6/4/2025 AI Express | Google Cloud Run ermöglicht serverlose GPU-Beschleunigung und Überblick über die neuesten KI-Fortschritte

Google Cloud Run unterstützt jetzt die serverlose GPU-Beschleunigung und bietet Entwicklern damit eine effiziente und flexible Möglichkeit zur Nutzung von Rechenressourcen. Mit dieser neuen Funktion können Nutzer Anwendungen wie Gemma auf Google Cloud Run mit einem einzigen Befehl bereitstellen. Dies vereinfacht nicht nur den Entwicklungsprozess, sondern bietet auch ein flexibles Abrechnungsmodell mit sekundengenauer Abrechnung, was die Kosten weiter reduziert.

Darüber hinaus unterstützt der Dienst die automatische Skalierung von Instanzen auf Null, so dass bei geringer Nachfrage keine zusätzlichen Kosten anfallen. Außerdem unterstützt er eine vollständige Streaming-Verarbeitung für Anwendungsszenarien, die eine Datenverarbeitung in Echtzeit erfordern. Diese Funktionen machen Google Cloud Run zu einer idealen Wahl für viele Entwickler und Unternehmen.

Die wichtigsten Merkmale sind:

• Kein Antrag auf eine Quote erforderlich
• Schneller Einsatz mit nur einem Befehl
• sekundengenaue Abrechnung
• Automatische Skalierung auf Null-Instanzen
• Volle Streaming-Unterstützung

Die serverlose GPU-Beschleunigung von Google Cloud Run ist sicherlich eine attraktive Option für Entwickler, die eine hohe Rechenleistung benötigen, aber die zugrunde liegende Infrastruktur nicht verwalten möchten.

OpenAI hat heute zwei neue Modell-Snapshots veröffentlicht:gpt-4o-audio-preview-2025-06-03 im Gesang antworten gpt-4o-realtime-preview-2025-06-03die die Ausführung von Befehlen, den Aufruf von Werkzeugen und das Verhalten bei Unterbrechungen verbessern sollen. Darüber hinaus wurde ein neuer Geschwindigkeitsparameter eingeführt, mit dem der Benutzer die Sprechgeschwindigkeit der Stimme steuern kann.

Diese Aktualisierungen verbessern die Interaktionsflexibilität des Modells und die Benutzererfahrung weiter. Gleichzeitig stellte OpenAI das Agents SDK für TypeScript vor, das die Entwicklung von Sprachassistenten mit Echtzeit-Agentenfunktionalität unterstützt. Die Funktion kann client- oder serverseitig ausgeführt werden und bietet Unterstützung für das Traces-Dashboard, mit dem Entwickler den Betrieb des Sprachagenten visualisieren können, einschließlich Audioeingabe/-ausgabe und Toolaufrufe.

Diese neuen Funktionen bieten Entwicklern nicht nur ein leistungsfähigeres Toolset, sondern eröffnen auch neue Möglichkeiten für die Entwicklung intelligenter, reaktionsschneller Sprachanwendungen.

Vor kurzem wurde ein neuer Kurzlehrgang namens DSPy eingeführt.DSPy ist ein leistungsstarkes Open-Source-Framework, das sich auf die automatische Abstimmung von Prompts in Anwendungen der generativen künstlichen Intelligenz (GenAI) konzentriert. Der Kurs wurde in Zusammenarbeit mit Databricks entwickelt und wird von ChenMoneyQ, Co-Leiter des DSPy Frameworks, unterrichtet.

In einem Kontext, in dem viele KI-Entwickler viel Zeit mit der manuellen Abstimmung von Cues verbringen, kann DSPy diesen Prozess automatisieren, insbesondere in komplexen KI-Workflows, wo es besonders effektiv für die Optimierung einer kleinen Anzahl von Beispiel-Cues ist. Wenn eine Anwendung zu einem neuen Sprachmodell wechselt, kann sich die Leistung zudem verschlechtern, wenn die ursprünglichen Cues für das alte Modell optimiert wurden. DSPy kann das gesamte System automatisch für das neue Sprachmodell mit einer kleinen Anzahl von ausgewerteten Samples optimieren.

