至顶网软件频道消息:和Windows 10 Fall Creators Update一起,微软本周发布了Windows Server 2016的第一个功能更新。
虽然一些管理员刚刚开始进行尝试,但他们已经注意到了这个"Semi-Annual Channel"更新的一些令人惊奇的遗漏,也就是被称为1709的版本(2017年9月,第9个月)。
首先,这是一个简明扼要的概述,介绍了1709的一些情况。
正如微软所说的那样,Server Core容器映像大约减少了60%,而Nano Server容器映像比原来的Windows Server 2016版本小了近80%。微软还向该版本增加了曾经承诺过的具有Hyper-V隔离支持的Linux容器。
正如微软的官员们之前表示的,原来的Nano Server已经被“弃用”,并被运行在容器映像中的Nano取代。微软推动Nano Server作为Windows Server的最小版本的努力似乎只有很少的用户买账,所以重新定位是很合理的做法。推出新的Windows Server图形管理工具——被称为“Project Honolulu”(仍是技术预览版)也成为新的大计划的一部分。
SMB1和客户端身份验证删除功能也进入了这个版本,以及这篇微软Docs文章中列出的其他一些计算、存储、网络和远程桌面服务更新。
但从1709这个版本开始,有一些东西被削减了。
首先,Windows Server 2016的Essentials版本已经成为过去。Windows Server 2016 Essentials版本是“云连接”的首个服务器,适用于拥有多达25个用户的小型企业。微软于2016年10月推出了这个Essentials版本。
在微软的“Getting Started”中有1709个帖子,在Windows Server安装选项列表中,没有提到Essentials。(这是由于微软瞄准的方向。)
Windows Server 1709只有标准版(Standard)和数据中心版(Datacenter)可用。(截至10月19日,Windows Server 1709也可在Azure上使用。)另外一件值得注意的事情是,安装1709的用户只能获得Server Core安装选项,即使Windows Server 2016允许服务器内核(Server Core)和服务器(Server)都能够获得桌面体验(Desktop Experience)安装选项。
我询问微软将来是否会继续提供Essentials版本的Windows Server,到目前为止还没有得到任何回复。
下面是微软列出的在1709的标准版和数据中心版中的新功能:
另外,正如微软在1709版更新的版本说明中所承认的那样,Storage Spaces Direct不在Windows Server 1709版本中。
Storage Spaces Direct跨越Windows Server群集,并创建了一个总线,通过该总线,服务器可以看到彼此所有的本地驱动器。它作为Windows Serve r2016的一个功能推出,并被微软描述成“我们超融合平台的基础”。
上个月我从我的一个联系人那里听说,微软对Storage Spaces Direct的质量不满意,因此选择不让它出现在1709版本里所有软件定义的Datacenter应用程序中。管理员无法将1709部署正在使用Storage Spaces Direct的Windows Server 2016上。
Storage Spaces Direct的下一个可能更新可能是“Redstone 4”的一部分,Windows 10客户端和服务器的更新将于明年四月开始推出。
好文章,需要你的鼓励
Python通过PEP 810提案正式引入惰性导入功能,允许程序延迟加载导入库直到实际需要时才执行,而非在启动时全部加载。该提案由指导委员会成员Pablo Salgado于10月3日提出并于11月3日获批。新功能采用选择性加入方式,保持向后兼容性的同时解决了社区长期面临的启动时间过长问题,标准化了当前分散的自定义解决方案。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
Valve最新Steam硬件软件调查显示,Linux用户占比达到3.05%,较上月增长0.37个百分点,相比去年同期增长约50%。游戏网站Boiling Steam分析显示,Windows游戏在Linux平台兼容性达历史最高水平,近90%的Windows游戏能在Linux上启动运行,仅约10%游戏无法启动。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。