2020年8月18日,由阿里云主办的首届云原生微服务大会于线上隆重召开,大会邀请25位全球顶级球微服务领域先行者和权威技术专家深入探讨云原生语境下,微服务的挑战和趋势。
会议首日正式发布了由X-Lab开放实验室编撰的《2020年微服务领域开源数字化报告》,报告显示:
X-lab开放实验室是由来自华东师范大学、同济大学的师生所构成的开放创新共同体,专业背景包括计算机科学、数据科学及其相关跨学科,⻓期思考并实践教育与开源两大主题。本报告数据样本来自2020年1月-6月相关项目的GitHub开发者行为日志,数据开源地址为:http://www.gharchive.org/。本项目旨在通过建立一份建立在微服务领域的相对完整、可以反复进行推演的数据报告(报告、数据、算法均开源),分析微服务框架项目以及Spring Cloud项目的GitHub开发者行为日志,通过多维度数据分析的视⻆,来观察微服务领域的开源现状、进展 趋势、演化特征等问题。
O’Reilly于2020年7月公布了一份关于企业微服务市场现状的数据调研。报告显示,在访问了 全球1502名软件工程师、系统和技术架构师、工程师以及决策者后,有77%的组织反馈采用了微服务,其中92%的组织成功使用了微服务。了解并分析微服务领域开源项目的发展,有助于掌握该领域的发展趋势,从而帮助提高企业的数字化竞争力。
微服务架构实际上是十分复杂的,在国内的落地也是道阻且艰。在开源创新的推动下,最佳实践随着技术的进步而迅速发展,但不同的架构拥有不同的优势,但是也呈现出不同程度的复杂性。尝试有风险,使用者需根据自身情况谨慎选择微服务框架。参照本次报告,Spring Cloud Alibaba和Apache Dubbo将成为企业微服务道路上的主流选择。
值得一提的是,Spring Cloud Alibaba和Apache Dubbo同属阿里巴巴,作为微服务领域的实践者的引领者,阿里巴巴已然扛起了国内微服务领域的大旗,推动中国微服务开源影响力在全球范围内的增长。
Spring Cloud Alibaba集成了阿里云的商业化组件,天然支持云原生特性,致力于提供微服务开发的一站式解决方案。此项目包含开发分布式应用微服务的必需组件,方便开发者通过Spring Cloud编程模型轻松使用这些组件来开发分布式应用服务。依托Spring Cloud Alibaba,用户只需要添加一些注解和少量配置,就可以将Spring Cloud应用接入阿里微服务解决方案,通过阿里中间件来迅速搭建分布式应用系统。
Apache Dubbo是阿里巴巴开源的一款高性能RPC框架,特性包括基于透明接口的RPC、智能负载均衡、自动服务注册和发现、可扩展性高、运行时流量路由与可视化的服务治理。为满足开发者更高效构建微服务体系期待,Dubbo社区致力于推动微服务生态的进化,通过Apache Dubbo Ecosystem帮助用户降低微服务实施的难度,加快业务创新进程。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。