In diesem Kurs werden die Funktionsweise von DSPy und sein Best-Practice-Ansatz eingehend erläutert. Die Teilnehmer lernen, wie man Programme mit dem DSPy-Signaturprogrammiermodell schreibt und sie mit MLflow debuggt, um einen Einblick in die Leistung der einzelnen Teile der Pipeline und des Gesamtsystems zu erhalten. Letztendlich wird mit DSPy Optimizer eine automatische Verbesserung der Genauigkeit erreicht.

Der Kurs umfasst:

• Grundlegende Konzepte des DSPy-Frameworks und der Installationskonfiguration
• So definieren und verwalten Sie Prompt-Vorlagen
• Methodik für Tracing und Debugging mit MLflow
• Praktische Fallstudien und Projekte

Der Link zur Anmeldung lautet wie folgt: https://t.co/bb8uILyepf

Aufbau eines Chatbots zur Erstellung von Finanzberichten mit mehreren Agenten von Grund auf

Im Workshop von @jerryjliu0 letzte Woche hat er ein komplettes Beispiel auf der Grundlage des LlamaIndex-Agenten-Workflows vorgestellt. Dieses Beispiel zeigt, wie man einen Chatbot von Grund auf neu erstellt, der automatisch Finanzberichte generieren kann.

1. Parsing und Indizierung der 10-K-Dateien von Adobe
2. Beantwortung analytischer Anfragen mit Hilfe der agentengestützten Suche (agentic RAG)
3. Erstellung vollständiger Berichte durch verkettete Agenten, einschließlich Beschreibungen, Tabellen und Bewertungen

Dieses praktische Laborprojekt richtet sich nicht nur an Finanzanalysten, sondern auch an alle Fachleute, die ihre Fähigkeiten in der Datenverarbeitung und Automatisierung verbessern möchten.

Sie können dieses Beispiel unter dem folgenden Link ausprobieren: https://t.co/tOG6hBgSVk

Kürzlich.OpenAIModernste Modelle zur Bilderzeugung fürGPT-Abbildung-1Eine bemerkenswerte Errungenschaft auf dem Gebiet der Text-zu-Bild-Generierung, die erfolgreich die Spitzenposition in diesem Bereich erreicht hat. Dieser Durchbruch markiert nicht nurOpenAIEin weiterer großer Sprung in der KI-Forschung, der auch weitreichende Auswirkungen auf die gesamte Branche hat.

Nach den letzten BewertungenGPT-Abbildung-1Es übertrifft Googles Imagen-3.0 in einer Reihe von Schlüsselkennzahlen mit einem Spitzenwert von mehr als 50 Punkten und ist auch ein Quantensprung gegenüber dem vorherigen DALL-E 3. Dies zeigt, dassGPT-Abbildung-1Es wurde ein neuer Grad an Genauigkeit und Vielfalt bei der Bilderzeugung erreicht.

OpenAIhat angekündigt, dass Entwickler ab sofort über die API auf dieGPT-Abbildung-1Die leistungsstarke Bilderzeugungsfunktion des Diese Funktion weist die folgenden Merkmale auf:

• Genauere und realitätsgetreuere Bilderzeugungsfunktionen
• Vielfalt der visuellen Stile
• Präzise Bildbearbeitungsfunktionen
• Eine Fülle von Weltwissen
• Konsistente Textwiedergabe

Diese Eigenschaften machenGPT-Abbildung-1Sie werden zu einem leistungsstarken Werkzeug in vielen Bereichen der kreativen Gestaltung, der Erstellung von Inhalten und Multimedia-Anwendungen.

Für Entwickler bedeutet dies, dass sie diese Technologie nutzen können, um innovativere und nützlichere Bildinhalte zu erstellen. Gleichzeitig eröffnet es mehr Möglichkeiten für eine Vielzahl von Branchen und fördert die breite Nutzung und Entwicklung der Bilderzeugungstechnologie.

Herzlichen GlückwunschOpenAITeam, um dieses bedeutende Ergebnis zu erzielen! Weitere Informationen über die Entwicklung mit GPT-Image-1 finden Sie in der offiziellen Anleitung.

OpenAI hat kürzlich eine neue Funktion veröffentlicht, die es Workspace-Administratoren ermöglicht, benutzerdefinierte Deep-Research-Konnektoren mit dem Model Context Protocol (MCP) zu erstellen, das sich in der Betaphase befindet.

