ZD至顶网软件频道消息:IBM公司已经低调发布公告,表示其将在“2017年下半年”通过Bluemix云提供“一套由英特尔Optane支持的广泛性服务套件”。
“Optane”正是英特尔公司为3D XPoint选取的官方名称,这套非易失性内存方案在速度上优于NAND闪存,使用寿命亦更为出色,这也使其成为一套极具吸引力的随机访问内存与大规模存储介质解决方案。英特尔方面指出,其将在今年年内发售Optane并借此实现业务收益,但批量出货时间应该在2017年年初。
人们普遍认为,一旦Optane及其它存储级非易失性内存竞争方案全面出现,则将引发我们对于如何构建应用程序、服务器、存储以及网络体系作出重新思考。然而,由于尚不具备实践经验,因此这方面变革在很大程度上会成为一波投机性冒险。有人认为Optane意味着服务器将能够快速访问数据,在此之后网络会成为限制性能的最大瓶颈。另外,也有人表示Optane及其同类方案将能够成为一种新的内存层级。戴尔、HPE、IBM、ARM、三星乃至其它从业厂商甚至表示可以考虑构建一套内存架构——也许以外部独立设备形式存在——用于专门为同一机器内的服务器提供内存资源。
IBM公司对其Optane云到底将提供哪些服务一直三缄其口。但蓝色巨人宣布其云Optane测试平台将采用联想服务器以配合英特尔这一非易失性内存新方案的作法,仍然给我们带来了一些提示。
蓝色巨人表示,这套测试平台旨在面向那些“希望发现新的创新途径,同时对应用程序进行测试与优化的最终用户及软件供应商。”如果大家对此感兴趣,亦可通过ssdtestbed@intel.com邮箱与英特尔方面取得联系。
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。