatoma kaip pirmas pilnas debesijos tiekėjo vadovas apie kvantams atsparų pasirašymą – nuo pasitikėjimo šaknies sukūrimo iki politikos vykdymo. Tai reaguoja į artėjančius reikalavimus: NSA CNSA 2.0, reikalaujantį išskirtinai kvantams atsparių parašų iki 2030 m., ir ES Kibernetinio atsparumo aktą (CRA), kuris pilnai įsigalios 2027 m. gruodį.
AWS paskelbė tęsinį apie tai, kaip organizacijos gali priversti laikytis patvirtintų ML-DSA (postkvantinio pasirašymo) parametrų rinkinių visoje AWS aplinkoje. Straipsnyje aprašoma, kaip naudojant Service Control Policies (SCP) organizacijos ar OU lygmenyje bei IAM leidimų ribas blokuoti nepatvirtintų ML-DSA variantų (pvz., ML-DSA-44) kūrimą ir naudojimą, paliekant leistinus (ML-DSA-65/87) visiškai veikiančius. Taip pat aptariama AWS Private CA bei sertifikatų kontrolė ir kompromisas tarp draudimo sąrašų (naujas variantas pagal nutylėjimą leidžiamas) ir leidimo sąrašų (naujas variantas pagal nutylėjimą blokuojamas).
AWS kartu su Postman paskelbė techninę apžvalgą, kaip Postman sukūrė „Agent Mode“ – AI pagrįstą sąsają API testavimui ir dokumentacijai, veikiančią produkcinėje aplinkoje dideliu mastu. Komanda nustatė, kad didžiausia kliūtis buvo ne modelio kokybė, o įrankių gausa ir trūkstamas kontekstas. Įraše aprašomi architektūriniai sprendimai: dinaminis įrankių parinkimas, schema pagrįstos užklausos, specializuoti konteksto apdorojimo moduliai bei Amazon Bedrock teikiamos galimybės – modelio lankstumas, kelių regionų išvada, duomenų rezidavimo kontrolė ir prompt caching.
AWS paskelbė atvejo analizę apie Amazon Bedrock AgentCore payments – valdomą funkciją, leidžiančią AI agentams savarankiškai mokėti už paslaugas, pvz., modelio užklausas, po vieną kartą naudojant x402 mokėjimų protokolą. Incarna šią funkciją panaudojo tam, kad jos agentai galėtų mokėti BlockRun, kelių tiekėjų inferencijos maršrutizatoriui, už kiekvieną atskirą modelio užklausą, atsiskaitant USDC stabilia moneta Base tinkle. AWS teigia, kad Incarna sutrumpino integracijos laiką nuo planuotų dviejų–trijų mėnesių iki trijų dienų ir apie 200 kodo eilučių. Beta testavimo metu agentai apdorojo daugiau nei 1000 mokėjimų, svyruojančių nuo 0,001 iki 0,05 USD už užklausą.
AWS pristato naują dviejų pakopų prieigos kontrolės architektūrą RAG (Retrieval Augmented Generation) sistemoms „Amazon Quick“ ir „Amazon Bedrock Knowledge Bases“. Vietoj to, kad pasikliautų tik periodiškai sinchronizuojamais prieigos sąrašais (ACL), sistema dabar realiu laiku tikrina teises tiesiogiai šaltinio sistemoje (pvz., Google Drive, SharePoint, Confluence) užklausos metu, prieš perduodama turinį LLM. AWS teigia, kad tai panaikina saugumo spragas, atsirandančias dėl pasenusių ar netiksliai susietų teisių tarp sinchronizavimų. Kaip pavyzdys minima „Mondelēz International“, turinti daugiau nei 35 000 darbuotojų.
AWS paskelbė žingsnis po žingsnio instrukciją, kaip suteikti Claude Desktop (veikiančiam per Amazon Bedrock) gyvą interneto prieigą per Amazon Bedrock AgentCore Gateway, taip užpildant spragą, kurią sukuria modelio mokymo duomenų atnaujinimo riba. Sąranka sujungia AWS IAM Identity Center SSO su Amazon Cognito kaip SAML-į-OAuth federacijos sluoksniu, kuris išduoda JWT žetonus, tikrinamus AgentCore Gateway kiekvienos užklausos metu. Pati Web Search funkcija yra suderinama su MCP ir veikia naudodama vidinį Amazon žiniatinklio indeksą, apimantį dešimtis milijardų dokumentų, todėl užklausos nepalieka AWS infrastruktūros ir nereikia trečiosios šalies API raktų. Šiuo metu funkcija pasiekiama tik trijuose AWS regionuose: us-east-1 (N. Virginia), eu-west-1 (Airija) ir ap-northeast-1 (Tokijas).