跳到正文

#教程/实践

今日 0 条

10月21日

星期三
  1. 在 Amazon SageMaker HyperPod 上微调 GPT-OSS-20B 实现多语言推理

    GPT-OSS-20B 在 50 例多语言推理测试中仅 22% 用目标语言推理(英语 100%、法语 0%、德语 10%、西班牙语 0%、意大利语 0%),团队在 Amazon SageMaker HyperPod 上用 LoRA 结合 SFT 与 GRPO 微调以纠正其英语偏好。结论是 SFT 承担主要工作,GRPO 在存在提升空间时进一步优化,技术选择需匹配能力差距。

10月20日

星期二
  1. 如何在 VS Code 中继续 GitHub Copilot 应用会话

    GitHub Copilot 应用中的会话可直接在 VS Code 中打开,保留任务、计划和对话上下文,以及会话对应的 worktree 和代码 diff。用户可在 VS Code 中逐行审查改动、手动编辑、用集成终端运行测试,并继续向 Copilot 提问。完成后可将改动提交并推送到该会话关联的 pull request。

10月17日

星期六

10月15日

星期四

10月14日

星期三

10月13日

星期二

10月10日

星期六

10月9日

星期五

10月8日

星期四
  1. Cornerstone OnDemand 如何用 Amazon Bedrock 将数据库诊断时间缩短 78%

    Cornerstone OnDemand 基于 Amazon Bedrock 和 Strands Agents 构建多智能体系统 Orion AI,将数据库诊断时间从 45 分钟降至 10 分钟,减少 78%。该系统还让数据库生命周期操作从 10 多个手动步骤压缩为 1 次交互,冗余告警中位数减少 65%,SRE 与数据团队间的 15 分钟报告延迟降为实时。三人团队用六个月完成交付。

  2. 如何为 agentic automation 构建商业案例:超越"节省工时"的 ROI 模型

    AWS 提出 Agentic Value Model,用于评估 agentic automation 的商业价值,指出传统"节省工时×人力成本−建设成本"的 RPA 时代 ROI 模型遗漏了异常处理、决策质量、变更韧性与价值实现等维度。该框架引用 McKinsey 的"1:3:5 模式",即每投入 1 美元 agentic 技术,需在流程重设计上花 3 美元、在能力建设与采纳上花 5 美元。

10月7日

星期三

10月6日

星期二

10月3日

星期六
  1. 用 Amazon Quick 和 Adjudicated Query 模式批量核查数千份租约合规性

    AWS 提出 Adjudicated Query 设计模式,让业务用户在 Amazon Quick 聊天界面提问合规问题,实际判定交由确定性规则引擎完成,模型只负责把自然语言转为固定类型操作调用并复述结果。该模式通过完整性回执保证"已扫描 = 合规 + 违规 + 存疑 + 不可读",并以版本化规则数据支持事后审计追溯,适用于租约合规、制裁筛查、保险理赔等高风险场景。

10月2日

星期五
  1. AI 正在改变开发者工作方式,GitHub 给出三项需要强化的技能

    GitHub 提出 AI 时代开发者应强化的三项技能:学会指挥 AI 智能体而非仅使用它,不轻信 AI 的首次答案,以及用 AI 节省的时间去解决更大的问题。文中以 GitHub Copilot 内置的 Rubber Duck agent 为例,说明它用第二个模型对计划、代码和测试进行批判性审查,从而发现首个模型遗漏的问题。

  2. AutoSynthData:为企业的 AI 智能体生成训练数据

    ServiceNow CoreAI 构建了 AutoSynthData,利用目标模型的失败案例与更强教师的成功轨迹定位能力缺口,再生成并验证新任务用于后训练,课程随模型进步动态转向仍难的任务。该流程在 EnterpriseOps Gym 环境中演示,任务由系统规范、用户提示词和验证器三部分组成,需满足可行性、真实性与难度要求。