AWS今天推出了一项名为Amazon AppFlow的新服务,开发者可以使用该服务来管理AWS与其他软件即服务应用(例如Google Analytics、Marketo、Salesforce、ServiceNow、Slack、Snowflake和Zendesk。
这项全面托管的服务让用户可以创建双向数据流并实现自动化,无需编写任何自定义集成代码。AWS表示,这些数据流可以是由特定事件触发的,可以是在预设时间或按需触发。
尽管AWS称数据流可以是双向的,但该服务似乎更侧重于将数据从SaaS应用迁移到其他可以进行数据分析的AWS服务。为了解决这个问题,Amazon AppFlow附带了许多用于转换数据的工具。
值得注意的是,AppFlow服务支持Amazon专用私有互联网连接技术PrivateLink。
AWS首席布道师Martin Beeby在公布该服务的博客文章中表示,开发者花费大量时间编写自定义集成,以便能够在他们使用的SaaS应用和Amazon之间共享数据。
Beeby说:“如果数据需求发生变化,就还要对集成进行修改,这个过程不仅成本高而且十分复杂。没有大量工程资源的公司可能会发现,他们自己需要手动从应用导入和导出数据,这很耗时,而且存在数据泄漏风险,有可能存在人为错误。”
使用Amazon AppFlow的话就能避免这个问题。但是,这项服务需要一定的成本,每个数据流每次运行的成本是0.1美分,数据处理费用为每GB 2美分起。
AWS副总裁Kurt Kufeld说:“Amazon AppFlow为客户提供了一种直观、简便的方法,让他们可以将来自AWS和SaaS应用的数据进行合并,而无需通过公共互联网转移数据。客户可以借助Amazon AppFlow聚合并管理分散在其所有应用中多达PB甚至EB级的数据,而无需开发自定义连接器或者管理基础API和网络连接。”
另外,AWS还宣布现在EC2 Inf1实例可以运行在全面托管的机器学习服务AWS SageMaker上。Inf1实例运行在Inferentia上,这是一种专为机器学习工作负载设计的高性能芯片,于2019年底的re:Invent大会上首次宣布推出。
Amazon在公告中表示,Inf1实例具有以下优势:延迟降低,吞吐量提高三倍,每次推理的成本比其他芯片低40%。
亚马逊表示,这一宣布意味着开发人员现在可以选择与SageMaker一起使用的EC2实例类型,从而在为每个工作负载选择最佳成本/性能比时提供更大的灵活性。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。