ITPub博客

当政府、组织和企业迁移到 LibreOffice 时——正如我们在奥地利、德国和其他国家所看到的那样——他们通常会寻求认证迁移专业人员（Certified Migration Professionals）的帮助。 最近在肯尼亚首都内罗毕，我们举办了一场 LibreOffice 迁移研讨会。来自公共和私营部门的 40 名参会者注册参加，会议由 LibreOffice 认证委员会联合主席 Lothar Becker 无偿主持。研讨会的目标是通过支持合作伙伴和政府组织促进向该套件的迁移，来发展和培育 LibreOffice 技术生态系统。

我们正在让开发者、企业、科学家和消费者能够使用我们最新的前沿模型。 Google DeepMind 高级副总裁兼 Google 首席 AI 架构师 Gemini 4 Argon 今日面向全球开发者与企业开放，可通过 AI Studio 和 Gemini platform 中的 API（应用程序编程接口） 使用；Google AI Ultra 订阅者可在 Google Antigravity 中使用；Google AI Ultra 和 Pro 订阅者可在 Gemini 应用和 Search 中的 AI Mode 使用。 Argon 在编码、金融、法律、网络安全和科学等领域的复杂真实世界任务中表现出色，擅长深度工作。

Gemini 4 Argon 标志着物理理解、代码生成和视觉语义推理能力的跨越式提升——解锁了机器人技术栈中的全新工作流，并加速了迈向物理 AGI 的进程。 这一能力飞跃在 Embodied Reasoning (ERQA) 基准测试中得到了体现，该基准测试评估模型在 3D 环境中理解和解决物理、空间问题的能力。仅使用纯推理，Argon 就取得了 87% 的成绩，超越了所有其他前沿模型。 作为一个通用物理推理模型，Argon 可应用于整个机器人生命周期。在本文中，我们分享 Argon 在四个关键领域的代表性提示词： 机器人控制 → 通过 MuJoCo 练习进行移动操作、零样本机器人控制，以及视频世界模型的闭环引导。

作者 Paul Jeha†**、Anastasiia Sedova、Louis Béthune、Skyler Seto、Jes Frellsen†‡、Pierre Ablin‡、Natalie Schluter‡ 对于世界上大多数语言而言，语言模型预训练处于数据受限的状态，模型必须多次重复其训练数据，从而损害了泛化能力。存在两种补救措施：激进的超参数调优（例如高权重衰减），以及混入来自高资源辅助语言的数据以直接帮助低资源目标语言。超参数调优通过收缩权重来限制网络容量以正则化模型，而辅助数据混合则使用可调的混合比例来扩展训练分布，并用新知识使训练信号多样化。两者都为在数据受限领域改进训练提供了有原则的方法。

Python 3.15 来了！这里是必不可少的《Python 3.15 新特性》指南，今年由 3.14 和 3.15 的发布经理 Hugo van Kemenade 整理。作为一个构建可在所有受支持 Python 版本上运行的开源软件的人，我可以告别 Python 3.10，并开始拥抱 Python 3.11 的特性。 首先，是 Python 3.15 的一些亮点。 我最兴奋的是来自 PEP 810 的显式惰性导入。它们让你可以像这样导入模块： 随后，当这些符号在后续代码中第一次被使用时，该模块才会被导入。 我的 LLM（大语言模型） CLI 工具实现了插件。

SpaceXAI 的 Grok 4.7 现已在 Amazon Bedrock 上可用，该平台提供来自多个提供商的基础模型（FM）供选择。据 SpaceXAI 称，Grok 4.7 经过训练，能够在更困难的任务上工作更长时间，并且知道何时检查自己的工作。这对智能体来说最为重要，因为智能体需要将任务贯穿多个步骤，并且必须验证沿途发现的内容。 以这种方式工作的智能体不能只是查找信息。它必须形成一个候选答案，将其与已学到的内容进行核对，并不断改进直到答案合适。Grok 4.7 提供了一个推理力度（reasoning effort）设置，用于控制每次响应前进行多少思考，而对于智能体工作负载，一个实际问题是应该运行在哪个级别。

Workday 正在开放其平台，允许开发者在 Claude Code、Cursor 和其他工具中构建自己的 HR 和财务智能体，只要这些智能体遵循与使用它们的人相同的规则。 周二，在拉斯维加斯举行的 Workday Rising 大会上，该公司将其 Trusted Agent（智能体） Platform 变为“无头”模式。 借此，其 Model Context Protocol (MCP) 服务器、对实时 Workday 数据的 SQL 访问，以及智能体的共享运行时现已全面可用，客户可以在来自 Anthropic、Google、Meta、Mistral、Nvidia 和 OpenAI 的模型上运行自己的智能体。

