微软昨天揭开了Azure Edge Zones的神秘面纱,这是一个全新的边缘计算平台,旨在处理对延迟敏感的用例,例如机器人技术、混合现实和实时分析。微软此举对标的是AWS,后者于去年年底推出了Wavelength解决方案。
本质上说,Azure Edge Zone是一个精简版的Azure数据中心,比微软主要的云设施更靠近客户。由于距离更近,因此数据经过网络所花费的时间更少,从而可以显著提高延迟敏感型应用的性能。
Azure Edge Zones有多种形式,标准版由多个Edge Zones构成,微软计划在Edge Zones中部署主要的用户中心,并将其出租给客户,就像在Azure上出售云资源一样。客户可以在Edge Zones上运行应用,包括容器化工作负载和虚拟机,并能够访问“一系列精选的Azure服务”。
“例如,在Azure上运行总部基础设施的企业,可以利用Azure Edge Zones获得延迟敏感的交互式客户体验,” Azure网络群组企业副总裁Yousef Khalidi在博客中详细介绍说。
Edge Zone的第二个版本被称为Private Edge Zones。该版本的基本概念和标准版是相同的,不同的是,企业可以在自己的设施中本地设置该解决方案。内置的5G和LTE支持,将让客户可以在部署了Private Edge Zone的位置创建专用无线网络。
物流初创公司Attabotics是该平台的早期采用者,该公司使用这款平台来管理仓库机器人。同时,某家公用事业企业采用了Private Edge Zone分析来自现场传感器的实时数据,同时医疗机构还可以采用该解决方案提高安全性。“私有移动连接将充当医院、患者数据和诊断程序的智能网格,不必依赖互联网才能使用Azure技术,”Khalidi这样写道。
微软也看到了移动市场的重大机遇。微软正在与AT&T等许多运营商展开合作,将数据中心某些Edge Zone托管在距运营商正在建设中的5G网络大约“一跳”的位置。微软表示,这将让托管的Edge Zones以延迟小于10毫秒的速度处理来自移动设备的请求,从而改善混合现实应用和游戏流媒体平台等服务的性能。
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。