ZD至顶网软件频道消息: 微软发布Azure安全指南文件,明确指出微软公司将就哪些问题负责,而其余问题则由客户自己买单。
两份文件解释了微软解决问题的方法。第一份文件名为《云计算的共同责任》(Shared Responsibilities for Cloud Computing,PDF),它解释了微软是如何划分安全责任的。
微软的方法的基本原则是这样的:
1,所有传统内部部署的IT问题都由客户自己负责。
2,当客户将Azure作为基础架构即服务使用的时候:
3,当客服使用平台即服务时:
4,当客户使用SaaS模式时,除了数据分类、终端安全和用户管理由客户自己负责之外,其他一切的问题就都由微软负责。
此外,另外一份文件名为《微软Azure云安全响应》(Microsoft Azure Security Response in the Cloud ,PDF)的白皮书,在这份白皮书中,微软解释了在当云服务出现问题时微软是如何响应的。
根据文档显示,微软使用了下面五个步骤巡查Azure的边界:
文档的其余部分没有揭示太多内容,但是在关于缓解措施的章节里确实介绍了微软努力修复“可能导致短暂中断”的Azure问题的工作。
这份文件指出:这种决定不能够掉以轻心。当采取积极的措施的时候,标准流程会通知客户中断和恢复所需要的时间。
微软响应流程的其余部分如下面从文档中摘录的一个关系图和一个表所示:
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。