搜索
经常切换使用CC、Codex、OpenClaw这类Agent的人会发现：同一个模型，放进不同系统里，表现可能完全不同。
在大模型后训练中，数据不再只是 “越多越好”，而是要像人类学习一样，动态选择最合适难度的样本。华为提出的 EDCO 方法，将样本难度估计与动态课程编排引入领域大模型微调；数月后，由 Rutgers、Amazon、Google 等作者参与的 DARE 论文即引用 EDCO，并将其作为难度感知强化学习训练的重要对比基线。
云计算一哥，亚马逊云科技的龙虾，刚刚也被端上桌了。这只龙虾叫做Amazon Quick。它就是“活”在你电脑里的那种，直接连接你的本地文件、日历、邮件和各类应用，不需要任何上传文件的动作（需授权）。
昨天，OpenAI 和微软，官宣分手，今天，OpenAI 已在 AWS 把家安好。三件家具一起搬上：模型、Codex、Managed Agents。包括 GPT-5.5 在内的模型，今天起可以在 Amazon Bedrock 直接调用
刚刚，Anthropic 发布 Claude Opus 4.7，已经在 Claude 的所有产品、API、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundry 上全面可用。模型 id claude-opus-4-7
巨头亚马逊，也深度入局生命科学了。
传统的 AI 购物助手更像是一个任务完成机器：接到指令，搜索，下单。他们或许能跑通流程，却完全无法理解用户为何在最后一刻因为一条关于 “夹耳朵” 的差评而放弃支付。简而言之，传统的电商 Agent 只是任务导向的（task-oriented），而不是模拟导向的（simulation-oriented）。为此，来自亚马逊（Amazon）的研究团队提出了名为 Shop-R1 的训练框架 。
Aishwarya Naresh Reganti 和 Kiriti Badam 曾在 OpenAI、Google、Amazon、Databricks 等公司参与构建并成功推出了 50 多个企业级 AI 产品。最近，他们在播客节目中，与主持人 Lenny 细致分享了当前 AI 产品开发中的常见陷阱与成功路径。基于该播客视频，InfoQ 进行了部分删改。
面对琳琅满目的Deep Research Agent（深度研究智能体），究竟该如何选型？本文基于OSU与Amazon最新发布的MMDR-Bench论文，为您提供一份经过严谨科学验证的“避坑指南”。结论先行：综合任务首选谷歌Gemini Deep Research，而涉及计算机科学与数据结构的硬核任务，GPT-5.2依然是专家首选。
今天我们来聊聊：480 万人看过的 Claude Code 方法论。这篇文章的作者叫 Eyad。从履历看，是典型的技术老兵：在 Amazon、Disney、Capital One 这样的巨头公司做过 7 年工程，参与过面向百万级用户的系统开发。现在，他是初创公司 Varickai 的 CTO。