ወደ ዜና ተመለስ
ምርትAI Understanding አጭር መግለጫ

Amazon ቤድሮክ በ AI ኮድ ወኪል የስራ ፍሰቶች ውስጥ ለክፍት ክብደት ሞዴሎች ድጋፍን ይጨምራል

AWS ክፍት የክብደት ሞዴሎችን ወደ Amazon Bedrock የተቀናጀ ድጋፍ አለው፣ ይህም ገንቢዎች የ OpenCode ተርሚናል-ተወላጅ ወኪልን እንዲጠቀሙ የሚያስችል የኮድ ስራዎችን በራሳቸው AWS መለያዎች ውስጥ እንዲሰሩ ያስችላቸዋል።

4 min readRead the primary source
Source-provided image accompanying Amazon Bedrock adds support for open weight models in AI coding agent workflows
ዋና-ምንጭ ሰነድምንጭ ተመዝግቧል
አታሚ
aws.amazon.com
ምንጭ አገናኝ
aws.amazon.comhttps://aws.amazon.com/blogs/machine-learning/use-open-weight-models-as-your-ai-coding-agent-with-amazon-bedrock/
የምንጭ ዓይነት
ዋና ሰነድ - ኦፊሴላዊ ማስታወቂያ ፣ ወረቀት ፣ ፋይል ወይም የመጀመሪያ ወገን ገጽ በቀጥታ እናነባለን።
አውድይህንን በ60 ሰከንድ ውስጥ ይረዱት።

እዚ ጀምር

ቁልፍ ቃላት

ክብደት
በነርቭ አውታረመረብ ውስጥ የሚያልፉ ምልክቶችን የሚለካ የተማረ የቁጥር እሴት።
ኤፒአይ (የመተግበሪያ ፕሮግራሚንግ በይነገጽ)
አንድ የሶፍትዌር ስርዓት ከሌላ ስርዓት ጥያቄዎችን ለመላክ እና ምላሽ የሚቀበልበት የተቀናጀ መንገድ።
የጥበቃ መንገዶች
ደህንነቱ ያልተጠበቀ ወይም ያልተፈለገ የሞዴል ባህሪን የሚገድቡ ደንቦች፣ ቼኮች እና መቆጣጠሪያዎች።
እራስህን ፈትን።AI ወኪሎች ጥያቄዎች

ምን ተፈጠረ

Amazon የቤድሮክ አገልግሎትን አዘምኗል ክፍት የክብደት ሞዴሎችን ለ AI ኮድ አቅራቢዎች ለመደገፍ በተለይም የOpenCode ተርሚናል-ቤተኛ መሳሪያን አጉልቶ ያሳያል። ይህ ውህደት ገንቢዎች እንደ ማቀድ፣ ኮድ ማመንጨት እና ማረም የመሳሰሉ ልዩ መስፈርቶችን እንደ የማመዛዘን ጥልቀት ወይም የውጤት መጠን ላይ በመመስረት የኮድ ስራዎችን እንዲመሩ ያስችላቸዋል። አርክቴክቸር የአካባቢያዊ የጂፒዩ አስተዳደር ወይም የመቀመጫ ምዝገባዎችን ሳያስፈልገው ቤድሮክ ኮንቨርስ ኤፒአይን በመጠቀም መረጃን በተጠቃሚው AWS መለያ ውስጥ ያስቀምጣል።

Amazon Bedrock አሁን ክፍት የክብደት ሞዴሎችን ይደግፋል AI ኮድ አቅራቢዎች ይህም ገንቢዎች የሶፍትዌር ልማት ተግባራትን ለማስተዳደር የ OpenCode CLI መሳሪያን እንዲጠቀሙ ያስችላቸዋል። ስርዓቱ ሁሉንም ኮዶች፣ ጥያቄዎች እና ምላሾች በተጠቃሚው AWS መለያ ውስጥ ለማስቀመጥ የተቀየሰ ነው፣ ይህም የውሂብ ነዋሪነትን እና ተገዢነትን ያረጋግጣል።

