Hugging Face、Transformersのモデル統合契約(MIC)を提案——小型モデルでCPU上で回帰不具合を検出
Hugging FaceはModel Integration Contracts(MIC)標準を提案した。実際のcheckpointを縮小したfixtureを安価なCPU上で実行して統合テストを行い、PR段階で回帰を検出する。
Hugging FaceはModel Integration Contracts(MIC)標準を提案した。実際のcheckpointを縮小したfixtureを安価なCPU上で実行して統合テストを行い、PR段階で回帰を検出する。
OpenAIは、Codexがもたらす開発規模を支えるため、Git互換バックエンドPandoを構築した。このバックエンドは大規模な開発シナリオ向けに設計されており、具体的な性能指標や公開状況は原文では明らかにされていない。
Circle KはAmazon Bedrockを基盤にエージェント型の自動トリアージシステムを構築し、DevOpsインシデントの平均トリアージ時間を45〜60分から15分以内に短縮した。社内指標での削減幅は67〜75%に達する。
Amazon Bedrock AgentCore、Amazon Nova Multimodal Embeddings、オープンソースのStrands Agents SDKを基に、部品代替評価における文書横断検索と根拠の集約を自動で行うマルチエージェント型エンジニアリングアシスタントを構築できる。
AWS は、系列レベルの知識蒸留(SeqKD)を用いて Amazon SageMaker AI 上でショッピングエージェントをファインチューニングする方法を紹介した。フロンティアの教師モデルが多段階のツール呼び出し軌跡を生成し、タスクを解けるサンプルのみを残して、教師ありファインチューニングで小規模モデルを訓練する。SeqKD は教師モデルのテキスト出力のみを必要とし、logits や強化学習の基盤を要しないため、API のみを提供するクローズドソースの教師モデルにも適用でき、軌跡データを異なる生徒モデルの訓練とテストに再利用できる。
Amazon Bedrock Knowledge Basesで細かい制御が必要なウェブソースには、オープンソースのPythonクローラーCrawl4AIで前処理を行う。各ページをMarkdownとメタデータのサイドカーとしてAmazon S3にアップロードし、ナレッジベースのS3データソースから取り込む。
AWS は、Amazon Bedrock のコストを帰属・可観測性・強制・最適化・運用の5ステップのループで管理する方法を提示した。Amazon Bedrock は IAM プリンシパル単位での推論コストの自動帰属に対応している。
NVIDIAの社員がNemotron Voice Agentでハロウィン向けのインタラクティブ投影MonsterHouseを制作した。Nemotron ASRが聞き取り、Nemotron 3.5 Bolt E4B 4GBが対話、Magpie TTS Zeroshotが発話、Audio2Face-3Dが口の動きを担い、すべて1台のワークステーション上で動く。
ChatGPT デスクトップアプリが AWS GovCloud (US) の Amazon Bedrock で利用可能になった。Work と Codex の 2 つのコンポーネントを通じて OpenAI のフロンティアモデルにアクセスできる。
マイクロソフトはIndustry Evaluation Data Generation Platformを構築し、O*NETや求人情報、SEC提出書類などの公開データをもとに生成した完全合成の企業環境でMicrosoft Copilotを評価している。顧客データは一切使用しない。
MoEngageはAmazon Bedrock AgentCore Gatewayを活用し、VPC内の非公開REST API約400個を権限管理されたエージェントツールに変換した。プラットフォームエンジニアリングの工数を約6カ月分削減し、新規APIの接続は数日から数時間に短縮。MCPサーバーのコードを書かず、公開エンドポイントも設けず、AIプラットフォームチームがMCP層を一元管理し、各エンジニアリングチームはOpenAPI specを提供するだけで済む。
Kiroは再現可能なPHPからJavaへの移行エンジンを提供する。元のPHPアプリを仕様とみなし、共有メソッド論、機械的な検出スキャナー、8段階のワークフローで移行を進め、parity harnessでJava移植版の動作が一致すると確認できて初めて正しいと判定する。同じskillファイルはKiro内でアプリごとにインタラクティブに実行できるほか、AWS Transformに渡して複数アプリをエージェント方式で並列処理することもできる。
