精选 · 看变化，也看用途
从工具新能力、经营管理场景和实际用法中，找一件值得进一步了解的事。
AWS 博客介绍在 Amazon EKS 上使用多节点 Ray LLM Deep Learning Containers，将一个大语言模型跨两个 GPU 节点部署，prefill 与 decode 节点分离，并统一在一个 OpenAI 兼容端点之后。预构建容器包含完整推理栈，用户配置部署而非自行组装。
为什么值得看：企业负责人可关注其对企业自建大模型推理的参考价值：多节点扩展可应对单节点显存不足，OpenAI 兼容端点便于对接现有应用，预构建容器可能减少推理栈集成与运维投入。但需注意该信息来自厂商披露，缺少独立性能与成本验证，实际部署前应核实模型支持范围、硬件成本、吞吐延迟及运维要求。
AWS Machine Learning Blog 介绍了一套参考架构，用于在多个团队之间安全共享同一个 Amazon SageMaker HyperPod EKS 集群。该架构使用 AWS IAM Identity Center 进行身份认证，通过按团队划分的 SageMaker Domain 和 Kubernetes namespace 实现隔离，借助 HyperPod Task Governance 保障公平性，并在 namespace 级别进行成本分摊以支持内部计费。
为什么值得看：企业负责人可关注其用于多团队共享 GPU 资源时的隔离、公平调度与成本归属思路，但需注意这是参考架构，实际效果依赖自身环境，且绑定 AWS 特定服务。
AWS 机器学习博客介绍，Claude Haiku 5.5 现已在 Amazon Bedrock 和 AWS 上的 Claude Platform 提供。据 Anthropic 称，它是 Claude 5.5 系列中速度最快、最高效的模型，面向子代理和高并发、成本敏感型工作负载，多数任务成本比 Claude Haiku 4.5 低约 75%。文章还介绍了其改进点及上手方式。
为什么值得看：对企业负责人来说，值得关注的是模型选型与推理成本：若企业已在 AWS 上构建代理或批量自动化流程，该模型据厂商披露可显著降低单位任务成本，并可直接在既有 AWS 平台内接入，减少额外集成工作。但性能与成本数据均为厂商披露，落地前应结合自身任务做小范围验证，并确认区域可用性、配额与数据合规要求。