ZDNet至顶网软件频道消息:在上个月底,微软高管曾表示他们将向Azure云产品线中增加一个新的“基础”定价层。
4月21日,微软在产品网站页面上增加了Basic的选项,支持较小规模站点以及开发/测试情况。微软称这个基础SKU以合理的成本添加了一些新的高端功能。
根据今天发布的博客文章,这个基础定价层包括核心的Azure Web Sites;最多3个专有虚拟机实例,运行网站、SSL支持、调度作业、端点监控等。Web Sites Basic的定价从针对小型实例的每月56美元到针对大型实例每月224美元不等。
通过这个新的附加层,微软现在提供了针对评估目的的免费Azure Web Sites(没有SLA);Shared Web Sites,容量和功能集是有限的(也没有SLA);Basic Web Sites;Standard Web Sites为开发运营类任务提供了高可用性和支持。
任何现有已经在运行Azure的Web站点,不管是免费的、共享的或者标准模式,都仍然保留他们现有的模式。不过,标准SKU现在包含更多存储空间,免费的SSL连接以及其他额外功能(除了现有的付费功能之外都是免费的)。
微软正在与Amazon.com打价格战,过去一年中试图在所有“商用”云服务都与其抗衡,包括计算、存储和带宽。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。