实现IT运营自动化及编排能力的企业级框架最新版本红帽Ansible Tower 3.3来了。它包括更新的用户界面和改进的扩展能力,在红帽企业级Kubernetes容器应用平台——红帽OpenShift上运行Ansible Tower。
不同的IT环境中,不同团队和平台之间更快速、更轻松的协作能力必不可少。最新版本的红帽Ansible Tower满足这一需求,它能让组织机构采用更灵活、更一致的方法来管理红帽环境和混合基础架构。
借助Ansible Tower 3.3的新功能,用户可以通过多种方法在各个团队和IT环境之间延伸和扩展自动化能力,这些方法包括:增强的委派和权限、与传统流程和标准进行集成,以及强化的共享Ansible脚本(playbook)的能力。
此外,为了帮助组织机构更灵活地实现自动化并匹配其基础架构的结构,红帽Ansible Tower 3.3现在可作为一种pod服务,直接从红帽OpenShift容器平台上进行配置,用户只需要添加更多的pod就能够为Ansible Tower增加更大容量。
通过简化以前需要多个步骤才能完成的流程,用户现在可以根据需要直接通过红帽OpenShift容器平台的用户界面,即CLI(命令行界面)和API(应用编程接口),在运行时对Ansible Tower进行扩展伸缩。
随着越来越多的组织机构开始着手实现基础架构的现代化,能够跨越多种环境无缝开展工作的工具已经变得至关重要。红帽 Ansible Tower目前已经能够在混合环境中任何所需要的地方运行;现在,借助Ansible Tower 3.3提供的红帽OpenShift容器平台功能,我们便能百尺竿头更进一步,通过更多方式让这一平台更容易使用,更轻松地在各种基础架构中实现自动化。—— Joe Fitzgerald,红帽公司管理副总裁
红帽 Ansible Tower 3.3提供的其他新功能和增强功能还包括:
更精细的控制:重新设计的用户界面把更多的信息展现给用户。现在,作业和作业模板能够一目了然地显示更多信息,包括库存和证书,这让用户更快地找到信息。此外,Ansible Tower 3.3可以更轻松地配置作业,以便在调度和工作流程中使用。作业中可在启动时配置的任何项目(包括库存、证书,甚至调查结果)都可以保存其配置,方便在工作流程或调度中使用。
改进的扩展能力:扩展对企业用户至关重要,红帽Ansible Tower 3.3基于实例组构建而成,允许针对特定的组织机构、库存或作业保留Tower集群容量。实例组中的新功能改进了在Tower中管理容量的方式,不再需要重新启动集群。
支持自定义Ansible环境:用户现在可以创建量身打造的Ansible环境,包括自定义模块、自定义库,甚至包括多个Ansible版本。应用团队可以继续使用其信任的Ansible Engine版本,而其他团队则可以根据自己的日程安排进行升级。
增强的集成:允许用户更轻松地管理集成工作,包括改进的身份验证支持、更精细的LDAP控制,同时能够直接从Ansible Tower中为第三方应用创建令牌。
上市情况
红帽 Ansible Tower 3.3现已在ansible.com和红帽客户门户网站上提供。
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。