1970年,Unix系统诞生,成为开源的开端;1990年代,“开源软件”一词被提出。自后,一波又一波的开发者纷纷投入到免费开源系统的开发,GNU/Linux系统发行版出现,并在计算机领域兴起了一场开源文化运动。
不过,在过去的这20多年里,“开源”还只是“开发者语言”,真正关心源代码、真正关注开源价值的,多数都只是开发者。直到近几年来,开源才真正开始“出圈”——在进行数字化转型的过程中,许多企业都处于快速创新、成本控制、应用快速更新迭代等多重压力之下,而开源因为更灵活、更开放,刚好可以解决这些问题。同时,随着开源行业标准渐渐成型,技术环境越来越成熟,开源的普及也变得水到渠成。
具体来说,在文化层面,开源可以极大地加速企业创新,它可以让每个人都参与到解决问题的过程当中,发挥集体的智慧,激发每个人的创新力;在应用层面,开源最大的特点是开放,它可以让开发人员在其中更好地互动、互益,同时减少应用开发“重复造轮子”的问题,降低非必要成本;在基础架构层面,开源还是云计算非常关键的技术,目前市场上的许多主流公有云和很多企业使用的私有云基于的都是开源技术。
所以,开源不仅仅是代码的一种共享,同时也是思想和资源的共享,它将成为企业加速数字化转型必不可少的一环。但老生常谈的是,开源不等于免费。要真正地创造价值,开源还需要与商业紧密结合,而这个过程依然处处是“坑”。
那么,开源在哪些场景更有“用武之地”?在使用开源的过程中如何“避坑”?如何利用开源把云计算的价值最大化?11月26日 14:00-15:30,在线参与“企业开源实践联盟城市高管在线圆桌会.重庆&成都站”,与开源实践先行者以及红帽技术专家共同探讨企业的“数智化”转型路径,以及混合云平台构建过程中的开源价值。
活动亮点
扫描图片上方二维码,立即报名
席位有限,先到先得!
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。