AWS Quick 里的技能和智能体怎么配合：把周报、发布说明、建工单这类重复活写成可共享的技能
讲清默认智能体 Quick、自定义智能体、空间（知识来源）、连接器和技能之间的关系，以及怎么给团队编写和共享技能、用官方技能目录；智能体只能访问用户自己有权访问的资源。是 SaaS 托管服务，不能私有化部署。
https://aws.amazon.com/blogs/machine-learning/how-skills-and-agents-work-in-aws-quick/转载，侵删。版权归原作者，如有侵权请来信，收到后删除。
同一批次的其他文章
《华尔街日报》：Anthropic 不顾市场动荡推进 IPO，本周定估值区间，最快下周四或周五挂牌
纳指刚大跌、英伟达又陷丑闻，Anthropic 仍按计划上市。一些机构投资者在压价，希望估值低于上周讨论的 1.5 万亿美元，而几个月前的说法还是 2 万亿；对手 OpenAI 上周估值 1.25 万亿美元（有中英全文）。
《连线》：黄仁勋一年前就聘了专办性丑闻的危机公关公司 Heller Inc.
2025 年 10 月《纽约时报》报道 Megaspeed 买了近 20 亿美元英伟达芯片后不久，英伟达内部就被要求把涉及黄仁勋的媒体询问抄送这家公关公司，说明公司早有准备（有中英全文）。
派拉蒙天舞 CEO David Ellison：AI 可能是「现代史上最大的创意解放」，影响会超过 CGI
他在财报会上说重拍《终结者》今天要 6000 万到 7000 万美元，AI 工具能把预算降到敢冒险的程度；公司在自研 AI 工具，但他也强调 AI 是艺术家的工具，不会取代他们（有中英全文）。
The Information：美商务部官员称英伟达特别用力游说，反对管制「远程访问」算力
远程访问是中国 AI 实验室使用新加坡、马来西亚数据中心里受限芯片的主要途径；据报道英伟达的游说加上部分官员反对，让相关规则没能出台。这是 Rohan Paul 转述的付费报道，细节以原报道为准。
彭博：黄仁勋约有 60 个直接下属，却没有公开指定的接班人
在黄仁勋丑闻和董事会调查的背景下，英伟达的继任问题被摆上台面；这些高管除了各自领域外很少公开发言。
Fireworks AI 更新安全事件：攻击者拿到账单信息，部分客户的数据集和未完成的模型权重也被访问
托管开源模型推理和微调的 Fireworks 说，攻击者 10 月 24 日经第三方云服务商进入研发机器，背后是倒卖大模型 token 的「LLMJacking」团伙；推理、Training SDK 和 Nexus 默认零数据保留，未见受影响，自助数据集上传下载已暂停。用第三方推…
IBM 计划把 Claude Mythos 接进 Concert Protect：扫出未知漏洞、证明能否被利用、再生成待开发者批准的修复
这是 Mythos 第一次通过 IBM 产品面向企业客户，发现结果和传统扫描器结果走同一套漏洞管理流程，修复由开发者在拉取请求里审批，计划 2027 年初正式发布，目前只是规划（有中英全文）。
vLLM 改用 LibTorch 稳定 ABI：升级 PyTorch 不再需要重新编译 vLLM
对自建推理服务的团队来说，以后可以更快跟进新版 PyTorch，发行方也少做重复构建；官方附了迁移过程的说明。
「强制 100% 用 AI 写代码一年后，没人看得懂我们的代码了」
一位开发者说团队在激进的 AI 编程指令下代码量涨到约三倍，智能体重复造工具函数、人工评审被边缘化，现在很少有人能判断改动对不对；帖子经 X 传播后引发 Ryan Dahl 等人讨论，是推行 AI 编程时的反面案例。
A2-MEAS：用可学习的「纠错代码」让机器人从失败中恢复，BEHAVIOR 2026 分数是去年冠军的 2.2 倍
改进了什么：机器人长时间自主干活时的控制效率和失败恢复。靠什么：把纠正语言、空间证据、执行历史和动作提议打包成「纠错代码」，训练时吸收进策略权重，部署时用新代码在不改权重的情况下调整行为；动作模型在 VLA 上加了运动感知历史和潜在世界模型。效果：12 个真机家务任务平均成功率 …
WorldFoundry：给视频、3D/4D、具身和交互式世界模型做统一推理与评测的开源基础设施
作者先定义了什么才算世界模型（要有持久状态、能响应动作、轨迹前后一致），再把模型和基准发现、运行环境准备、执行编排、产物管理和可视化统一起来，每个评测结论都能追溯到具体产物，方便复现对比。
HiRes 分层残差：只加宽残差通道、不加宽每层计算，FLOPs 效率提升约 1.3 倍
改进了什么：Transformer 里残差宽度和每层计算宽度一直绑在一起。靠什么：把若干层分成块，块内是普通层，块之间用更宽的外层残差连接，块边界用可学习投影读写。效果：OLMoE-1B-7B 训练 5000 亿 token 后训练损失低 0.0208、下游准确率高 1.14 分…