至顶网软件频道消息: 5月10日,红帽公司宣布,宝马集团已经部署了红帽OpenShift容器平台,以支持其交付业务应用和服务。宝马集团等企业利用红帽OpenShift容器平台进行创新,加快应用开发,缩短上市时间,获得更大的灵活性,以便按需扩展服务。
在竞争激烈的汽车行业中,IT基础设施不仅支持开发和制造等内部功能,而且还必须支持提供数字服务,以满足客户对可靠性和性能的需求。大多数客户通过宝马集团的IT服务直接与其进行互动。宝马集团几乎所有汽车都配有BMW ConnectedDrive,它是该公司一套数字产品,使用一系列服务与应用将驾驶员与车辆连接起来,为驾驶员提供与车辆有关的各种信息、辅助功能和驾驶途中的娱乐活动,或者能让他们对车辆进行远程访问操作。
宝马集团目前拥有1000多个基于web的应用,表明了市场对于随处可见、易用的应用需求在不断增长, 这种增加凸显了许多企业的一项重要需求:动态扩展现有的应用和服务,以满足各种需求,同时更快地把新的创新推向市场。传统的企业架构本质上往往是巨型整体式的,可能很难处理现代工作负载的动态需求。因此, 许多全球性企业寻求更灵活的应用基础设施,以支持更敏捷的开发和IT运营方式,包括持续交付、持续集成和广泛的自动化。
红帽OpenShift容器平台是一个以容器为中心的混合云解决方案, 它由Linux容器和Kubernetes、Project Atomic(项目原子)和OpenShift Origin上游项目等构建而成,基于可信赖的世界领先的企业级Linux平台 -- 红帽企业版Linux。红帽OpenShift容器平台为基于容器的部署提供了一个更安全、更稳定的平台,而且无需损失当前的IT投资,可以让任务关键型的传统应用与新型的、云原生的、基于容器的应用共存。
宝马集团的开发人员更青睐使用行业标准技术, 因此该集团特别重视红帽对Docker及Kubernetes项目的广泛贡献,以及红帽为这些技术提供的企业级版本。红帽OpenShift容器平台还支持多种公共云,允许探索混合云策略,同时可以保留独立于底层基础架构的应用, 从而能够让宝马集团这样的企业随时选择最密切贴合其需求的技术。此外,红帽OpenShift容器平台中与现有技术堆栈的简化集成也有利于保护现有投资, 同时实现更快速地向现代原生云运行环境转移。
由于受到一天中的时间、天气状况、交通事故等多种因素的影响,宝马ConnectedDrive的服务请求经常有大幅波动。当把传统应用分解成在容器中运行的微服务之后,红帽OpenShift容器平台使宝马集团能够进行点扩展,根据需求的高峰和低谷调整负载,并提供现今消费者所期望的持续服务。
宝马集团最初在其位于德国的企业数据中心使用红帽OpenShift容器平台,专注于支持ConnectedDrive。
红帽副总裁兼OpenShift PaaS业务部门总经理Ashesh Badani表示:“宝马集团展示了企业如何采用敏捷的方法和现代化的容器技术交付业务价值并增强客户体验。我们很高兴为汽车行业创新的领导者提供支持,协助它提升其技术实力和创新能力,以便更快、更可靠地提供服务。简化企业从创建到部署的应用开发流程,对于企业级的数字化转型至关重要,预计这一趋势将愈加明显,特别是其他企业将追随像宝马集团这样的行业先锋的步伐。”
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。