Medal of Honor Monday: Army Pfc. William Kenzo Nakamura
陆军一等兵。威廉·中村贤三 (William Kenzo Nakamura) 是一位二战英雄，他因在意大利战斗中冒着生命危险拯救自己的排而获得荣誉勋章。
中国西藏喀夏草属的三个高海拔新种的描述（天蚕科：喀施藻科）摘要1889年，从中国西藏描述了喀施草属的三个高海拔新种。吉隆卡斯基菌的详细形态描述、诊断特征和插图。 11 月，K. yadongensis sp。十一月和 K. yui sp。十一月提供。中国已知的新物种地理记录被绘制出来。中国已知的卡斯基菌种数从 14 种增加到 17 种。 Fan, W., Chen, A., Zhang, C. & Zhu, F. (2026) 中国西藏三种高海拔卡斯基菌新种的描述（卡斯基菌科：卡斯基菌科）。动物分类学，5849 (2), 151–168。 https://doi.org/10.11646/
Cato Expert: ICE Shooting in Houston Shows Why Cities Shouldn’t Cooperate with Federal Agents
继 ICE 特工最近在休斯敦枪杀了一名建筑工人洛伦佐·萨尔加多·阿劳霍 (Lorenzo Salgado Araujo)，据称他在该国非法居住了近 35 年之后，卡托研究所刑事司法项目的法律研究员迈克·福克斯 (Mike Fox) 在《休斯敦纪事报》上发表了一篇新的专栏文章。在其中，他讨论了这如何进一步证明，当联邦特工部署到城市时，州和地方官员不应遵守规定，部分写道：“地方当局保留了保护社区的主权选择，立即停止向违反宪法规定的联邦行动提供地方执法人员、情报、设施和后勤支持。拒绝合作是地方官员忠实于宪法誓言的唯一途径。”，要与福克斯进一步讨论休斯敦 ICE 枪击事件，请联系克里斯托弗塔瓦迪安。
Real-time dental image verification with Amazon SageMaker AI at Henry Schein One
本文介绍了 Henry Schein One 如何通过在 Amazon SageMaker AI 上构建图像验证来缩小这一差距，这是一种基于 AI 的质量验证系统，可在数千个位置的拍摄点实时评估牙科 X 射线质量。该系统在几个月内从概念发展到超过 10,000 个活动位置，并且已经处理了超过 1100 万张 X 射线，并且以每周 150 万张的速度增长。 Henry Schein One 目前正在向全球四个地区的 40,000 个地点扩展。
Deploying quantized models on Amazon SageMaker AI with Unsloth
在本文中，您将学习四种部署模式，用于采用已使用 Unsloth 量化的模型并将其部署在 AWS 基础设施上。这些模式使用 Amazon Elastic Compute Cloud (Amazon EC2) 进行直接实例访问，使用 Amazon SageMaker AI 推理终端节点进行托管服务，并在推理需要适应现有容器框架时使用 Amazon Elastic Kubernetes Service (Amazon EKS) 或 Amazon Elastic Container Service (Amazon ECS)。您还可以学习生产部署的操作实践。
How KTern.AI built agentic AI for SAP on Amazon Bedrock AgentCore
从传统的软件即服务 (SaaS) 平台演变为下一代代理 AI 平台意味着需要在长期运行的企业程序中协调多个专业代理。每个代理都以持久的上下文、安全的工具访问和生产级的可靠性进行操作。我们使用 Strands Agents SDK 在 Amazon Bedrock AgentCore 上构建了该系统。这篇文章将介绍我们如何构建它、我们构建了哪些代理以及为客户带来的结果。
Disaggregated prefill and decode for LLM inference on SageMaker HyperPod
在本文中，我们将展示如何使用 HyperPod Inference Operator 在 Amazon SageMaker HyperPod 上通过 vLLM 实现 DPD。
Scaling agentic workflows with native case management in Amazon Quick Automate
在这篇文章中，我们将向您展示如何将案例管理与快速自动化中的代理自动化功能相结合。我们引入案例管理，并在代理工作流程中探索案例的生命周期，从案例创建到处理再到解决。我们介绍如何创建和管理单个或多个案例、自动跟踪和更新状态、处理异常以及在工作流程中合并人机交互 (HITL) 步骤。我们还展示了支持动态扩展的案例创建者-处理器模式。最后，我们通过实际用例介绍如何构建企业流程的案例管理，包括 HITL 和案例跟踪。
This Week’s “Round-Up” Of Useful Posts & Articles On Ed Policy Issues
以下是一些最近关于教育政策问题的有用帖子和文章（您可能还有兴趣在此处查看我所有与教育政策相关的“最佳”列表）：护理和其他研究生获得更高的贷款限额 www.nytimes.com/2026/06/30/b… [图片或嵌入] — Larry Ferlazzo (@larryferlazzo.bsky.social) 2026 年 6 月 30 日上午 7:41 停止指责黑人[...]
