2026. szeptember 10., csütörtök · Eszközök

Az AWS Ray Serve konténerekkel váltja ki a leállított TorchServe-et

Az AWS hivatalos blogbejegyzése szerint a TorchServe modellkiszolgáló keretrendszer karbantartása leállt: nem lesznek további frissítések, hibajavítások vagy biztonsági patchek, így a benne található sebezhetőségek megoldatlanul maradhatnak. A cikk állítása szerint az érintett csapatoknak ezután saját maguknak kell kezelniük a teljes függőségi láncot, a GPU-stacktől a PyTorch- és CUDA-kompatibilitásig. Válaszul az AWS bemutatta a Ray Serve Deep Learning Container (DLC) nevű, előre összeállított és tesztelt Docker image-et, amely a PyTorch keretrendszert, a Ray Serve kiszolgálórendszert, valamint a FastAPI és Uvicorn komponenseket egyetlen, karbantartott csomagba fogja össze. A bejegyzés lépésről lépésre bemutatja egy vizuális-nyelvi modell telepítését Amazon EKS-en, egyetlen GPU-node használatával.

Miért fontos?

A TorchServe leállított karbantartása miatt az azt használó fejlesztőcsapatok biztonsági kockázatnak vannak kitéve, az AWS erre válaszul kínálja fel a Ray Serve Deep Learning Container-t alternatívaként.

Források

AWS Machine Learning Hivatalos

Említve a tudásbázisban

fogalom Mély tanulás (Deep Learning)

Kapcsolódó témák

Napi összefoglalók AI eszközök #TorchServe#AWS Ray Serve

Napi összefoglaló

Ez a hír a 2026. szeptember 10., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Meta elindította Muse személyes AI-ügynökét

A Meta elindította Muse nevű személyes AI-ügynökét iOS-en, Androidon, a Muse.ai weboldalon és WhatsAppon keresztül; a fejlesztést a Meta Superintelligence Labs egység végezte. A WIRED szerint a Muse természetes nyelvű utasítások alapján önállóan küld e-maileket, foglal utazást vagy segít autót eladni, a vásárlásokat pedig a Stripe Link egyszer használatos virtuális kártyaszámaival intézi – a Meta állítása szerint ez az első ilyen ügynök, amelyre kiterjed e vásárlói védelem. Az alapszintű használat ingyenes, a sok feladat automatizálásához előfizetés kell, a biztonságot a Secure VM architektúra garantálja, amely elkülöníti a felhasználói adatokat a nem megbízható webes tartalmaktól.

OpenAI bemutatta a ChatGPT Images 2.5 képmodelleket és a Sketch rajzeszközt

Az OpenAI kedden bevezette a ChatGPT Images 2.5-öt, amely a vállalat állítása szerint természetesebb megvilágítást, gazdagabb textúrákat és pontosabb, több lépésen át követhető szerkesztést kínál. Az új Sketch funkcióval a felhasználók @Sketch paranccsal saját rajzukból kérhetnek részletes AI-képet, és közvetlenül a kép egyes részeire is hagyhatnak megjegyzést a módosításokhoz. Az OpenAI szerint a képgenerálási késleltetés a korábbi Images 2.0-hoz képest akár 50 százalékkal csökkent. A fejlesztők számára két API-modell is elérhető: a gyorsabb, alapértelmezett GPT-Image-2.5 Flare és a részletesebb, lassabb GPT-Image-2.5 Sunburst, mindkettő azonos token-áron, de eltérő tényleges költséggel. A Decoder szerint a ChatGPT Images és a GPT-Image modellek heti szinten már több mint 3 milliárd képet generálnak.

Adobe a Premiere-be építi a generatív AI-videóeszközöket

Az Adobe új Generative Media nevű eszközzel bővíti a Premiere Pro videószerkesztő szoftverét, amely lehetővé teszi videó, hangeffekt, zene és környezeti hang generálását közvetlenül az idővonalon, anélkül hogy a szerkesztőnek külső alkalmazásba vagy böngészőbe kellene váltania. A cég állítása szerint az eszköz felismeri a projekt kontextusát, és a hiányzó B-roll vagy hanganyag helyére illesztve teljesen szerkeszthető klipeket hoz létre. A generátorok mögött több modell is választható az idővonalról: az Adobe Firefly mellett a Google Veo, a Runway, a Luma és a Kling is elérhető. Emellett a Premiere béta AI-hangeszközöket kap, amelyek szétválasztják az egymásra beszélő hangokat és automatikusan halkítják a zenét beszéd alatt, az After Effectsbe pedig egy AI Assistant kerül, amely természetes nyelvű parancsokkal szervezi át a projekteket és javítja a technikai hibákat.

AI-ügynökök tesztelése: a demótól a termelésig

Zhou Yu, a Columbia Egyetem professzora és az Arklex AI alapítója egy InfoQ-előadásban azt állította, hogy a mai AI-ügynökök mintegy 95%-a megreked a demó fázisban, és nem jut el a valós termelési használatig. Állítása szerint ennek oka a megbízhatósági és megfelelőségi problémák, amelyeket szimulációalapú teszteléssel lehet kezelni. A bemutatott módszer szintetikus felhasználói profilokat, úgynevezett trajectory entropy metrikát és automatizált CI/CD folyamatokat alkalmaz a többfordulós, eszközhasználatot is végző párbeszéd-alapú ügynökök kiértékelésére, még a telepítés előtt felderítve a hibás eseteket. Az előadó szerint ezt a megközelítést saját kutatócsoportjában és az Arklex AI-nál alkalmazzák, célként az önmagukat tanuló munkafolyamatok skálázását nevezve meg termelési környezetben.