至顶网软件频道消息:Amazon Web Services无疑在公有云领域占据着统治地位,但其混合云业务目前却仍然较为孱弱。
相比之下,微软公司在云业务领域的表现则越来越强大,且其Azure Stack则似乎有志于重新定义混合云,这将使得内部组成部分与Azure云越来越难于区分。Azure Stack的预览版本证明,管理员几乎无需任何考虑即可放心将内部存储延伸至Azure当中。另外,Windows Server 2016亦能够与Auzre取得良好的集成效果。
这种激烈的竞争态势直接成就了AWS的新产品:目前,其存储网关的文件网关服务已经能够运行在微软Hyper-V 2008 R2与2012版本之上。该存储网关为AWS专门打造的工具,旨在确保S3能够以原生方式接受来自虚拟化环境的访问,这意味着各虚拟机将能够直接将S3、Glacier以及EBS快照作为存储资源进行数据读取或者写入。当然,这套文件网关以文件作为操作对象。
该文件网关推出于2016年年底,而截至上周四,其终于在全部AWS服务区之内正式登陆Hyper-V。
将文件网关扩展至Hyper-V之所以具有重要的现实意义,是因为AWS方面希望让尽可能多的用户更积极地考虑使用其云存储服务。抢在Azure Stack正式发布之前将该文件网关在微软的虚拟化平台上推出,亦能够确保AWS向各Hyper-V用户证明其并不需要再行转向任何Azure解决方案。
AWS公司的混合云业务将借此得到一定程度提升,Hyper-V用户也会因此得到新的选项。而我们则期待着观察Azure Stack如何及能否撼动AWS布下的这套阵法。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。