Introducing Claude apps gateway for AWS
今天，我们宣布推出适用于 AWS 的 Claude 应用程序网关，这是一个自托管控制平面，可为组织提供对 Claude Code 和 Claude Desktop 的访问、成本和策略的单点控制。在这篇文章中，我们将展示如何使用 AWS 上的 Amazon Bedrock 和 Claude Platform 设置和运行适用于 AWS 的 Claude 应用程序网关。
Automatically sort and prioritize your mailboxes by using Amazon Bedrock
在这篇文章中，我们展示了公共部门的组织如何使用由 Amazon Bedrock 提供支持的生成式 AI 解决方案实现电子邮件管理自动化。
Securing Amazon Bedrock AgentCore Runtime with AWS WAF
这篇文章向您展示了解决此问题的两种架构模式。两者都使用面向互联网的 ALB 和 AWS WAF，并通过 VPC 接口终端节点将流量路由到 AgentCore 运行时。模式 1 在 ALB 和 VPC 终端节点之间放置一个 AWS Lambda 代理，让您可以完全控制请求转换。模式 2 直接从 ALB 定位 VPC 终端节点 ENI IP 地址，完全删除 Lambda 跃点。您还将了解如何使用资源策略关闭直接访问后门，以便流量仅流经 AWS WAF。这两种模式均已通过 SigV4 和 OAuth (Amazon Cognito JWT) 身份验证进行了端到端测试。
Manage AI applications on Mac with Jamf’s AI Governance and Amazon Bedrock
在这篇文章中，我们将向您展示如何将 Jamf 的 AI 治理与 Amazon Bedrock 结合使用，为 Mac 机群中的 AI 应用程序配置、部署和验证托管设置。
科学家们探索美国 NSF 领导级计算设施的旗舰超级计算机 Horizon 及其将带来的发现。这篇文章《开启科学的未来》首先出现在 UT Austin News - 德克萨斯大学奥斯汀分校。
Teaching models to forget: Selective unlearning with Amazon Nova
在这篇文章中，我们介绍了反向直接偏好优化 (rDPO)，这是 Amazon Nova 可自定义内容审核设置 (CCMS) 背后的一种新颖的遗忘技术，并展示了它如何在保持模型质量的同时减少过度偏转。我们还为想要将这些偏好优化技术应用到自己的实验中的客户提供指导。
Run MiniMax models on Amazon Bedrock
在这篇文章中，我们将介绍如何开始在 Amazon Bedrock 上使用 MiniMax 模型，包括这些模型支持的功能、可用的服务层、按需推理如何扩展以处理您的工作负载，以及您可以用来访问它们的不同 API。使用这些模型，客户可以构建代理应用程序、长上下文文档分析管道和软件工程工作流程，所有这些都得到 AWS 的安全和运营保证的支持。
From Hugging Face to Amazon SageMaker Studio in one click
今天，我们很高兴地宣布 Hugging Face 与 Amazon SageMaker AI 之间的深度链接集成。开发人员现在只需进行一次选择，即可在 SageMaker Studio 中从模型发现到实践实验。
Deploying Multi-Turn RL Infrastructure for Amazon Nova on Amazon SageMaker HyperPod
在本文中，您将在 Amazon SageMaker HyperPod 上使用 Amazon Nova Forge 部署用于多回合 RL 的两阶段基础设施。最后，您将拥有一个事件驱动的管道，当您将数据上传到 Amazon Simple Storage Service (Amazon S3) 时，该管道就会开始训练。训练作业教模型玩 Wordle，这是您自己的 RL 任务的占位符。