አርክቴክቸር ተጠቃሚዎች የተወሰኑ ሞዴሎችን ለተለያዩ ሚናዎች የሚመድቡበት ባለብዙ ሞዴል የስራ ፍሰቶችን ይደግፋል። ለምሳሌ፣ እንደ ኪሚ ኬ 3 ያለ የማመዛዘን-ከባድ ሞዴል ለማቀድ ጥቅም ላይ ሊውል ይችላል፣ እንደ NVIDIA Nemotron 3 Super 120B ባለ ከፍተኛ-ተጠናዋሪ ሞዴል ኮድ ማመንጨትን ይቆጣጠራል። ይህ ውቅር የሚተዳደረው በአካባቢያዊ opencode.json ፋይል ነው።

የዋጋ አወጣጥ በAmazon ቤድሮክ ደረጃዎች ላይ ባለው ፍጆታ ላይ የተመሰረተ ነው፡- ዘግይቶ ትኩረት ለሚሰጡ ተግባራት ቅድሚያ መስጠት፣ በትዕዛዝ ላይ የተመሰረተ መረጃ እና Flex ለባች ማቀነባበሪያ በ50% ዝቅተኛ ዋጋ። አገልግሎቱ የመሠረት ሞዴሎቹን ለማሰልጠን የደንበኛ ግብአቶችን ወይም ውጤቶችን አይጠቀምም።

ውህደቱ የIAM ፖሊሲዎችን፣ የ AWS CloudTrailን ለመመዝገብ እና Amazon Bedrock ን ለይዘት ማጣሪያ እና PII ማሻሻያ ጨምሮ የAWS የደህንነት መሠረተ ልማትን ይጠቀማል።

የምንጭ ዝርዝሮች: aws.amazon.com

ለምን አስፈላጊ ነው።

ይህ ልማት በ AI የታገዘ ልማት የውሂብ ነዋሪነትን፣ ወጪን እና የአቅራቢን መቆለፍን በሚመለከቱ ጉልህ የሆኑ የኢንተርፕራይዝ ስጋቶችን ይመለከታል። ክፍት የክብደት ሞዴሎችን በሚተዳደር አገልግሎት እንዲጠቀም በማስቻል፣ AWS ድርጅቶች የክፍት ምንጭ ሞዴሎችን የአፈጻጸም እና የማበጀት ጥቅማጥቅሞችን በማጎልበት ጥብቅ የደህንነት እና የተገዢነት ደረጃዎችን (እንደ HIPAA እና SOC 2) እንዲጠብቁ ያስችላቸዋል። ተግባራትን ወደ ተለያዩ የሞዴል እርከኖች የማምራት ችሎታ - እንደ ከፍተኛ አመክንዮ ሞዴሎችን ለማቀድ እና ፈጣን ሞዴሎችን ለትግበራ - ለቡድኖች በአምራች አካባቢዎች ወጪዎችን እና አፈፃፀምን ለማሻሻል ተግባራዊ መንገድን ይሰጣል።

ወደ ክፍት የክብደት ሞዴሎች የሚደረገው ሽግግር ድርጅቶች የባለቤትነት፣ የሶስተኛ ወገን APIs፣ እንደ መቀመጫ ፈቃድ አሰጣጥ እና የሞዴል ተጣጣፊነት እጥረት ያሉ ገደቦችን እንዲያስወግዱ ያስችላቸዋል።

የቤድሮክን የሚተዳደር መሠረተ ልማት በመጠቀም ኩባንያዎች የራሳቸው የጂፒዩ ስብስቦችን ሳይሰጡ ወይም ሳይጠብቁ የ AI ኮድ ወኪሎችን መተግበር ይችላሉ።

የብዝሃ-ሞዴል ማዘዋወር አካሄድ ቡድኖች ትክክለኛውን ሞዴል ከተለየ የስራ ውስብስብነት ጋር በማዛመድ ወጪን እና አፈፃፀሙን ሚዛን እንዲጠብቁ ያስችላቸዋል፣ ይህም በአይአይ የታገዘ የምህንድስና የስራ ፍሰቶች የባለቤትነት አጠቃላይ ወጪን ሊቀንስ ይችላል።

