Oracle宣布其GNU / Linux for Arm处理器版本现已全面上市,并表示其意在帮助"为Arm构建一个非常可行的服务器/云平台"。
据悉,Oracle于2017年11月首次推出了不支持开发人员的Oracle Linux 7 Update 3版本。随后在2018年2月推出了基于Oracle Linux 7 update 4的更新版本,并再一次给出了可怕的警告,它是游戏之作,并非针对工作,而且没有支持。
在上周五--2018年6月22日,Oracle宣布在64位的ARMv8平台(aarch64)上全面推出Oracle Linux 7 Update 5。两天之后,该公司解释这次发布时表示:"现在是时候为它提供支持了,并且向消费者和合作伙伴表明这是一个真正的产品,而不仅仅是预览版本。"
Oracle希望通过这个提供支持的版本实现何种目标目前尚不清楚。在该公司发布这一消息的博客文章中有一个暗示,公司高级副总裁Wim Coekaerts是这样表述的:
为了为Arm构建一个非常可行的服务器/云平台。我们(和其他人一样)需要我们的ISV合作伙伴生态系统跟随我们。这是我们决定走向GA的原因之一。我们希望确保我们能够证明我们对这个平台非常认真,这也有助于合作伙伴向前发展。
这听起来像是Oracle希望其合作伙伴社区将他们的东西移植到Arm服务器上。那么,为什么Oracle会在运行x86云和SPARC云时这样做?对此,Oracle没有给出回答。
但不难想象为什么Oracle会在乎:正如我们以前所写的,Arm服务器具有令人满意的功耗和密度潜力,所以可能是因为Oracle认为它需要在这个平台上下注以滋养该公司其他的业务部分,例如数据库和应用程序等。新版本也可能标志着边缘计算的发挥,因为Oracle Linux能够在各种设备上运行,这不会造成什么影响。Oracle也是一家好斗的公司,所以也许它正在嘲讽英特尔和AMD。
无论如何,有像Oracle这样大规模并且极具影响力的组织支持Arm,对于提升对该平台的服务器和云计算的信心有着非常重要的作用。
这个发行的版本中有什么?
它基于Oracle的坚不可摧的内核和当前Linux内核的长期服务版本--4.1。该版本"与相应的x86架构的Oracle Linux发行版包含相同的源代码包,以及支持ARMv8平台所需的任何修补程序和修改"。
DTrace已经调整为在Linux上运行,并且发行版"包含一个含有gcc编译器7.3版的工具链"。
Oracle也为ARM提供了MySQL Community 8.0.11软件包。
Docker的开发人员预览版将在开发人员预览版中运行在OS上。
更多的代码正在开发之中。Oracle在发布该消息的博客文章中写道:"我们也在做Java优化并在考虑其他的产品",并且也取笑了Kubernetes的到来。
该版本将运行在"通用64位ARMv8硬件"上,但可以下载"已经过测试并专门用于"Ampere eMAG平台和Cavium的ThunderX2处理器的镜像。请记住:Oracle表示:"我们的大部分的测试和验证都发生在这些平台和芯片上。" Oracle表示。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。