至顶网软件频道消息:企业需要云IT,HPE宣布推出名为GreenLake的内部部署一切即服务模式——这是对Flex Capacity付费即用基础设施的一次变革。
这些GreenLake产品与融合基础设施理念(服务器、存储、网络、虚拟机管理程序、操作系统)类似,但增加了应用软件和服务,以及顶层的付费即用定价方案。
当然,这并不是第一次有厂商提出私有云即服务(PCaaS)理念。IBM通过收购Blue Box以及SoftLayer推出了Box Panel,带有通过Box软件和SoftLayer管理的内部基础设施,现在被称为IBM Cloud Private,采用OpenStack,专注于容器化。
与此同时,Rackspace也有自己的OpenStack PCaaS,似乎是HPE GreenLake PCaaS的基础。
HPE的目标是从资本支出转型运营成本,因为企业希望以云的形式消费更多服务,而不是自己拥有和运营IT设备。
我们可以预计,随着时间的推移HPE将增加GreenLake的应用数量。HPE 公司高级副总裁、PointNext Services总经理Ana Pinczuk表示,HPE即将支持Docker,HPE Flex Capacity面向容器即服务。
HPE预计将在下面5个GreenLake应用领域扩大合作伙伴公司,包括:
- GreenLake Big Data:Hadoop数据湖,在HPE技术上做预集成和预测试,HortonWorks或者Cloudera软件。
- GreenLake Backup:本地备份容量,使用HPE套件上预集成的CommVault软件,带有HPE吉良技术和管理服务。
- GreenLake Database:EDB Postgres交付的本地和嵌入式开源PostgreSQL技术。
- GreenLake for SAP HANA:由HPE操作的本地设备,带有SAP认证的硬件、操作系统和服务。
- GreenLake Edge Compute:在边缘位置可扩展的物联网技术和服务
GreenLake与IBM的CloudPrivate不同,它并不是对容器化和IBM公有云-私有云工作负载移动性的升级。GreenLake将支持Docker但是没有提到这五个应用捆绑包的容器化版本。
把所有这些想象成礼宾式的服务,拥有类似云的、特定应用的基础设施,基于本地的,由HPE提供和管理——或者未来是HPE渠道的。
除了融合系统/一体机捆绑包之外,还有基于GreenLake Flex Capacity的基础设施产品,是对现有PointNext Flex Capacity基于消费支付费用的调整。
它具有模块化的、预打包的基础设施选择:高性能计算、微软Azure Stack、SimpliVity超融合基础设施、容量规划,并面向HPE渠道提供。
每个软件包都包含PointNext咨询、专业人员、远程监控和管理服务,Flex Capacity付费即用的消费模式,参考架构HPE硬件/软件平台,支持和订阅电子学习内容。
HPE表示,这些PCaaS产品的价格与公有云相同甚至更低,但是我们还没有看到任何数字。
按照我们的理解,计量部分是基于Cloud Cruiser技术——这是HPE在2月收购的,使其成为Flex Capacity的一部分。
我们还没有看到任何配置细节或者定价数字。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。