至顶网软件频道消息: 微软最近开始开源了许多软件、服务甚至文档。微软发布的有些开源颇值得注意和令人惊讶。
微软官员3月14日在博客上表示,微软已开源Service Fabric(服务结构)。 Service Fabric根据MIT许可证开放源代码。微软团队表示,会在“未来几个月”里转用GitHub上的公开开发流程。
快速理一下:Service Fabric(一开始名叫“Windows Fabric”)是微软的Azure平台即服务2.0微服务平台。Service Fabric在某种程度上与Kubernetes之间也存在竞争,因为两个平台都可以用作业务流程、打包、部署及维护应用程序和容器。
微软官员曾称Service Fabric是自己的“秘密武器”,微软内部运行的Azure内核、Skype for Business、Intune、事件中心、Azure SQL DB Cosmos DB、Cortana等部件里有些块用的就是Service Fabric。微软提供了Windows版Service Fabric、Linux版Service Fabric以及Azure中的Linux和Windows Server上的Service Fabric。微软官员过去曾表示计划在非微软云中里提供Service Fabric。
Linux版Service Fabric和相关的构建和测试工具昨天就可以从GitHub网站(https://github.com/Microsoft/service-fabric/)下载了,有兴趣的玩家可以运行基本测试、提交问题及版本合并请求。据微软博文介绍,微软正在全力将Windows版本迁移到GitHub里。
微软在过去的一年里开源了Service Fabric的各种东西,包括Reliable Services、 Reliable Actors及 ASP.NET核心集成库。微软的计划是开源整个Service Fabric的运行时程序库及Linux和Windows的构建环境。即便Service Fabric已放在GitHub上了,微软仍会继续支持所有Service Fabric产品,包括Azure里的Service Fabric及所有独立产品。
尽管Service Fabric是开源的,微软计划继续保持对Service Fabric的控制权,至少目前是这样。微软的博文提到:
“微软拥有Service Fabric项目,Service Fabric团队将成为决定项目方向的管理机构,管理机构负有遵循社区指导的责任。但我们不排除以后将项目捐赠给某个基金会的可能性。“
另据悉,微软最近对旗下新的专用Kubernetes Azure容器服务文档进行了更改。微软不会再提供两种不同的服务,这两种服务原来都叫Azure容器服务(其中一个支持Kubernetes、Docker Swarm和Mesosphere DC/OS),微软计划会逐步取消对原有ACS的支持。
微软官方最近证实了微软文档提到的ACS被弃用和退役的消息。 (感谢微软Jim Gaynor的推文爆料。)微软的计划是“约在”Kubernetes版本面向普通用户发布时弃用ACS,微软未有给出具体日期。根据文档资料,开发人员会有12个月的时间从原始ACS迁移到Kubernetes容器服务。
好文章,需要你的鼓励
AI正在彻底改写创业规则:YC最新数据显示,10人团队12个月达成千万美元营收已成常态,"氛围编程"让技术不再是瓶颈,而创始人能否深度理解客户需求成为成败关键。当6人团队就能创造八位数收入时,我们看到的不仅是速度革命,更是对公司本质的重新定义。
这项由阿伯丁大学和格勒诺布尔阿尔卑斯大学研究者联合完成的研究揭示了大语言模型处理日期时的关键问题:现代分词器常将日期分割成无意义的碎片,如"20250312"被切分为"202"、"503"、"12",这严重影响时间推理能力。研究提出了日期碎片化率指标,创建了DATEAUGBENCH测试集,并通过内部机制分析发现,大型模型能在早期层快速"修复"碎片化日期,但其推理路径与人类理解方式显著不同,这解释了模型在处理非标准日期时的准确率下降。
MUG-Eval是KAIST和Trillion Labs联合开发的创新多语言评估框架,通过让语言模型在目标语言中进行自我对话来评估其生成能力。该方法独特之处在于不依赖语言特定工具或人工标注数据,而是通过任务完成率间接衡量语言能力。研究团队测试了8种顶级语言模型在30种语言上的表现,发现其结果与传统评估方法高度一致(相关系数>0.75)。MUG-Eval揭示了模型在低资源语言上表现显著落后,并发现英语并非评估低资源语言的最佳替代。该框架理论上支持2,102种语言,为真正包容的AI评估提供了新途径。
浙江大学研究团队开发的"自制动力训练"(Self-Braking Tuning,SBT)方法解决了大型语言模型在推理过程中的过度思考问题。该方法不依赖外部干预,而是培养模型自主识别冗余推理并适时终止的能力。研究者通过分析推理效率比率和过度思考标记比率,构建了两种数据策略:SBT-E(精确版)和SBT-D(动态版)。实验结果表明,经过训练的模型在多个数学基准测试上保持原有准确率的同时,将标记消耗减少了30%到60%,显著提高了推理效率。这项创新使AI系统能更像人类一样有效思考,为资源受限环境下的AI部署提供了新解决方案。