VMware公司已经对微软在自家Azure上运行其技术堆栈的计划作出回应,表示选择这一选项的客户将被迫放弃官方技术支持。
VMware产品开发与云服务高级副总裁Ajay Patel指出,“这套方案独立于VMware公司之外开发完成,因此既不具备VMware公司的认证,也不会获得VMware方面的支持。”他同时补充称,也没有任何一家VMware合作伙伴与微软公司合作以构建Azure云产品。
VMware公司拒绝提供支持的理由在于,构建基于VMware的云服务体系需要投入大量精力与认真调整,而根本不可能通过一刀切的方式轻易实现。
Patel写道,“我们的经验表明,在公有云环境下运行企业级工作负载是一项规模浩大的联合工程”,他还将VMware-on-AWS称为“一项联合构建且经过全面测试与验证的云服务”。
“因此,我们无法认可一套不受支持且未经工程技术调整,因此不可能针对VMware堆栈进行良好优化的解决方案。VMware公司不建议也不会支持客户在Azure之上使用所谓合作伙伴方案。”Patel表示。
Patel还对微软方面表示不满,指出:
微软公司意识到了VMware产品的领导地位,并开始在Azure之上探索为VMware提供支持。对于广大Hyper-V或本地Azure Stack环境客户,这类高级解决方案的必要性可以理解。但我们认为这种方法并不能为客户提供一套面向混合或多云未来的真正出色的解决方案。
微软的合作伙伴到底是谁?
拒绝支持是一项简单的策略,可以让VMware客户暂停行动……除非微软公司介绍的神秘合作伙伴能够切实满足用户,并真正处理好vSphere以及其它VMware产品的相关问题。
对于任何一家提供vSphere作为选项的超融合型基础设施方案的厂商来说,这种熟悉程度可以说是开展业务的必要前提。
此类厂商也越来越热衷于支持多种虚拟机管理程序,并乐于在公有云当中运行纯软件实现方案,从而交付混合云产品。
在我们看来,微软的VMware-on-Azure服务事实上应该是一套运行在Azure体系之内的多虚拟机管理程序超融合堆栈。
如果实际情况确实如此,则可以解释为什么VMware公司为何没有开展任何工程技术工作:这是因为一家超融合厂商已经立足VMware堆栈完成了这项工作。目前的任务更多集中在如何立足Azure运行其堆栈。
微软公司的知情人士告诉我们,该合作伙伴可能是一家初创企业,或者最近刚刚走出初创阶段的厂商——从这个角度来看,几乎整个超融合行业都符合这样的描述。
作为超融合行业的领头羊,Nutanix公司表示愿意支持虚拟巨头的产品,当然也愿意为了利润而在这样的关键时刻给VMware一拳。
如果大家对此抱有其它猜测与感想,也不妨在评论中分享您的真知灼见。
答案揭晓之日可能已经为期不远:据我们了解,微软公司很可能在下周公开其VMware合作伙伴身份,而其它相关消息可能也将一同出现。很明显,微软公司不可能坐视Amazon Web Services的Invent大会独占本周的媒体关注。
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。