至顶网软件频道消息:
软件容器公司Docker将与IBM合作,寻求更多途径扩展到企业级领域。
Docker表示,计划提供一个特别版的Docker for IBM Cloud,其主要有点是可以利用IBM的云服务让应用更加智能。
IBM Cloud Platform副总裁、首席技术官Jason MacGee在一篇博客文章中指出,IBM和Docker在致力于实现软件容器方面有着悠久的合作历史。双方合作的成功已经见到成效,因为两家在今年年初合作提供了面向Linux on IBM z Systems、LinuxONE和Power Systems的Docker Enterprise Edition,支持混合云环境。最近,Docker还增加了对IBM大型机的支持。现在,增加了在IBM云上对Docker Enterprise Edition的支持,两家公司将把合作关系推向一个新的层面。
McGee表示,这是重要的一步,因为企业永远也不会有足够的选择,因为他们希望能够在云中整合关键基础设施和工作负载。他补充说,通过这些新的合作关系,客户能够以远超过以前的速度将他们的容器化应用(运行在多个计算环境中)迁移到IBM云中,然后扩展到IBM一系列云服务中,让他们更高效、更有竞争力。
“一旦这些现有工作负载通过Docker容器过渡到IBM Cloud,企业团队将可以快速连接这些服务,并整合这些服务,让IBM公有云对企业更具吸引力。这意味着企业可以利用他们的单一应用,让其利用Watson变得更加智能,而无需改变原始应用。”
为了进一步巩固双方的关系,IBM表示将会加入Docker的Modernize Traditional Applications Program计划,帮助客户改进他们的数字化转型项目。现在有越来越多的企业组织在考虑,他们如何能够利用现有传统应用,使其运行在混合云和公有云基础设施上。IBM和Docker表示,最好的方式就是在迁移应用之前把应用放在容器中。作为官方的Docker MTA项目合作伙伴,IBM表示将会帮助更多客户实现应用的容器化,并将这些应用迁移到它的平台上。
最终,这个新协议的成果将是IBM在Docker Store中提供部分IBM软件,其中包括WebSphere Application Server、WebSphere MQ和IBM DB2数据库。
两家公司表示将共同致力于尽快提供Docker for IBM,测试版将在今年第四季度推出。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。