ZD至顶网软件频道消息:Microsoft Ignite大会 软件巨头微软将在下周正式发布其下一代服务器平台,但是随着企业客户越来越多地通过云计算获取IT服务,这家公司面临着来自Linux日益激烈的竞争。
微软对这种情况的回应是什么?将Windows Server 2016中最有用的部分同Software Assurance授权协议捆绑在一起,用这种做法锁定客户。
Windows Server 2016和与之相伴的System Center 2016管理套件将在微软计划在9月26日至30日在亚特兰大召开的Ignite大会上正式发布。
人人都认为Windows Server 2016似乎是对这个平台之前版本的一次体面的升级,围绕着软件定义存储、网络和虚拟化引入了新的功能,帮助企业打造更强大、更灵活的IT基础架构。
最新的版本也支持通过Windows Server Containers进行应用程序微服务风格的部署,以及支持新的Nano Server角色。这是一个新的、精简了的部署镜像,据称比标准Windows Server小了25倍,让客户只针对他们的工作负载所需要用到的功能部署服务器。
然而,微软让事情变了味:该公司打算只将Nano Server提供给Current Branch for Business(CBB)服务模式的客户,并且限制只有那些签署了该公司昂贵的Software Assurance授权协议的客户才能使用它。
那么关于微软的服务器平台就出现了一个更大的问号,客户还将会在多长的时间里需要Windows而不是Linux服务器版呢?云计算的世界越来越多地被Linux所统治,微软本身也在今年早些时候承认在旗下Azure云中,大约有三分之一的虚拟机上运行的是Linux。
微软Azure的宣传一直表示有了内部部署的Windows和云端的Windows,混合云部署就更加易于管理。但是如果公共云越来越多地使用Linux,客户最终会开始怀疑他们是否还应该保留内部部署的Linux平台。
Linux的增长势头非常明显,而且微软已经意识到了这一态势,这家企业也开始拥抱Linux,并且在过去一两年里开始开放一些项目的源代码。今年早些时候,微软发布了针对Linux的.NET Framework版本,并且宣布该公司已经在开发能够运行在Linux服务器之上的SQL Server数据库了,该数据库版本将于2017年的某个时候推出,微软此举震惊了全世界。
长久以来,SQL Server一直被认为是运行Windows Servers的关键原因之一,但是一旦它可以运行在Linux服务器上,留在Windows系统上的理由似乎就减少了。当然,除非你被Software Assurance授权协议锁定了。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。