AWS正在将Amplify JavaScript库更新至版本6,新版本添加了Next.js支持、更强的TypeScript支持性并实现了代码包“瘦身”。该公司还表示,后续将把自家CodeWhisperer AI编码服务引入Enterprise功能层。
Amplify既是一套JavaScript库,也是一款应用程序构建工具,具体依托的是用于配置后端资源的Amplify CLI(命令行界面)、与Figma设计工具相集成的可视化界面构建器Amplify Studio,以及用于快速部署的Amplify托管服务。该产品的基本思路是帮助开发人员使用一切功能选项提高应用程序的开发效率。
Amplify 6库现已开放预览版,此次重大更新主要关注三个领域。其一是通过摇树算法减少软件包体积,也就是删除未使用的代码。为了实现此目标,该库采取一种更为精细、基于函数(而非类)的方法进行代码导入。AWS在介绍文章中给出了以下示例:
import { Auth } from 'aws-amplify'
将被替换为:
import { signIn } from 'aws-amplify/auth'
其二,Amplify正在改进TypeScript支持能力,初步涵盖身份验证、分析和存储。AWS还承诺支持“我们的所有类别,包括GraphQL API和REST API”。新版本还支持严格模式,即在代码编译之前强制执行类型检查。
第三则是对Next.js框架提供新的支持,包括服务器端渲染、中间件和服务器功能。但说明文档提醒称,“在v6开发者预览版中,仅有部分API可以在Next.js项目的服务器端使用。更多类别和API支持未来将陆续推出。”
AWS表示,“我们的社区经常要求”为Next.js提供支持,这或许反映出该框架在某些新型React功能上要比其他框架更为领先。
总体来看,对于构建将运行在AWS之上的全栈应用程序来说,Amplify似乎已经成为令人信服的方案选项。也就是说,部分开发人员意识到现有快速应用程序开发工具存在一系列现实缺陷:虽然上手容易,可一旦应用程序变得愈发庞大复杂,使用起来就会越来越困难。开发者Sam Thorogood宣称,“AWS Amplify非常有害,主要原因就在于它所选择的数据库。”他发现Amplify对于GraphQL模型和DynamoDB数据库的依赖既制约了开发者的发挥,也拉低了工作效率。“另一个大问题在于,一旦在生产中使用数据库(不仅仅是DynamoDB,也包括任何一种其他数据库),开发者将很难摆脱锁定。”
但其他社区用户却对此表现积极,认为最重要的是稳健推进、并使用Amplify发挥其最为擅长的功能。一位用户评论称,“我在很多项目中都用过Amplify,它的身份验证和注册内容都是很棒的打包功能。我们还把它用于一些前端CI/CD流程当中。但除此之外,也就没嗢的了。相比之下,我更希望Amplify能换一套良好且易于使用的无服务器Postgres数据库,同时能跟AWS Lambda顺畅配合。但如果继续像现在这样强制要求我们认真规划访问模式和索引……我个人其实倒也可以接受。”
AWS还为其AI编码助手CodeWhisperer引入了新的AI功能。其基本思路是根据组织的私有代码训练AI,同时确保敏感信息始终保持在客户可控范围之内。介绍文章解释称,“管理员可以从GitLab或Amazon Simple Storage Service(Amazon S3)等源处接入其私有代码仓库,并安排作业来创建自己的定制化操作。”这项功能将在“未来几周之内,作为新的CodeWhisperer Enterprise功能层”发布预览版本。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。