至顶网软件频道消息: 美国国防部首席信息官Peter Lawrence博士周二在悉尼对CeBIT Australia表示,他的部门正在更新云计算策略,并将其称之为推动部门决策的一个较大套件中的一部分。
他解释说,"过去几年中,我们一直在使用云服务。"目前我们正在与大型合作伙伴和大型组织一道对它进行更新。"
据悉,该部门最后一次撰写云战略是在2014年,Lawrence认为,任何云战略都需要解决当前的业务需求。
他表示:"云计算战略应该是整体战略的一部分,只是可以采用的一个选择,以便能够提供所需的成果。"
"我认为你必须看看你所经营的整个业务环境,随着我们变得更加依赖数据驱动,对运营所处的环境具有更强的适应性、更加灵活,你必须问问自己,这些如何转化为组织内的服务。"
随着现在所有组织涌现的数据涌入,Lawrence认为重要的是考虑如何以不同的方式处理数据,但不要忽视交付模式或成本结构。"我来自这个世界,云是其中的一个选择。" 这是我们的驱动之一,云会帮助我获取数据的位置及安全性,并得到了适当的管理,且云处在一个我实际上可以确定发生了什么的环境中。我们肩负的是来自政府的使命,我们的挑战是如何以最适当的方式实现这一目标?而云计算是解决方案的一部分。"
国防部是澳大利亚最大的IT消费者之一,也是包含最多私人和分类信息的政府部门。
Lawrence解释说:"我们有时会陷入分类之中,但其中一些信息必须归类。而我们需要讨论分类的级别。"
不过Lawrence对于具体细节闭口不谈,并表示重点在于让国防部门能够更容易与行业和其他政府部门接触。
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。