חיפוש בחדשות

4 תוצאות עבור "Claude Sonnet".

ארכיטקטורת סוכני AI לניתוח חוזים עם Amazon Bedrock ו-Quick
ניתוח
4 דקות
מ־AWS Machine Learning

ארכיטקטורת סוכני AI לניתוח חוזים עם Amazon Bedrock ו-Quick

בפוסט שפורסם בבלוג של AWS הציגו מהנדסי החברה ארכיטקטורה לפלטפורמת ניתוח חוזים, המשלבת סוכני בינה מלאכותית מבוססי Amazon Bedrock AgentCore וכלי תשאול וניתוח ב-Amazon Quick. הפתרון מתמודד עם מגבלות כלי RAG בעת ביצוע חישובי אגרגציה על מאות מסמכים, באמצעות חילוץ שדות מפתח למסד נתונים מובנה ב-Amazon Aurora PostgreSQL. המערכת משתמשת בסוכן חילוץ מבוסס Claude Sonnet ובסוכן אימות מבוסס Claude Haiku, לצד Amazon Textract כגורם מכריע לזיהוי חתימות בעזרת ראייה ממוחשבת. הגישה מאפשרת לבצע הן שאילתות רוחביות והן איתור מקטעים מתוך מסמך יחיד בממשק מאוחד.

AWSAmazon Web ServicesAmazon Bedrock AgentCore
קרא עוד
אופטימיזציית עלויות וזמני תגובה עם Prompt Caching ב-Bedrock
מדריך
3 דקות
מ־AWS Machine Learning

אופטימיזציית עלויות וזמני תגובה עם Prompt Caching ב-Bedrock

בפוסט של ארכיטקט הפתרונות דניאל אביב מ-AWS, מוסבר כיצד מנגנון ה-Prompt Caching ב-Amazon Bedrock מפחית עד 90% מעלויות טוקני הקלט על פגיעות במטמון ומקצר את זמן התגובה לטוקן הראשון (TTFT). המאמר סוקר שישה תרחישי יישום באמצעות ה-Converse API: שמירת מסמכים, שמירת פרומפט מערכת, שמירת הגדרות כלים לסוכנים, שילוב זמני חיים שונים (Mixed TTL), בידוד דיירים במערכות מרובות משתמשים באמצעות תחילית SHA-256, ואינטגרציה עם ספריית LangChain. מודלי Anthropic Claude Sonnet 4.5 ו-4.6 דורשים סף מינימלי של 1,024 טוקנים להפעלת המטמון.

Amazon BedrockAWSAnthropic Claude
קרא עוד
בחירת מטרות של מודלי שפה: למה GPT ו-Claude לא חושבים כמו אנשים
מחקר
6 דקות
מ־arXiv cs.AI

בחירת מטרות של מודלי שפה: למה GPT ו-Claude לא חושבים כמו אנשים

**בחירת מטרות על ידי מודל שפה אינה שקולה לשיקול דעת אנושי.** מחקר חדש ב-arXiv מצא כי GPT-5, Gemini 2.5 Pro, Claude Sonnet 4.5 ו-Centaur סטו באופן משמעותי מהדרך שבה בני אדם בוחרים מטרות במשימת למידה פתוחה. לפי הדיווח, בני אדם חקרו בהדרגה והפגינו שונות, בעוד שמודלים רבים נצמדו לפתרון יחיד או הציגו ביצועים חלשים. עבור עסקים בישראל, המשמעות ברורה: אפשר להשתמש ב-AI כדי להציע אפשרויות, לדרג פניות ולבצע פעולות דרך WhatsApp, CRM ו-N8N — אבל לא כדאי למסור לו לבדו החלטות על תיעדוף, הקצאת משאבים או שינוי מטרה עסקית. המודל צריך לפעול בתוך מסגרת בקרה אנושית.

GPT-5Gemini 2.5 ProClaude Sonnet 4.5
קרא עוד
PlotChain לקריאת גרפים הנדסיים: בנצ'מרק דטרמיניסטי שמבדיל בין MLLM טוב למצוין
ניתוח
6 דקות
מ־arXiv cs.AI

PlotChain לקריאת גרפים הנדסיים: בנצ'מרק דטרמיניסטי שמבדיל בין MLLM טוב למצוין

PlotChain הוא בנצ'מרק דטרמיניסטי שמודד עד כמה מודלים מולטימודליים (MLLMs) מצליחים לקרוא גרפים הנדסיים ולהחזיר ערכים מספריים מדויקים ב-JSON, במקום להסתפק ב-OCR או תיאור חופשי. לפי ה-preprint (arXiv:2602.13232v1), המאגר כולל 15 משפחות ו-450 גרפים עם אמת מידה שמחושבת ישירות מתהליך היצירה, ובנוסף “נקודות בדיקה” (cp_) שמאפשרות לאתר איפה המודל נכשל. התוצאות מדגישות פערים: Gemini 2.5 Pro מגיע ל-80.42% pass-rate בשדות, GPT‑4.1 ל-79.84% ו-Claude Sonnet 4.5 ל-78.21%, בעוד GPT‑4o ב-61.59%. המשימות השבריריות ביותר הן בתחום התדר: bandpass עד 23% ו-FFT מאתגר. לעסקים בישראל שמקבלים דוחות כ-PDF ב-WhatsApp, זו תזכורת לבנות פיילוט עם טולרנסים, QA וזרימה מחוברת ל-N8N ו-Zoho CRM.

PlotChainGemini 2.5 ProGPT-4.1
קרא עוד