Pereiti prie turinio
2026 m. lapkričio 20 d., penktadienis
Tenesys AI News
Prenumerata

Visos naujienos

TENESYS AI NEWS seka svarbiausias AI naujienas ir paaiškina, kas pasikeitė, kodėl tai svarbu ir ar technologiją verta išbandyti.

#Amazon Bedrock — 7 straipsniai ✕

Automatizavimas· 🧪 Verta testuoti

AWS Agent Registry atnaujinimo automatizavimas MCP serveriams

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.

AWS Machine Learning
Agentai· Svarbu· 🧪 Verta testuoti

„AWS“ pristatė nepriklausomą nuo sistemos AI agentų vertinimo įrankį

„Amazon“ išleido universalų agentų vertinimo sistemos (UAEF) sprendimą, skirtą standartizuoti AI agentų testavimą. Naudojant adapterius, įvairių karkasų, tokių kaip „LangChain“ ar „LangGraph“, vykdymo sekos konvertuojamos į bendrą formatą, leidžiantį taikyti nuoseklius vertinimo kriterijus.

AWS Machine Learning
Modeliai· Svarbu· 🧪 Verta testuoti

„Moonshot AI“ pristatė „Kimi K3.1 Pro Highspeed“ platformoje „Amazon Bedrock“

„Moonshot AI“ išleido „Kimi K3.1 Pro Highspeed“ – naują modelį „Amazon Bedrock“ platformoje, skirtą sudėtingoms agentų užduotims ir programavimo darbams. Šis modelis pasižymi 2–3 kartus didesniu generavimo greičiu nei standartinė versija, palaiko konfigūruojamą logiką, įrankių iškvietimą bei „explicit prompt caching“ funkciją išlaidų optimizavimui.

AWS Machine Learning
Agentai· Svarbu· 🧪 Verta testuoti

Keičiamo mastelio MCP architektūra AI agentams

„Amazon“ pristatė „serverless“ modeliu pagrįstą „Model Context Protocol“ (MCP) sąsają, veikiančią „Amazon ECS Fargate“ pagrindu. Ji leidžia AI agentams užklausti įmonės duomenų saugyklas naudojant metaduomenimis pagrįstą metodą – vietoj individualaus kodo rašymo kiekvienam duomenų rinkiniui, pakanka sukurti JSON aprašą.

AWS Machine Learning
Agentai· 🧪 Verta testuoti

AWS pristato hibridinį agentų karkasą, mažinantį LLM kaštus derinant vietinius ir debesijos modelius

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.

AWS Machine Learning
Agentai· Svarbu· 🧪 Verta testuoti

AWS ir Keyfactor parodė, kaip apsaugoti kelių agentų tapatybę sertifikatais vietoj bendrų raktų

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 Machine Learning

AWS Bedrock įtraukė „TwelveLabs“ Pegasus 1.5 struktūrizuotai vaizdo įrašų paieškai

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 Machine Learning