Amazon SageMaker AI now supports optimized generative AI inference recommendations
如今，Amazon SageMaker AI 支持优化的生成式 AI 推理建议。通过提供经过验证的、具有性能指标的最佳部署配置，Amazon SageMaker AI 让您的模型开发人员专注于构建准确的模型，而不是管理基础设施。
End-to-end lineage with DVC and Amazon SageMaker AI MLflow apps
在这篇文章中，我们将展示如何结合 DVC（数据版本控制）、Amazon SageMaker AI 和 Amazon SageMaker AI MLflow 应用程序来构建端到端 ML 模型谱系。我们将介绍两种可部署模式——数据集级沿袭和记录级沿袭——您可以使用配套笔记本在自己的 AWS 账户中运行这两种模式。
Accelerate Generative AI Inference on Amazon SageMaker AI with G7e Instances
今天，我们很高兴地宣布在 Amazon SageMaker AI 上推出由 NVIDIA RTX PRO 6000 Blackwell 服务器版 GPU 提供支持的 G7e 实例。您可以为节点配置 1、2、4 和 8 个 RTX PRO 6000 GPU 实例，每个 GPU 提供 96 GB GDDR7 内存。此次发布提供了使用单节点 GPU、G7e.2xlarge 实例来托管强大的开源基础模型 (FM)（例如 GPT-OSS-120B、Nemotron-3-Super-120B-A12B（NVFP4 变体）和 Qwen3.5-35B-A3B）的功能，为组织提供了经济高效且高性能的选择。
How Guidesly built AI-generated trip reports for outdoor guides on AWS
在这篇文章中，我们将介绍 Guidesly 如何使用 AWS Lambda、AWS Step Functions、Amazon Simple Storage Service (Amazon S3)、Amazon Relational Database Service (Amazon RDS)、Amazon SageMaker AI 和 Amazon Bedrock 在 AWS 上构建 Jack AI，以提取旅行媒体、通过上下文丰富其内容、应用计算机视觉和生成式 AI，并跨多个渠道安全、可靠且大规模地发布营销就绪内容。
Use-case based deployments on SageMaker JumpStart
我们很高兴地宣布推出 Amazon SageMaker JumpStart 优化部署。 SageMaker JumpStart 改进的部署通过提供专为特定用例设计的预定义部署配置，满足了 SageMaker JumpStart 上丰富且简单的部署自定义的需求。客户对其建议部署的细节保持相同级别的可见性，但现在部署针对其特定用例和性能限制进行了优化。
Best practices to run inference on Amazon SageMaker HyperPod
本文探讨了 Amazon SageMaker HyperPod 如何为推理工作负载提供全面的解决方案。我们将引导您了解该平台的动态扩展、简化部署和智能资源管理的关键功能。在本文结束时，您将了解如何使用 HyperPod 自动化基础设施、成本优化功能和性能增强功能将总拥有成本降低高达 40%，同时加速从概念到生产的生成式 AI 部署。
本文介绍了 TGS 如何使用 Amazon SageMaker HyperPod 实现分布式训练的近线性扩展以及基于 Vision Transformer 的 SFM 的扩展上下文窗口。该联合解决方案将训练时间从 6 个月缩短至仅 5 天，同时能够分析比以前更大的地震体积。
Accelerating LLM fine-tuning with unstructured data using SageMaker Unified Studio and S3
去年，AWS 宣布了 Amazon SageMaker Unified Studio 与 Amazon S3 通用存储桶之间的集成。这种集成使团队可以轻松地将存储在 Amazon Simple Storage Service (Amazon S3) 中的非结构化数据用于机器学习 (ML) 和数据分析用例。在这篇文章中，我们展示了如何将 S3 通用存储桶与 Amazon SageMaker Catalog 集成，以使用 Amazon SageMaker Unified Studio 微调 Llama 3.2 11B Vision Instruct 以实现视觉问答 (VQA)。
Build a solar flare detection system on SageMaker AI LSTM networks and ESA STIX data
在这篇文章中，我们向您展示如何使用 Amazon SageMaker AI 构建和部署深度学习模型，以使用欧洲航天局 STIX 仪器的数据来检测太阳耀斑。
Soft Computing, Volume 30, Issue 4, April 2026
1) 规则域和不规则域上非线性高维广义 Benjamin-Bona-Mahony-Burgers 方程的局部化方法作者：Parisa Ahmadi Balootaki, Mojtaba Fardi, Babak Azarnavid 页数：2175 - 21882) 扩展剩余格上 L-模糊近似算子的代数性质作者：Michiro Kondo页数：2189 - 21963) 涉及 CMP 逆的复杂模糊矩阵方程的一般代数解和近似解作者：刘双福、龚增太页数：2197 - 22184) 广义导数下模糊微分方程解的分析作者：Felipe LongoBeatriz LaiateJoão F. C. A. Me
UGA Miracle raises more than $1.4 million for Children’s Healthcare of Atlanta
超过 2,000 人聚集在 Stegeman 体育馆，参加第 31 届年度舞蹈马拉松比赛。UGA Miracle 为亚特兰大儿童医疗保健筹集了超过 140 万美元的善款，首先出现在 UGA Today 上。
Deploy SageMaker AI inference endpoints with set GPU capacity using training plans
在这篇文章中，我们将介绍如何搜索可用的 p 系列 GPU 容量、创建推理训练计划预留以及在该预留容量上部署 SageMaker AI 推理端点。我们跟踪数据科学家的旅程，因为他们保留模型评估的能力并在整个预订生命周期中管理端点。
Enhanced metrics for Amazon SageMaker AI endpoints: deeper visibility for better performance
SageMaker AI 端点现在支持具有可配置发布频率的增强指标。此次发布提供了监控、故障排除和改进生产端点所需的精细可见性。
