微软昨天发布了旗下本地部署Windows Server的第一个预览版,微软的本地部署Windows Server名为Windows Server 2019(Windows Server 2019)。
对测试这个版本感兴趣的网友需注册成为Windows内部测试人员(Windows Insiders)。最终版本将在2018年下半年发布给用户,大致与Windows Server下一个功能更新(名为1809)同时发布,预计将于2018年10月发布。
Windows Server 2019是Windows Server的下一个版本, 是个长期服务渠道(LTSC)版本。 Windows Server 2016是现在的ServerLTSC版本。
微软建议希望运行SQL Server、SharePointServer和其他工作负载的管理员使用Windows Server的LTSC版本,不要使用半年渠道版本。 (Windows Server的半年渠道版本例子是即将发布的1803和以后的1809;二者都是每年发布两次的功能更新,支持只有18个月。)
微软之前曾表示,Windows Server的内部/ LTSC版本将包含以前在半年渠道版本里推出的功能。微软在昨天关于Windows Server 2019的博客文章中列出了计划在Server 2019里推出的一些功能。
功能包括:
微软表示,Windows Server 2019在年底发布之前,将发布更多关于这些功能及其他未来功能的信息。
本文脱稿前的一些更新:微软博文介绍了Windows Server 2019今日的预览版的新功能(https://blogs.windows.com/windowsexperience/2018/03/20/announcing-windows-server-vnext- ltsc-build-17623)和Windows Server下一个半年渠道版本。两个版本的内部版本号为17623(https://blogs.windows.com/windowsexperience/2018/03/20/announcing-windows-server-vnext-ltsc-build-17623)。
在这个内部测试版本里,测试人员可以试用“集群集合”, 集群集合功能的目的是将单个软件定义数据中心云里集群节点数增加多个”数量级”。群集集合是一组可以计算、存储或超融合的多个故障转移群集。
测试人员还可以预览Windows Server 2008的Windows Defender高级威胁防护(ATP)支持以及Windows Defender ATP Exploit Guard。Windows Defender ATP Exploit Guard是一套主机入侵防御的四个功能。
今天的内部构建版含对于间歇性连接到Host Guardian Service的Hyper-V主机里屏蔽虚拟机支持,另外也支持在Linux里运行在屏蔽虚拟机(支持的Linux包括Ubuntu、红帽企业Linux和SUSE Linux企业Server)。
博文列出关于17623的许多其他增量新功能和已知问题(https://blogs.windows.com/windowsexperience/2018/03/20/announcing- windows-server-vnext-ltsc-build-17623)。
更新2:微软计划提高Windows Server 2019的价格。微软今天的博文称“我们很可能提高Windows Server Client Access Licensing(CAL)的价格。届时我们将提供更多详细信息。”
更新3:微软今天在Fast Ring里发布了新的Redstone 4 Windows 10客户端测试版本(17217)(https://blogs.windows.com/windowsexperience/2018/03/20/announcing-windows-10 -insider-preview-build-17127-for-fast /),包括Cortana UI的一些增强功能和几个修复程序。微软计划从4月份开始面向为主流用户推出Redstone 4,可能名叫“Spring Creators Update”。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。