የድርጅት ደረጃ የደህንነት ቁጥጥሮችን ማካተት ሚስጥራዊነት ያለው የባለቤትነት ኮድ እንደተጠበቀ መቆየቱን ያረጋግጣል፣ ይህም ቁጥጥር በሚደረግባቸው ዘርፎች የኤአይ ኮድ ረዳቶችን ለመቀበል ቀዳሚ እንቅፋት ነው።

Interactive Mechanism

በይነተገናኝ ሜካኒዝም፡ በትክክል እንዴት እንደሚሰራ

ከዚህ ልማት በስተጀርባ ያለውን ቴክኖሎጂ በይነተገናኝ ያስሱ።

Thinking Budget (Test-Time Tokens):1,024 tokens
Complex Accuracy79%Math & Code Logic
Latency3.2sTime to first full output
Inference Cost$0.0092Per query estimated
Reasoning StyleStep VerificationInternal chain depth
Active Thinking Trace:
1Deconstruct user problem into formal constraints
2Propose candidate hypotheses & step-by-step calculation
3Self-correction: Backtrack and refute subtle edge cases
4Exhaustive consistency check & final output synthesis
Core takeaway: Test-time compute fundamentally changes AI economics. Instead of only scaling during pre-training, giving reasoning models more tokens at inference time allows them to systematically solve PhD-level STEM problems.
በይነተገናኝ ጽንሰ-ሐሳብ ቼክ+10 Points
AI Agents Quiz

What most distinguishes an AI agent from a basic chatbot?

ቀጥሎ ምን እንደሚታይ

የዚህ የብዝሃ-ሞዴል ማዘዋወር ስትራቴጂ በድርጅት AI ልማት ወጪዎች ላይ ያለው የረጅም ጊዜ ተፅእኖ እና ቁጥጥር በሚደረግባቸው ኢንዱስትሪዎች ውስጥ ክፍት የክብደት ሞዴሎችን መቀበል። በተጨማሪም፣ እንደ በAWS ደንበኛ Ethara.AI የተጠቀሰው በጥናት ላይ የተመሰረተ 'SkillClaw' ያሉ ራስን የሚያሻሽሉ የወኪል ስርዓቶች ዝግመተ ለውጥ፣ በአፈጻጸም ታሪክ ላይ ተመስርተው ባህሪያቸውን ወደሚያስተካክሉ ወኪሎች መቀየሩን ይጠቁማል። እነዚህ የኦርኬስትራ ንብርብሮች በትልልቅ የምህንድስና ቡድኖች መካከል እንዴት እንደሚመዘኑ መከታተል የወኪል ኮድ አሰጣጥ የስራ ፍሰቶችን ብስለት ለመገምገም ወሳኝ ይሆናል።

ቡድኖች ከነጠላ ገንቢ ማዋቀር ሲወጡ የ‹ባለብዙ ሞዴል ማዞሪያ› አርክቴክቸር ውጤታማነት በገሃዱ ዓለም የምርት አካባቢዎች።

እንደ Ethara.AI ባሉ ቀደምት አሳዳጊዎች እንደታየው በተሳካ የማስፈጸሚያ አቅጣጫዎች ላይ ተመስርተው የሚሻሻሉ እራስን የሚያሻሽሉ ወኪል ማዕቀፎችን ማሳደግ።

የAmazon ቤድሮክ ሞዴል ካታሎግ የቀጠለው መስፋፋት እና እንደ አርቴፊሻል ትንታኔ ኮድ ማውጫ ባሉ ቤንችማርኮች ከባለቤትነት አማራጮች ጋር እንዴት እንደሚወዳደር።

ተዛማጅ መመሪያዎች እና ጥያቄዎች

AI ወኪሎችAI ሞዴሎች ተብራርተዋልየAI ሥነ ምግባርየሚያውቁትን ይሞክሩ - ነፃ የ AI ጥያቄዎችን ይሞክሩበእኛ የቃላት መፍቻ ውስጥ የ AI ቃልን ይፈልጉ
ይህ ጠቃሚ ሆኖ ተገኝቷል?