截至今天——9月6日,微软正在使其Azure App Service在Linux上全面可用。
Azure App Service是微软的云应用开发、更新和托管服务,它使开发人员可以为各种网络和移动客户端创建云应用。
微软最初于2015年3月启动了Azure App服务。该统一服务结合了以前各自为政的Azure Websites/Web Apps、Mobile Services和BizTalk Services,提供了通用的应用程序托管、运行时和可扩展性模型,并瞄准了有兴趣构建Web应用程序、移动应用程序、业务应用程序,和所谓API应用程序的开发人员。
在Linux上,Azure App Service包含Web App for Containers功能。开发人员可以选择自己的Docker格式的容器图像来支持Java、Python和Go。该服务还包括针对ASP.NET Core、Node.js、PHP和Linux上的Ruby内置映像支持。Azure Marketplace中有WordPress、Joomla和Drupal的预构软件包并可部署到App Service。
Azure App Service的理念是允许开发人员将底层基础架构、应用程序环境和维护留给微软来做。那些想要更多控制权的人可以通过SSH进入他们的应用程序,以完全远程使用管理命令。
Azure博客上提供了有关Linux上的Azure App Service的概述以及一些可能的用例。
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。