Docker经过六个月内测后,日前发布了微软Azure版Docker公测。
据12月12日Docker的一篇博文介绍,Docker一周前在亚马逊的AWS上发布了公测,现在又发布了Azure上公测。
微软和Docker曾在2016年6月的Azure DockerCon大会上宣布推出内测。Docker在内测期间加了一些新的功能,包括将所有容器日志存于Azure存储里供以后检索和检查,另外还包含一个内置诊断工具,用于用户提交AzureDocker上的群诊断资料。
根据(12月9日的)Azure版Docker发行说明,该版本的Docker引擎核心为1.13.0 RC2。
Docker博文称,“ AWS和Azure版Docker目前只支持基于Linux的管理和工作者群。Windows服务器Docker成熟后将会提供对Windows服务器工作者的支持“
文档和公测注册由beta.docker.com网站提供。
Docker是一款应用程序部署自动化开源引擎。Docker用容器代替虚拟机,使得多个应用程序可在同一台服务器上运行。
自2014年6月以来,微软用户可在Azure里运行Linux上Docker应用。最近,微软又与Docker合作推出了Windows服务器的Docker支持。
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。