ZDNet至顶网软件频道消息:上周,青云QingCloud下调公有云平台广东1区和北京2区部分资源价格,最高降幅达25%,同时还推出大额充值优惠政策。考虑到IaaS市场如火如荼的价格战,QingCloud此举不免有参战之嫌,然而,青云副总裁钟宏表示,QingCloud对价格战不感冒,不会采用价格战手段进行市场渗透。那么,这个不依赖低价竞争的云计算初创公司是为何降价的呢?答案很简单,那就是QingCloud业务规模的扩张带来的运营成本下降,QingCloud顺水推舟,把自身的成本优势转变为用户的价格福利。
对于市场和用户来说,价格战都是有好处的,它可以帮助市场迅速成长起来,也可以大大降低用户的使用成本。然而,在选择云时,只通过价格高低去评判是远远不够的,钟宏指出,”价格只是企业选择云的一个要素,但不是决定性因素。企业需要在云上进行测试和评估。”云的评估是一个多层次的问题,需要对供应商的产品性能、技术堆栈、服务级别协议与可靠性、开放API、生态系统、安全性和法规遵从等一系列因素进行全面考虑。
谈到如何界定合理定价时,钟宏表示,“首先,我们不能亏钱卖,因为QingCloud需要从IDC买资源,这部分是硬成本,同时还需要安装软件,进行大量的开发,这些成本都是无法忽略的。然而,随着规模不断扩大,基础设施单位成本逐步下降,QingCloud有望在保持技术和产品性能领先的同时具备最大的价格优势。”
随着云市场和用户的逐渐成熟,IaaS服务价格的下降是必然趋势。然而,考虑到当下国内云服务市场的成熟度,还远未达到价格战时代,现阶段的竞争更多地体现在技术层面。
初创伊始,QingCloud便以满足苛刻的企业级IT需求为目标,着力进行技术创新。QingCloud是全球唯一的资源秒级响应、按秒计费的基础云服务商,技术优势包括:通过分布式块存储系统实现超高性能IO、支持多种VPN和隧道协议通过简单配置搭建混合云、块设备级的在线备份与恢复、实时P2P机器人社区协作确保故障无害等。
企业都针对公有云提供商建立了各种各样的用例,但是并不打算放弃自己现有的基础架构。基于这样的现实,现在的游戏就是发展合作伙伴关系,并且成为数据中心生态系统之中的一员。QingCloud支持多种VPN和隧道协议,帮助企业设计及实现混合云,便捷地将现有IT环境同云端资源协调成一个整体的IT环境。
我们知道,IaaS服务的运维水平直接影响到服务质量和客户体验,运维的人工投入也是运营成本的重要构成。“0干预”的自动运维已成为QingCloud在服务品质保障和成本控制方面的法宝。
自2013年7月正式上线以来,QingCloud注册用户数将近16000家,活跃用户有2000多家。在QingCloud的用户中互联网企业用户占了很大比例。QingCloud提供的是一种普适的云服务,没有具体的行业云。钟宏指出,“QingCloud未来不会选择偏向某个行业,因为我们在各个行业中都有发展,面向的是所有需求云计算的企业。但是QingCloud会针对不同行业,提供相应的解决方案。”
QingCloud锁定的是IaaS服务。在QingCloud看来,只有把底层的IaaS层面做得非常开放,SaaS和PaaS服务才能迎来更好的发展。至于未来是否会涉及SaaS和PaaS服务,QingCloud还不确定,但即使涉及PaaS领域,QingCloud也只会做纯技术的工作,也就是底层的技术层面支撑。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。