至顶网软件频道消息:毫无疑问,IT正在从服务器机房和数据中心转移到云和容器。Red Hat作为一家领先的Linux公司也是如此。它最新发布了混合云Red Hat Cloud Suite中,并称其提供了“一套端到端的、部署就绪的、用于企业数字化转型的解决方案”。
Red Hat宣称这个新的云套件能够让企业组织更轻松地构建云原生的应用,部署并管理这些工作负载,通过单一的产品就能做到。这将帮助企业在不需要牺牲现有IT基础设施投资的情况下迁移到云。
IDC软件定义计算研究经理Gary Chen对此表示认同。他在声明中表示:“开源继续推动着云计算领域的重大创新。企业组织对于支持基于微服务的、云原生应用以及传统工作负载的多平台架构越来越兴趣,有了Red Hat Cloud Suite,客户可以拥抱这种新的模式,并以一种高度可扩展、集成的、全方位管理的环境中更快速地交付应用。”
具体来说,Red Hat Cloud Suite旨在推动向云的迁移,以及对Linux容器的采用,将Red Hat企业级容器应用平台Red Hat OpenShift Container Platform与Red Hat OpenStack平台及Red Hat虚拟化的大规模可扩展基础设施相结合。所有这些都是通过Red Hat CloudForm进行管理的。
最新推出的Red Hat Cloud Suite提供了大量性能和增强项,包括:
企业级Kubernetes容器编排——通过Red Hat OpenShift Container Platform,Cloud Suite现在包括了一个全面的、基于Kubernetes的容器应用平台。此外,Red Hat OpenShift Container Platform支持创建下一代云原生的应用,同时支持现有工作负载,包括那些要求状态资源的工作负载。
Red Hat CloudForms with Ansible自动化——在拥有两个DevOps程序的情况下怎么做?Red Hat最终回答了这个问题,答案就是Red Hat CloudForms with Ansible。这让CloudForms更轻松地在企业组织上下进行部署,增加管理自动化的深度和广度。
Composable OpenStack服务——对于构建在OpenStack上的Cloud Suite云来说,现在用户可以更精确地组织每个服务的运行。通过允许按需地扩展对特定服务的管理,而不是一次性对所有服务进行管理,这样可以提高操作效率。
灵活的、强大的虚拟化能力——最新版本的Red Hat Virtualization让用户可以默认部署一个“瘦”虚拟机管理程序,或者按需地在额外软件和服务上一层,以满足特定的用途。增加了Cockpit之后虚拟化管理一直有所改进,可以对虚拟化环境和工作负载有更强的洞察力。
Red Hat集成解决方案总经理Lars Herrmann表示,“企业组织如何能够在不牺牲IT‘当下’的情况下拥抱IT的未来,Cloud Suite提供了一个端到端的答案。Cloud Suite提供的技术推动着这一变革,同时保留了现有的IT投资,提供了统一的、部署就绪的解决方案来满足几乎每一个企业IT基础设施的需求。”
我在这里看到的是,Red Hat正在打造一款一体化的混合云平台,涵盖了现有的很多云程序。从商业角度来说此举很完美,我希望在客户方面能够有很好的反馈。
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。