ZDNet至顶网软件频道消息: 西班牙电信公司宣布计划与红帽和英特尔两家公司合作,基于开源软件创建一款运行于英特尔服务器的虚拟基础设施管理(VIM)平台,此为西班牙电信公司网络功能虚拟化(NFV)基准实验室的项目之一。该实验室最近刚刚创建而成,目的是为了帮助合作伙伴与网络设备供应商(NEP)生态系统测试和开发上层服务编制的虚拟网络功能。
多家公司宣布参与西班牙电信公司NFV基准实验室项目,共同创建网络功能虚拟化开源解决方案,NFV基准实验室的IT基础设施包括:英特尔至强处理器E5-2600 V2、红帽企业Linux、基于内核的虚拟机 (KVM)管理程序、红帽企业Linux OpenStack平台和支持OpenFlow的交换设备。为了支持这所实验室,西班牙电信、红帽和英特尔都会投入工程设计和测试资源,与合作伙伴、开源社区开展开放性的协作,携手开发能够承载NFV所需的性能和功能的技术,将“开放式数字电信”的愿景化为现实。
如今的电信网络由许多封闭硬件设备和专用设备组成,在一个逐渐数字化、以网络为中心的世界中,这些设备正在变成创新的障碍。为了化解这个困境,电信业前沿性机构、隶属于欧洲电信标准协会(ETSI)的NFV行业规范组正在致力于为网络服务确立一种通用框架架构,它基于标准的、非专门设计的虚拟化商用硬件构建,硬件之上的软件可以运行网络功能。这种新颖的方法有助于降低运营成本,提升互操作性,并且让生态体系变得更加开放,让电信供应商轻松适应和扩展服务。
通过这个实验室项目,西班牙电信公司将与红帽和英特尔共同合作,基于开源标准创建一种解决方案,在防止技术碎片化和厂商锁定的同时维持性能表现——这赋予了通信服务供应商(CSPs)目前仍以硬件为中心的解决方案极大的弹性。
西班牙电信凭借UNICA基础设施项目认定,该参考架构能够提高西班牙电信网络中虚拟化网络设备的应用水平,有助于实现一个多供应商和标准化的虚拟网络。NFV基准实验室是实现UNICA多供应商方法以及推进中期项目的必要一步。
西班牙电信I+D公司网络创新和虚拟化总监兼全球CTO Enrique Algaba表示,“对于网络功能虚拟化,我们要避免形成封闭、非互操作性的环境,这会妨碍它的广泛应用。出于这个目的,我们推出了网络功能虚拟化基准实验室。西班牙电信联手业界领先公司,致力于提升开源社区的基础虚拟化技术,并且会回馈给上游社区,避免产生技术碎片化的问题。”
红帽虚拟化和OpenStack总经理Radhesh Balakrishnan表示,“红帽是现今从事上游Linux内核、KVM和OpenStack项目的领先企业,这些项目都为网络功能虚拟化奠定了坚实基础。红帽在开源社区的深厚经验,加上对性能、可靠性和安全性的重视,为通信服务供应商提供了独有的价值。我们感到十分荣幸,能够凭借我们的专业技术、社区经验和产品服务(包括红帽企业Linux OpenStack平台在内),与西班牙电信和英特尔共同协作,帮助通信服务供应商直接从NFV中受益。”
英特尔通信和存储基础设施部副总裁兼总经理Rose Schooler表示,“英特尔将自身的云技术经验、业务模型以及服务器和虚拟化技术运用在NFV应用中,旨在降低服务供应商的总体拥有成本,加速应用的上市时间。我们与西班牙电信和红帽通力合作开发这所新的实验室,它会帮助广大生态系统的开发人员,加快NFV解决方案的商业化速度。”
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。