答案已發布17 個來源
Red Hat AI 3.5 正式推出：把 AI 試點變成可治理的混合雲生產服務
Red Hat AI 3.5 的重點不只是部署模型，而是把 AI 轉為可治理、可觀測、可供多個團隊共用的混合雲生產服務。[17] EvalHub 提供模型、RAG 流程與 AI 代理的自動化風險評測及可稽核報告，讓團隊可在上線前檢查提示注入、越獄等風險。[17] 新版加入公平分配與優先順序導向的 GPU 資源控制、用量計量及觀測儀表板，協助平台團隊管理昂貴的推論容量。[17]
發布者圖片由 GPT Image 2 生成
研究答案
重點整理
- Red Hat AI 3.5 的重點不只是部署模型，而是把 AI 轉為可治理、可觀測、可供多個團隊共用的混合雲生產服務。[17]
- EvalHub 提供模型、RAG 流程與 AI 代理的自動化風險評測及可稽核報告，讓團隊可在上線前檢查提示注入、越獄等風險。[17]
- 新版加入公平分配與優先順序導向的 GPU 資源控制、用量計量及觀測儀表板，協助平台團隊管理昂貴的推論容量。[17]
- Red Hat AI Inference 3.5 支援 NVIDIA CUDA、AMD ROCm、Google TPU、Intel Gaudi 與 IBM Spyre 等加速器的最佳化推論映像檔。[1][3]
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Red Hat announce with the general availability of Red Hat AI 3.5 on September 11, 2026, and how does the release—including its inte. Article summary: Red Hat announced the general availability of Red Hat AI 3.5 as an enterprise AI platform update focused on making AI a governed, observable, multi tenant production service across hybrid environments—not merely a collec. Topic tags: general web, ai safety, llm, agents, ai. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
企業導入生成式 AI 時，最難的往往不是做出第一個概念驗證（PoC），而是讓模型能在正式環境持續、可靠且受控地運作。Red Hat 在 2026 年 9 月 11 日宣布 Red Hat AI 3.5 正式可用（GA），核心訴求正是把 AI 從零散試點，轉為能在混合雲環境中治理、監控並由多個團隊共用的生產級服務。17
這次更新可概括為三件事：上線前先驗證可信度、上線後有效率地共用 GPU、以一致方式部署及營運推論服務。17
上線前：把安全與合規評估納入流程
Red Hat AI 3.5 將 EvalHub 列為正式可用功能。它可針對企業自行建立或客製化的模型、檢索增強生成（RAG）流程與 AI 代理，執行自動化、以風險為導向的安全基準測試，並產出可稽核的合規報告。企業可在部署前測試提示注入（prompt injection）、越獄（jailbreak）等風險，而非等系統投入使用後才補救。17
Red Hat 也擴充已驗證模型目錄，新增超過 20 個來自 Google、NVIDIA 與 Alibaba Cloud 等供應商的模型，並提供安全性、個人識別資訊（PII）暴露與毒性風險相關資訊。對平台團隊而言，這代表選模可依據一致的評估證據，而不必由各專案團隊各自重建評測流程。17
上線後：避免單一團隊吃掉全部 GPU
GPU 是企業 AI 正式營運中最昂貴也最容易形成瓶頸的資源之一。3.5 導入或強化了公平分配排程、優先順序感知的服務、准入控制與依請求優先度路由等機制，目標是避免單一工作負載或團隊壟斷 GPU 容量。17
配合每位使用者的 token 用量計量，IT 與平台營運團隊可依服務等級安排優先順序，並進行按團隊的成本展示或內部分攤。新的可觀測性儀表板則用來呈現推論服務健康度、GPU 使用率與模型效能訊號，讓營運人員在服務運行期間找出容量、可用性或品質問題。17
RAG 與代理開發：支援多語文件資料
AutoRAG 增加了多語能力，可協助團隊為非英文及混合語言文件語料尋找合適的 RAG 模式；功能包括語言偵測、實驗設定、對 CJK、斯拉夫與拉丁文字等不同語系友善的切分策略，以及多語嵌入模型的最佳化搜尋空間。4
這對跨語言企業知識庫、對話測試與代理型應用尤其重要。不過，文件將這項 AutoRAG 多語支援列為 Technology Preview（技術預覽），企業規劃正式生產使用時，仍應先確認支援範圍與產品條款。4
混合雲推論：同時涵蓋多種 AI 加速器與 Kubernetes
在底層推論方面，Red Hat AI Inference 3.5 提供針對 NVIDIA CUDA、AMD ROCm、Google TPU、Intel Gaudi 與 IBM Spyre AI 加速器最佳化的大型語言模型推論容器映像檔；其中亦涵蓋 IBM Z 與 IBM Power 的多架構支援。1
3
分散式推論方面，llm-d 可部署於受管 Kubernetes 平台。文件列出 Azure Kubernetes Service（AKS）、CoreWeave Kubernetes Service（CKS）與 Amazon Elastic Kubernetes Service（EKS）的部署說明與叢集需求。5
6 不過可用性必須分清楚：Amazon EKS 上的 llm-d 是技術預覽，沒有 Red Hat 正式生產 SLA，且 Red Hat 不建議將其用於生產環境；相較之下，Azure 與 CoreWeave 是文件所列的支援部署路徑。
8
與 NVIDIA 的整合，意義在於建立共同營運層
在 Red Hat AI Factory with NVIDIA 的架構下，這些能力形成部署於 NVIDIA 加速基礎設施之上的標準化營運層：企業可用共同的 Kubernetes 導向方式驗證模型、較公平地配置 GPU、監測模型服務，並在混合基礎設施間部署推論工作負載。17
3
因此，3.5 的價值不只在於「能不能跑模型」，而在於縮短資料科學實驗與企業 IT 營運之間的交接落差。當模型評估、資源調度、成本可見度與服務監控能納入同一套平台流程，企業才較有條件將 AI 從單次展示，推進為可重複擴展、可追責的正式服務。17
重點提醒：「GA」並不代表每一項相關功能都已完全具備正式生產支援。Amazon EKS 的推論感知排程／llm-d 部署明確屬技術預覽；評估採用時，應逐一核對所選平台與功能的支援狀態。
8
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「Red Hat AI 3.5 正式推出：把 AI 試點變成可治理的混合雲生產服務」的簡短答案是什麼？
Red Hat AI 3.5 的重點不只是部署模型，而是把 AI 轉為可治理、可觀測、可供多個團隊共用的混合雲生產服務。[17]
最值得優先驗證的重點是什麼？
Red Hat AI 3.5 的重點不只是部署模型，而是把 AI 轉為可治理、可觀測、可供多個團隊共用的混合雲生產服務。[17] EvalHub 提供模型、RAG 流程與 AI 代理的自動化風險評測及可稽核報告，讓團隊可在上線前檢查提示注入、越獄等風險。[17]
接下來在實務上該怎麼做？
新版加入公平分配與優先順序導向的 GPU 資源控制、用量計量及觀測儀表板，協助平台團隊管理昂貴的推論容量。[17]