ZD至顶网软件频道消息:高温天气跟热度持续不减的云计算会议市场如影随形。对于媒体从业者来说,参加一场高质量的云计算会议是可遇不可求的,而大多时候我们参加的会议都是热热闹闹而又空无一物,令人有时候怀疑自己到那里的作用:我们是见证者、建议者、思考者?还只是鼓鼓掌就行了?
在参加青云QingCloud为一个月后举办的QingCloud Insight 2016大会预热的媒体沟通会时,我带着几个标准来考量这场QingCloud Insight 2016是不是高质量,其实这个标准可以放到任何一场云计算会议上。我们记者职业生涯中得参加多少场会议呀,没吃过猪肉还没见过猪跑么,我对我的考量标准还是有信心的。
如果说没有诚意,就连空无一物的那些大会的主办者都觉得自己冤枉:我们诚意满满,我们就是要让你们看到我们这一年的成绩、我们对市场的思考、我们对未来的打算。
其实真正的诚意应该不是表达出来的,而应该是表现出来的,而且应该融汇在日常点点滴滴中,不该是呈现在聚光灯下。
我所在意的诚意,是主办方是不是要把自己当主角。起码从青云这场QingCloud Insight 2016来看,青云CEO黄允松说了,目的有二:一是为了生态;二是为所有人而设计,非常不青云。也就是说,青云没有打算在QingCloud Insight 2016上,让自己当主角。
于是乎我们进入考量会议质量的第二个重要标准,那就是主角都有谁?表现会如何?
青云市场副总裁刘靓告诉我,她对于这场会议的全部精力都在于找来什么样的主角、并让主角讲些什么。就会议主题来看,除了青云新产品、新技术发布外,有6场分论坛主题各异但是都是时下云计算领域最受人关注的话题,分别涉及:
以数据为核心的前沿技术与应用的展示;开发者最为关心的容器、分布式数据库、智能硬件、持续开发集成;云生态联盟的动态与合作成果;云时代的运维与安全;社交、在线教育、电商O2O、互联网金融、娱乐等行业因云而生的变化;传统政企客户云计算之路走到了哪一步、有哪些感悟。
这个环节时下很多大会都会有,只是真正的用户顾虑太多,不敢在台上实话实说;而愿意出头的用户很多项目都没开始启动,说的都是假大空。
在云计算这件事儿上,太需要前人告诉我们踩过的坑和流过的血、太需要同行的经验借鉴和传承。我们希望让已经上了项目并且有感受并勇于仗义执言的用户走到台前,发声。
还记得去年青云用户大会(也即QingCloud Insight 2016前身)上的发言用户,当时青云做了一系列面向银行、保险、证券行业的项目,于是去年来自中国银行、建招商银行、泰康人寿…的用户走到台前,介绍他们云计算项目是如何考虑和实施的,坦率讲,非常棒,内容都是干货。
而今年的QingCloud Insight 2016上,不仅仅有银行、保险、证券行业的用户现身说法,还会有公共事业部门的用户,因为面向政企市场,青云的触角已经伸向了“政”这一端。黄允松认为“企“这一端已经把云深入到了五脏六腑,而”政“还并不深入,不过毕竟已经有所行动。因此,我们还是挺期待这些用户现身说法的。泰康人寿数据信息中心基础设施部总经理杜宇就会负责“政企客户云计算之路怎么走”的专场。更多政企演讲嘉宾参见以下这张PPT。
其实生态本来是一个挺有深意的事儿,也令人敬佩,但是太多人假意讲生态,把生态给玷污了。
对于生态,青云有自己的态度。黄允松说,“在很多商业帝国的商业野心下,生态朝不保夕,青云要做的就是控制自己的商业野心。”他打了一个比方:“又做Windows又做Office这件事儿,放在青云身上的概率很低。”
又有颜值又有技术的青云CTO甘泉也提前透露了QingCloud Insight 2016上会发布哪些技术和产品,具体参加以下PPT。
结论不是现在来下的,应该是7月28号等到在QingCloud Insight 2016上来下,不过我还是十分期待。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。