Mit MCP können Benutzer proprietäre Systeme und andere Anwendungen in ChatGPT integrieren, um die Suche, Schlussfolgerung und Bearbeitung dieser Wissensquellen zu ermöglichen. Diese Technologie unterstützt nicht nur den Zugriff auf Daten vor Ort, sondern arbeitet auch mit Web-Ergebnissen und vorgefertigten Konnektoren, um Teams mit umfassenderen Informationen zu unterstützen.

Die Funktion ist jetzt für Team-, Enterprise- und Education-Administratoren verfügbar, und auch Professional-Benutzer können sie jetzt nutzen.

Um Entwicklern zu helfen, diese Funktion besser zu verstehen und anzuwenden, ist ein detailliertes offizielles Tutorial-Dokument (Link: https://t.co/uq4DgFvZ8h) verfügbar, das spezifische Schritte zur Einrichtung eines entfernten MCP-Servers enthält:

1. Stellen Sie zunächst sicher, dass Ihre Umgebung die Anforderungen des MCP-Protokolls erfüllt.
2. Folgen Sie dann der Anleitung zur Konfiguration des Server-Endpunkts.
3. Schließlich verbinden Sie Ihren MCP-Server über die API-Schnittstelle mit ChatGPT.

Durch die oben genannten Schritte können Unternehmen nicht nur die vorhandenen Informationsressourcen in vollem Umfang nutzen, sondern auch die Grenzen der Fähigkeiten von KI-Assistenten weiter ausbauen.

Google hat kürzlich einen Satz von Google Gemini Vollstack LangGraph ist ein Framework, mit dem sich schnell produktionsreife DeepResearch-Systeme erstellen lassen. Durch die Kombination der leistungsstarken Inferenzfunktionen von Gemini mit den Zustandsverwaltungsfunktionen von LangGraph können Entwickler auf einfache Weise einen KI-Assistenten erstellen, der in der Lage ist, komplexe, mehrstufige, iterative Forschungsprozesse auszuführen.

Der gesamte Arbeitsablauf des Agenten, einschließlich der Schritte der dynamischen Anfragegenerierung, der Netzwerkrecherche, der reflektierenden Analyse, der iterativen Optimierung und der Antwortsynthese, ist in dem Framework gekapselt. Darüber hinaus bietet LangGraph flexible Schnittstellen, die es Entwicklern ermöglichen, die APIs nach Bedarf zu ersetzen, um die Anforderungen spezifischer Anwendungsszenarien zu erfüllen.

Das Framework eignet sich besonders für Szenarien, in denen tiefgreifende Forschung erforderlich ist, wie z. B. akademische Forschung, Marktanalyse und technologische Innovation. Gemini Fullstack LangGraph ist eine gute Wahl für Entwickler, die einen Forschungsagenten aufbauen wollen oder eine Open-Source-Alternative für DeepResearch suchen.

Gleichzeitig bietet dieses Projekt auch eine Gelegenheit für KI-Entwickler mit einer gewissen LangGraph-Grundlage, davon zu lernen und sich auf die Schultern von Google zu stellen, um die entsprechende Technologie besser zu verstehen und zu beherrschen.

GitHub-Repository-Adresse:https://t.co/QwmWzJhWuF

Hugging Face hat offiziell einen neuen kostenlosen Kurs gestartet - den MCP-Kurs, der Entwicklern helfen soll, die Theorie und Praxis von Multi-Modal Pretrained Models (MCP) von Grund auf zu verstehen.

Der Kurs umfasst drei Hauptmodule: MCP-Theoriefundament, praktische Entwicklung und Einsatzanwendung. Durch systematisches Lernen werden die Teilnehmer nicht nur ein tiefes Verständnis der Kernkonzepte, der Architektur und der Komponenten von MCP erlangen, sondern auch die Fertigkeiten der praktischen Entwicklung und der Einsatzanwendungen beherrschen und schließlich die offizielle Hugging Face-Zertifizierung erhalten.

Das Kursprogramm umfasst folgende Punkte:

• Getting Started Guide: Stellt die verwendeten Tools und Plattformen vor und bereitet Sie auf den Kurs vor;
• MCP-Grundlagen, Architektur und Kernkonzepte: Erläutert die Kernkonzepte, die Architektur und die Komponenten von MCP und demonstriert einfache Anwendungsfälle mit MCP;
• MCP End-to-End Hands-On: Erstellen einer einfachen End-to-End MCP-Anwendung;
• MCP Deployment in Action: Erstellen Sie eine einsatzfähige MCP-Anwendung und lernen Sie, wie Sie diese in einer Produktionsumgebung einsetzen können.