本文由 ShipStation Global 的 Kenneth Salmon、Edward Boswell、Jack Armstrong、Robert Bahn 和 Nick Ciubotariu 共同撰写。 回答重复的 IT 问题和处理日常工单会消耗 IT 团队本可用于其他事务的时间。为了重新夺回这些时间，ShipStation Global 工程团队在 Amazon Bedrock AgentCore 上构建了 Deckhand，这是一个面向 Slack 的 AI 驱动的 IT 服务台智能体。 ShipStation Global 是面向中小型托运商的领先智能运输和物流平台，其运营基于一个简单信念：团队效率越高，为客户提供的服务就越好。Deckhand 将这一信念付诸实践。

安全分析师需要快速获取有关其云基础设施的答案，而无需深入了解特定领域的查询语言。Orca Security 的工具覆盖了 900 多个云模型（Sonar 跟踪的资源类型，例如 Amazon Elastic Compute Cloud（Amazon EC2）实例或 Amazon Simple Storage Service（Amazon S3）存储桶）。查询这些数据需要精确的模型名称、嵌套关系导航，以及从 18 个运算符（用于筛选结果的比较函数，如 equals 或 contains）中进行选择。 为解决这一问题，Orca Security 与 AWS 合作构建了 Discovery AI，这是一个基于 Amazon Bedrock 的自然语言查询智能体。

现在，想要通过 vibe 编程打造你所需的 Android 应用变得简单多了——无需任何开发经验。 2026年10月13日，下午1:00（美国东部时间） Google AI Studio 现在允许你制作自己的个人应用。 这些应用绕过公开的 Play Store，但你可以与朋友分享。 你创建的应用将在你自己的设备上运行。 你是否厌倦了免费单一功能应用中铺天盖地的广告？或者，你找不到一款能满足某个奇特具体需求的应用？现在，即使你没有任何编程经验，也可以为自己的 Android 手机制作自定义应用。 周二，Google 宣布，任何拥有标准 Google 账户的人都可以在 Google AI Studio 中构建个人应用。

数据中心芯片 AI 数据中心 超大规模云服务商 云 新闻 微软发布第三代 AI 芯片 Maia 300，同时 Maia 200 正式上线，为 Copilot 提供算力支持。 微软于周一（10 月 12 日）发布了第三代自研 AI 加速器 Maia 300，并宣布 Maia 200 已进入量产阶段，正在为 Copilot 及其他微软云服务提供算力支持。 微软云与 AI 执行副总裁 Scott Guthrie 在博客文章中表示，公司计划于 2027 年以多吉瓦级规模扩展其 Azure Maia 处理器系列的部署，将 Maia 定位为微软产品与服务的核心推理系统。

IBM Spyre 加速器基于 PyTorch 的软件栈最近将其 torch.compile 后端从 sendnn（一个完全从零构建的独立编译栈）迁移到了 backend=inductor，后者是通过扩展 PyTorch 自有的 Inductor 构建的开源后端。Inductor 的大部分内容未经修改即可直接使用。真正的工作集中在三个地方，在这些地方 Spyre 的硬件对编译器提出了与 GPU（图形处理器） 根本不同的问题。事实证明，Inductor 正是这项工作的理想基础，最终得到的编译器比被替代的方案小了约 7 倍。 IBM 将 Spyre 设计为一款面向企业推理工作负载的全新 AI 加速器，优先考虑能效。它是一款 75 瓦的 PCIe 附加加速器，无需定制供电或散热。

AI 智能体越来越需要访问按请求计费的 Web 资源。例如，高级数据集按查询收费，研究 API（应用程序编程接口） 按调用次数计费，付费墙出版商将内容置于付费之后。当 AI 智能体遇到这些资源之一时，服务器会返回 HTTP 402 Payment Required。智能体没有内置的支付机制，会话没有附加预算，也没有以编程方式满足请求的方法。任务会停滞，需要人工干预。 Anchor Browser with Agentic Payments 代表智能体处理机器对机器的支付工作流。它由 AWS Generative AI Innovation Center Partner Agent（智能体） Factory 合作开发，现已在 AWS Marketplace 上提供。

Gemini 4 Argon 是 Google 最新的前沿模型，现已在 GitHub Copilot 中正式可用。它专为复杂编码、智能体和推理任务而设计。在早期测试中，Gemini 4 Argon 在每项编码基准测试中解决的任务数量都超过了之前的 Gemini 模型，其中在 Copilot CLI 中的提升最为显著。它还会彻底检查自己的工作，在完成前测试边缘情况。 该模型按提供商列表定价以基于使用量的计费方式收费。详情请参阅 GitHub Copilot 的模型和定价。 Gemini 4 Argon 面向 Copilot Pro+、Max、Business 和 Enterprise 用户开放。

