如果你正在寻找容器变革已经开始的进一步证明,那么今年的Red Hat Summit也许可以帮到你。Red Hat借助来自AWS的帮助,本周公布了5款与容器技术相关的新产品和服务,包括专注于容器的产品,用于应用开发、安全、存储和云服务。所有这些新产品的推出,是要让企业能够充分利用容器,以改进应用的开发和部署。
下面我们就来详细看看Red Hat在这次峰会上公布的这5款新产品和服务。
OpenShift.io
OpenShift.io是Red Hat的平台即服务,为企业提供云原生的应用开发和部署,通过利用Docker容器和Kubernetes容器编排。Red Hat推出的OpenShift.io是构建在OpenShift之上的,是一个在线开发环境用于创建云原生的、基于容器的应用。这个环境专门针对开发团队——包括分发团队——的需求而设计,功能包括实时堆栈分析以改进漏洞和算法使用。
最终目标是围绕开发部署到混合云中的容器化应用实现更高效的协同。在OpenShift.io底层是多个开源项目,包括Jenkins、Eclipse Che以及fabric8。
OpenShift Application Runtimes
第二款旨在改进云原生应用开发的产品是Red Hat新推出的OpenShift Application Runtimes。这些运行时间的基础是于构建且容器化的,让开发者不必花费时间在预编码设置上。最终目标是加快在混合云上开发微服务。这款产品将支持多种运行时间框架,包括Node.js、WildFly Swarm、Srping Boot和Eclipse Vert.x,它支持Red Hat的容器化中间件服务OpenShift Application Services,Red Hat称。
容器健康指数
随着容器逐渐步入主流,Red Hat把目标瞄准了提供最全面的分析以确保Linux容器映像的安全。目标是提供关于容器安全性影响的简明指标,以从A到F评级的方式,对如何在生产中使用容器映像进行评级。其中有对容器映像使用时间的评级,因为使用时间较长的映像更可能出现安全性问题。Red Hat表示,最终目标是增强客户对容器是否已经为生产做好准备的信心。
容器原生存储
企业部署容器也会带来对存储的新需求。Red Hat表示,将推出容器原生的存储解决方案,旨在让容器化应用在各种操作环境中更便携,其结果就是企业可以获得更一致的存储,不管是在什么环境下,还有灵活性和敏捷性的提高。这个新的软件定义存储解决方案是针对Red Hat OpenShift Container Platform 3.5 with Red Hat Gluster Storage 3.2 on AWS的。
AWS-OpenShift集成
Red Hat和AWS宣布,双方将在容器技术方面合作更加紧密。通过Red Hat与AWS的扩展合作,对AWS服务的访问现在原生集成到Red Hat的OpenShift容器平台中。这意味着客户将可以更轻松地利用AWS服务,例如计算、数据库、分析和机器学习的同时,利用OpenShift容器平台构建基于容器的应用。最终,企业将可以利用一个统一的应用开发平台,不管是在云中还是内部部署环境中。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。