Amazon SageMaker推出训练会话API：用户可编写自定义大模型训练循环，无需管理GPU
Amazon SageMaker发布训练会话（Training Sessions）API，支持用户以纯Python脚本实现SFT、RLHF、GRPO、KTO等自定义大模型训练逻辑，GPU资源调度、容错、分布式执行及检查点管理均由服务托管。
AI NEWS JOURNAL
搜索 AI 资讯
检索标题、摘要与正文，把分散的信息连起来。
NVIDIA cuDSS正式发布：加速工程与科学仿真中的稀疏线性系统求解
NVIDIA于2026年10月26日（UTC）宣布cuDSS库进入通用可用（GA）阶段，该CUDA-X库专为在GPU上高效求解大规模稀疏线性系统而设计，显著提升芯片、航空、工业系统等领域的仿真吞吐量与迭代效率。
TorchNeuron系统级性能分析（第一部分）：基于AWS Trainium芯片的端到端剖析
本文为Hugging Face与Amazon联合发布的技术博客系列首篇，系统介绍如何在AWS Trainium AI加速芯片上使用TorchNeuron进行PyTorch模型推理性能分析，涵盖Neuron后端集成原理、torch.profiler配置方法、NeuronConfig与NeuronProfiler工具使用、Neuron Explorer可视化追踪，并以RMSNorm为例对比三种实现（朴素PyTorch、torch.rms_norm内置融合、torch.compile自动融合）的设备耗时差异。
i14发布Laplace 3B线性注意力模型：基于AWS Trainium2与原生PyTorch实现固定状态内存推理
i14推出30.28亿参数的Laplace 3B模型，采用门控线性注意力（GLA）替代Softmax注意力，其推理时每序列递归状态恒为29.5 MB，与上下文长度无关；该模型在单台AWS trn2.48xlarge（16颗Trainium2芯片）上完成训练与服务验证，训练吞吐达12万token/秒，服务吞吐11544 output token/秒（1280并发序列），所有性能数据均为i14与AWS GenAIIC团队内部实测结果。