Amazon Nova Act で構築した QA Studio に「アプリケーション」と「チームベースのユーザー管理」の2機能を追加し、組織内でテスト自動化を大規模に展開できるようにした。アプリケーションはテストのコンテナとして環境ごとに実行結果を記録し、0〜100のヘルススコアを生成する。不安定なテストは減点され、7日間は時間単位、30日間は日単位で推移を確認できる。権限は Admin、Team Lead、Editor、Executor、Viewer の5段階で、アプリケーションは単一のチームに属し、他のチームからは見えない。
AWS は Ray Train DLC イメージ(public.ecr.aws/deep-learning-containers/ray:train-ml-cuda-v1.1)を公開した。Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7、EFA と AWS OFI NCCL プラグインを統合済みで、自前でイメージを構築する必要はない。
AWSはAmazon Bedrock AgentCoreを基盤とする企業向けAgentic AIプラットフォームのブループリントを公開した。連邦型の運営モデルを採用し、中央のPlatformチームがガバナンスされた共有サービスを提供、各Workstreamチームがエージェント、ツール、データの所有権を保持する。
ExowattはAmazon SageMaker AIのサーバーレスモデルカスタマイズを活用し、エッジとクラウドの2つの展開先向けにタスク特化モデルをファインチューニングした。精度はフロンティアモデルを上回り、コストは最大49分の1に抑えられる。エッジのアラームトリアージにはQwen3-1.7B、クラウドのエネルギー市場分析にはQwen3-14Bを基にし、後者はAmazon Bedrock Custom Model Importでホストされる。このプロセスにより、生の運用データから評価済みの展開成果物までの道のりが数カ月から数日に短縮された。
Property Finderは、評価ラベルの96.8%が人手による検証ではなく既存の視覚言語モデルの予測に由来しており、代替モデルが比較で構造的に不利になっていたことを突き止めた。チームはUAEの画像356枚を再び人手でラベリングし、マルチラベル分類に切り替え、v0からv27までのプロンプト反復最適化を組み合わせてAmazon Bedrock上で新モデルを選定。精度は向上し、コストは86%削減された。
OpenAIのエンジニアはCodex Ultrafastを使い、インシデント調査の時間を数時間から数分に短縮した。このツールは迅速なセキュリティ分析やコードのリファクタリングにも活用され、日常の開発ワークフローに組み込まれている。
AWS CDKを使ってマネージドAmazon Bedrock Knowledge Base上に企業向けエージェント検索システムをデプロイし、AgenticRetrieveStream APIで複数ターンの計画、ツール駆動の検索、引用付き回答生成を実現する方法を解説する記事。
Amazon BedrockでOpenAIモデルを使う場合、プロンプトキャッシュにより、AIエージェントが毎ターン、ツール定義や指示、履歴を再送信するのを避けられ、入力コストを抑えられる。キャッシュには、Bedrockが再利用可能なプレフィックスを自動選択する暗黙的キャッシュと、prompt_cache_breakpointで境界を指定する明示的キャッシュの2種類があり、併用が推奨される。
AWSはSageMaker Python SDK v3に基づくフリート全体のコンピュータビジョンモデルのライフサイクル管理ソリューションを発表した。非推奨となったSageMaker Edge Managerに代わり、SageMaker Neoでエッジ最適化を行う。
Bayer Crop ScienceはAmazon Bedrock AgentCoreを基盤にマルチエージェント型の自然言語インターフェース「Agentic Decision Engine(ADE)」を構築した。第1フェーズでは、ユーザーの質問の約80%がエンジニアの介入なしで解決される。
SageMaker AIのリアルタイムエンドポイントを更新する際、自動スケーリングが登録済みだとデプロイが失敗する問題について、AWSは再利用可能なCDK constructを提示した。3つのCloudFormationカスタムリソースを使い、エンドポイント更新の前後でスケーリングターゲットを自動的に登録解除・再登録する。
AWSはAmazon SageMaker AIで多ターン強化学習(MTRL)を行うためのエンドツーエンドの実践ガイドを公開した。訓練ジョブはAgentCoreでホストされるエージェントが複数ターンの対話をこなし、エピソード全体の結果に対してのみ報酬を与える。
OpenAIは信頼性の高いマルチテナント構成、グローバルキャッシュ、Azure Cosmos DBを用いてHabitatストレージシステムを拡張し、ChatGPTの読み取り速度を12倍に向上させた。このシステムは10億人を超えるChatGPTユーザーの規模を支える必要がある。
RescaleはAWSのAI-DLCフレームワークに基づいてAIトリアージエージェントを構築し、課題定義からステージング環境へのデプロイまでをわずか5日で完了、数週間で本番環境に投入した。
