Gartner首次对软件容器管理软件和服务市场进行了预测称,尽管容器技术的采用会很广泛,但不会带来可观的利润。
近年来,软件容器实现了大幅的增长,尤其在开发者群体中很受欢迎,让应用一旦开发就可以运行在任何计算环境中,从而让企业变得更加敏捷。
Gartner在这份题为《预测分析:全球容器管理(软件和服务)》的该报告中预测称,Red Hat、Rancher Labs和VMware等市场领导者将实现显著的收入增长,销售额将从今年的4.658亿美元增长到2024年的9.44亿美元。
但这仍然低于Gartner曾预测的到2022年基础设施即服务软件公司将从托管软件容器市场中获得10多亿美元的价值,也远远低于VMware传统虚拟化软件产品的收入数据。
尽管管理软件提供商无法获得可观利润,但Gartner认为,到2024年软件容器将成为“75%新客户企业应用的默认选择”。因此,到2024年所有应用将有15%的应用是运行在容器中的,高于目前的5%。
Gartner还表示,到2024年成熟经济体中将有75%的大型企业会在生产中使用容器技术,而目前这一比例还不到35%。
Gartner研究副总裁Michael Warrilow表示:“围绕容器技术的炒作和关注度都很高,但迄今为止容器技术在生产环境中的部署水平仍然较低,应用重构以及/或者应用替换的速度是主要瓶颈。”
一部分原因是大多数企业除了软件容器外还有其他优先事项,例如应用Backlog、预算限制和技术债务等,意味着企业需要把更多精力放在其他任务上,例如把工作负载迁移到公有云。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。