Jedes Kapitel ist so konzipiert, dass es in 1 Woche abgeschlossen werden kann, was etwa 3-4 Stunden Lernzeit pro Woche erfordert.

Geeignet für Studenten mit grundlegenden KI- und ProgrammierkenntnissenNach Abschluss des Kurses werden Sie mit der Entwicklung mit dem MCP SDK und Framework vertraut sein.

Die MCP-Technologie hat ein breites Anwendungsspektrum in vielen Bereichen wie der Verarbeitung natürlicher Sprache, Computer Vision usw. und ist eine der wichtigsten Richtungen der aktuellen KI-Forschung und -Entwicklung. Durch diesen Kurs können die Studierenden nicht nur ihre technischen Fähigkeiten verbessern, sondern auch das Gelernte in realen Projekten anwenden.

Kursadresse: https://t.co/cvOQNAdpOk

Die Aria Gen 2-Brille stellt einen bedeutenden Fortschritt in der Wearable-Technologie dar. Sie bietet eine verbesserte Funktionalität und Leistung, um den Anforderungen eines breiteren Spektrums von Anwendungen und den Bedürfnissen von Forschern gerecht zu werden. Die Brille zeichnet sich in Bereichen wie maschinelle Wahrnehmung, kontextbezogene KI und Robotik aus und beschleunigt die Forschungsbemühungen in Industrie und Wissenschaft erheblich.

Ausgestattet mit fortschrittlichen Sensoren und hochauflösenden Kameras unterstützt die Aria Gen 2 Brille die Datenerfassung und -verarbeitung in Echtzeit und bietet den Forschern damit eine hochwertige Datenunterstützung. Darüber hinaus ermöglichen die eingebaute Recheneinheit und die effiziente Optimierung der Algorithmen eine deutliche Steigerung der Datenverarbeitungsgeschwindigkeit und tragen so zur Verbesserung der Forschungseffizienz bei.

Zu den wichtigsten Anwendungsszenarien gehören:

• Maschinelles Sehen und Wahrnehmungstechnologie
• Situationsbezogene Intelligenz und Umweltverständnis
• Mensch-Computer-Interaktion und Zusammenarbeit

Die Aria Gen 2-Brille ist zweifellos ein leistungsstarkes Werkzeug für Forscher, die an der Entwicklung der nächsten Generation intelligenter Systeme arbeiten. Für weitere Informationen und zur Vorbestellung besuchen Sie bitte: https://t.co/aEyjaw0rge.

Wenn Sie ClaudeCode verwenden, probieren Sie es aus!claude-traceDieses leistungsstarke Protokollierungswerkzeug. Es zeichnet ein Protokoll aller ClaudeCode-Anfragen auf, einschließlich der Eingabeaufforderungen des Benutzers, und speichert diese Informationen in einer HTML-Datei zur einfachen Ansicht.

Das Tool arbeitet sehr clever, indem es sich zuerst selbst startet, dann die global.fetch API von Node.js modifiziert und dann ClaudeCode startet. auf diese Weise wird, wenn ClaudeCode eine Anfrage stellt, dieclaude-traceEs ist dann möglich, die gesamte Anfrage abzufangen und aufzuzeichnen und schließlich einen detaillierten Bericht zu erstellen.

Anwendungsszenarien:

• Entwickler können diese Protokolle zum Debuggen und Optimieren von Code verwenden.
• Forscher können diese Protokolle analysieren, um das Verhalten und die Leistung des Modells zu verstehen.
• Die Benutzer können diese Protokolle verwenden, um die Funktionsweise des Modells besser zu verstehen.

Bei der Nutzung des Claude Max-Abonnementdienstes gibt es drei Hauptmodelle:

1. claude-3-5-haiku-20241022 zur Vorverarbeitung von Benutzereingaben.
2. claude-opus-4-20250514, das standardmäßig verwendete Mastermodell, ist für das Schreiben des eigentlichen Codes und den Aufruf der Werkzeuge zuständig.
3. claude-sonnet-4-20250514 als Backup, wenn das Standardmodellkontingent erschöpft ist.

Mit claude-trace können Sie ein tieferes Verständnis für die Funktionsweise von ClaudeCode erlangen, um effizienter entwickeln und forschen zu können.