Generate dashboards from natural language prompts in Amazon Quick
构建有意义的仪表板需要数小时的手动设置，即使对于经验丰富的 BI 专业人员也是如此。Amazon Quick 现在可以根据自然语言提示生成完整的多表仪表板，让您在几分钟内从一个或多个数据集开始进行生产就绪分析。数据分析师构建经常性运营报告、项目经理准备领导力审查或工程师探索新数据集可以 [...]
IEEE Transactions on Emerging Topics in Computational Intelligence Volume 10, Issue 3, June 2026
1) Quantum Reachability Games作者：W. Liu, Z. Li, Y. Li页数：2184 - 21982) Learning Informative Latent Representation for Quantum State Tomography作者：H. Ma, Z. Sun, D. Dong, D. Kong页数：2199 - 22093) Automatic and effective Discovery of Quantum Kernels作者： M. Incudini, D. L. Bosco, F. Martini, M. Grossi, G. S
AgentWatch: Proactive AWS monitoring with ambient agents
在这篇文章中，我们通过实际实施展示了 AgentWatch 的功能。您将看到该解决方案如何每 15 分钟执行一次基础设施检查，总结多个 AWS 账户的 CloudWatch 指标、日志和警报。该代理直接向 Slack 提供可操作的报告，并响应有关基础设施状态的自然语言查询。在整个过程中，我们探索了三种人机交互模式，在最大限度地提高自动化的同时保持适当的监督。
Google's new Omni AI tool will let you video clone yourself - I'm intrigued (and concerned)
Google Gemini Omni 的目标是为 AI 视频实现 Nano Banana 为图像所做的那样 - 将真实性、风格控制、头像和自然语言编辑结合到一个雄心勃勃的工具中。
Halliburton enhances seismic workflow creation with Amazon Bedrock and Generative AI
在这篇文章中，我们将探讨如何构建概念验证，将自然语言查询转换为可执行的地震工作流程，同时为哈里伯顿的地震引擎工具和文档提供问答功能。我们将介绍该解决方案的技术细节，分享显示工作流程加速高达 95% 的评估结果，并讨论可帮助其他组织通过生成 AI 增强其复杂技术工作流程的关键知识。
Reinforced Agent: Inference-Time Feedback for Tool-Calling Agents
本文被 ACL 2026 第五届自然语言生成、评估和指标研讨会接受。工具调用代理在工具选择、参数准确性和范围识别方面进行评估，但 LLM 轨迹评估本质上仍然是事后评估。与活动执行循环断开连接，此类评估可以识别通常通过即时调整或重新训练来解决的错误，并且从根本上无法实时纠正代理。为了弥补这一差距，我们在推理时将评估转移到执行循环中：专门的审阅代理评估......
PORTool: Importance-Aware Policy Optimization with Rewarded Tree for Multi-Tool-Integrated Reasoning
多工具集成推理使 LLM 授权的工具使用代理能够通过将自然语言推理与对外部工具的调用交错来解决复杂的任务。然而，使用仅结果奖励来训练此类代理会受到信用分配模糊性的影响，从而模糊了哪些中间步骤（或工具使用决策）会导致成功或失败。在本文中，我们提出了 PORTool，这是一种重要性感知的策略优化算法，可以通过结果级别的监督来增强代理的工具使用能力，同时在步骤级别上分配奖励。具体来说，PORTool 会产生奖励......
Agent-guided workflows to accelerate model customization in Amazon SageMaker AI
Amazon SageMaker AI 现在提供的代理体验改变了这一点。开发人员使用自然语言描述他们的用例，AI 编码代理简化了整个过程，从用例定义和数据准备到技术选择、评估和部署。在这篇文章中，我们将引导您使用 SageMaker AI 代理技能完成模型自定义生命周期。
IMPAC 使人类操作员能够通过自然的对话语言（而不是复杂的指令或计算机代码）与复杂的机器人系统进行交互，从而保持多机器人操作同步和任务一致。通过将自然语言命令转化为跨多代理和多域环境的可执行计划，IMPAC 减少了认知负荷，并充当现有团队的力量倍增器。