自前でホストする TTS エンドポイントの自動スケーリング目標値を推測に頼る問題に対し、AWS は Amazon SageMaker AI のリアルタイムエンドポイントに 8200 万パラメータの Kokoro-82M をデプロイし、実測した Q_max(1 インスタンスが SLO 内で処理できる最大同時実行数)と T_total(スケールアウト 1 回のエンドツーエンド所要時間)から、スケールアウトしきい値、スケールインしきい値、2 つのクールダウン時間を算出した。
音声合成モデルKokoro-82MをAmazon SageMaker AIのリアルタイムエンドポイントでホストし、AIエージェントが生成した文を1文ごとに即座に合成に回すことで、応答全体の生成を待たずに音声の再生を始められるようにする。
IskayPetはAmazon Bedrock Managed Knowledge Basesを基に企業知識アシスタントを構築し、従業員が小売運営、獣医療、人事オンボーディング、購買などの文書を自然言語で照会できるようにした。4言語・3カ国をカバーし、RAGインフラを自前で管理する必要はない。
AWSソリューションアーキテクチャチームがマルチエージェントシステムDeep Insightをオープンソース化した。Coordinator、Planner、Supervisor、Coder、Validator、Reporter、Trackerなどのエージェントが、CSVデータ分析から引用付きDOCXレポートの自動生成までを担う。
AWS は、AWS PrivateLink の VPC エンドポイントと Quick の VPC 接続を通じて、Amazon Quick がパブリックインターネットを経由せずに企業ファイアウォール背後のオンプレミスデータソースへアクセスできるようにする構成を公開した。
単一の trn2.48xlarge(Trainium2 を 16 基、論理 NeuronCore を 64 個搭載)上で、torchtitan は TorchNeuron を通じて Trainium をネイティブな PyTorch デバイスとして登録できる。
Strands Agents で構築した Adaptive Agentic Intelligence Framework(AAIF)は、llama3.2:1b をオーケストレーション層としてリクエストを分類し、定型タスクは Ollama のローカル SLM で処理、複雑な分析は boto3 経由で Amazon Bedrock にルーティングする。
Hugging Face のブログが「Profiling TorchNeuron」シリーズの第1回を公開した。AWS Trainium 上で torch.profiler を NeuronConfig および NeuronProfiler と組み合わせてクリーンな trace を取得し、key_averages() テーブルから Neuron デバイス時間を消費する演算子を特定する方法を解説している。
AWS ブログは、AtScale をセマンティックレイヤーとし、Amazon Bedrock AgentCore 上で Strands エージェントを動かす C360 構成を実演した。AtScale は YAML ベースの Semantic Modeling Language でモデリングし、同一モデルを SQL、XMLA、MCP の 3 プロトコルで同時に公開する。
AWSブログは、Strategy MosaicをセマンティックレイヤーとしてAmazon RedshiftとAmazon Aurora上にCustomer 360モデルを構築し、Amazon Bedrock AgentCore上でホストするStrandsエージェントがMCPエンドポイント経由でそのモデルにアクセスする例を紹介した。
Denodo Platform をセマンティックレイヤーとして、Amazon Bedrock AgentCore でホストするエージェントと組み合わせ、Amazon Aurora、Amazon Redshift、オンプレミス PostgreSQL の 3 つのデータソースをフェデレーテッドクエリして Customer 360 ビューを構築する方法を解説する。
Eonはツールごとの認証情報とローカルMCPプロセスをAmazon Bedrock AgentCoreのMCP Gatewayに置き換え、開発者と自律型SREエージェントが単一の認証ゲートウェイを通じてAWS、GCP、Azureの3クラウド上の調査ツールにアクセスできるようにした。
AWSとKeyfactorが参照アーキテクチャを共同公開。Keyfactor EJBCAのX.509 PKIを用い、MCPベースのAIエージェントに検証可能で失効可能なIDを付与する。
AWSは、MCPサーバーやエージェント、エージェントスキルのカタログ化と検出を行うAgent Registryを公開し、Discover → Instantiate → ExecuteのPython例を示した。