Higgsfield 借助 GPT‑6 Astra 为创作者带来更长的视频，借助 GPT‑Image‑2.5 带来更精准的视觉画面，并通过 GPT‑Live 开辟语音电影制作之路。 Higgsfield AI ⁠（在新窗口中打开）的使命是让任何有创意的人都能轻松进行专业视频和图像创作。在 GPT‑6 Astra 出现之前，这些视频最长只有大约一分钟。如今，据首席执行官兼联合创始人 Alex Mashrabov 介绍，用户可以创建超过 10 分钟的视频。 更长的视频只是 Higgsfield AI 帮助小型创意团队承接更具雄心项目的一种方式。据 Alex 介绍，借助 GPT‑6 Astra 和 GPT‑Image‑2.5 等模型，如今单个创作者就有可能从头到尾完成高端时尚广告活动。

我代表 Spring AI 团队以及所有贡献者，很高兴地宣布 Spring AI 2.1.0-M1 已发布，现可从 Maven Central 获取！ 发布说明 | 升级说明 | 参考文档 2.1.0-M1 是 2.1 系列的第一个里程碑版本。它基于 2.0.1 中发布的所有内容构建，将基线迁移至 Spring Boot 4.2（此里程碑版本基于 4.2.0-M2 构建），并引入了三项新能力：对结构化、有序的消息内容模型的初步支持，对 OpenAI Responses API（应用程序编程接口） 的支持，以及将预计算嵌入写入向量存储的方法。 与任何里程碑版本一样，新 API 已可供试用，但在 GA 之前仍可能发生变化。您当前的反馈将塑造它们的最终形态。

2026年9月25日 | Jared Spataro - 首席营销官，AI at Work 我们正在重新构想 Microsoft Copilot，使其能够随着工作的演进赋能工作，并帮助扩展每个人和每个组织在人类雄心壮志的流动中能够实现的目标。今天，我们推出全新的 Copilot，将人们依赖的工具与他们所需的新一代能力连接起来，以在工作场景中构建、定制和扩展 AI。 Copilot 应用现在拥有三项新能力：Home 是你的新起点，Chat 和 Cowork 在此汇聚——通过 Office in Copilot，Word、Excel 和 PowerPoint 的全部能力现已内置于体验之中。

大家好，我是Gergely，这是《The Pragmatic Engineer Newsletter》的免费特刊。在每一期中，我都会从资深工程师和工程领导者的视角来探讨大型科技公司和初创企业。今天，我们讨论过往某期《The Pulse》中四个主题中的一个。完整订阅用户在十四天前已收到下面的文章。如果你是通过转发收到这封邮件的，可以在此处订阅。 最近我和一群CTO以及基础设施负责人共进晚餐，从交谈中可以明显看出，在当前环境下，许多公司在获取CPU方面正面临困难，并且正在接受这样一个现实：在AI推动需求激增的新时代，云服务商为机器提供丰厚折扣的日子已经结束。 困扰视频游戏等行业的“内存危机”已经广为人知，并且围绕GPU短缺已有大量报道，但如今看来，需要从云服务商获取CPU的企业所面临的处境同样艰难。

作者 Tianjian Li†, Jingyu Zhang†, William Jurayj†, Xi Wang†, Chuanyang Jin†, Mehrdad Farajtabar, Eric Nalisnick†, Daniel Khashabi† 由思维链和工具调用组成的长智能体轨迹会累积过时内容，这些内容会锚定后续生成，并最终超出上下文窗口。现有脚手架通过在 token 阈值处触发固定间隔压缩来缓解这一问题。此类触发机制不考虑轨迹结构，存在在推导或搜索中途丢弃部分结果的风险。我们提出 SELFCOMPACT，一种允许模型自身决定何时以及如何压缩的脚手架。

分布式推理服务是AI流量的空中交通管制塔，而智能体工作流使其比以往任何时候都更加必要。 当AI模型回答问题或完成任务时，它执行的是推理，即使用训练好的模型根据某些输入生成输出。然而，大规模地做到这一点比听起来更具挑战性。在GPU上运行一个大语言模型是一回事，同时将该模型服务于数千甚至数百万用户和AI智能体则完全是另一回事。 请求以不同的优先级和长度到达，具有各自独特的计算需求。一些用户期望对简单查询立即得到响应，而另一些用户提交可以在后台运行的大型任务。AI智能体流量增加了一种新模式：智能体可能发送一批相关请求，暂停以调用工具，然后带着几乎相同的上下文返回。与此同时，系统必须高效利用昂贵的加速器，同时不产生长队列或重复执行相同的计算。 这一挑战类似于空中交通管制。