随着开源软件的深入使用,人们已经不再讨论要不要采用开源技术的问题,而是在考虑如何更好地使用开源、探索开源。实际上,如今如何更好地规范使用和管控好开源技术也成为大家共同面临的问题和挑战。这些问题主要体现在以下几个方面:行业开源的合规问题、如何向开源社区做出贡献、开源工具的选择问题,和如何提升企业的开源竞争力、如何积极引入和贡献开源技术相关的经验以及倡导集团内部开源文化的建设,促进项目共享与协作的价值最大化等。
开源治理的定义与内涵
开源治理,就是在企业内部形成体系化的开源技术全生命周期管理流程和规范,在开源技术的导入、应用、维护、退役各环节形成公司层面的统一标准,并构建与之相匹配的团队技能和开源文化。同时,通过开源治理为客户建立清晰路线,实现开源技术收敛,建立属于企业自身的开源技术全景图及发展路线规划图,协助企业提升其实践能力及标准化管理能力,最终达到风险可控,并增加企业在业界的影响力。
红帽是开源的领头羊,不仅在开源技术的研发、社区的管理上有着丰富的经验,同时在开源治理方面也拥有成熟的方法论。红帽认为,开源治理是一个系统化工程,不能仅仅通过实现某项技术或者某个流程就可以实现有效管理,红帽倡导开源治理需要遵循开源之道,实现流程与能力并举,技术和文化同行,建设全方位的开源管理能力,通过各个维度的全面推进,最终实现开源治理的有效落地。
具体地说,开源治理需要实现四个维度的建设:开源治理团队的建设;开源治理流程的建设;开源技术能力的培养;开源组织文化的建设,简单概括为团队(People)、流程(Process)、技术(Tech)和文化(Culture),简称 PPTC。PPTC 每个维度都需要解决各自的领域任务,同时,我们认为四个方面相辅相成,是一个有机整体:
开源治理团队主要目标是:建设一个立体团队,包括战略规划团队、运营执行团队、技术支撑团队;
开源治理流程的主要目标是:建立开源软件管理制度、开源软件生命周期管理流程、开源技术成熟度评估模型、开源技术库、开源软件管理平台;
开源技术能力建设主要包括:建立开源技术路线图、重点开源技术领域研究、开源技术应用场景课题研究、开源实验室;
开源文化建设可以从三个方面展开,包括参与开源社区、实现自主可控、与开发和运维相结合、实现敏捷灵活 DevOps 体系;深度参与开源项目,引领创新。
红帽开源软件成熟度评估模型
红帽还推出了开源软件成熟度评估模型,该评估模型具有如下特点:
1. 全面综合比对:从五个整体维度,共40+具体项目进行评估;
2. 针对性: 针对行业特点及企业管理特性对权重及评估细项进行调整(评分的权重及细项的取舍);
3. 客观性:详细说明了评估依据和建议参考的信息来源;
4. 可执行性:客观评分标准,按对象分类进行评估;
红帽开源治理的实施步骤
根据多年的开源软件部署和管理经验,红帽建议企业开源治理按照如下步骤实现:
1.现状调研。红帽的专家会通过现场访谈及问卷调研等多种方式,对客户的开源软件使用情况进行初步摸底。
2.综合分析。对所收集的信息进行系统分析,围绕团队(People)、流程(Process)、技术(Tech)和文化(Culture)四个维度进行综合分析总结,为客户罗列当前的优势、弱点,改善的机遇及潜在的风险等。
3.治理规划。协助客户制定开源软件治理策略,为客户建立清晰的技术路线图、管理方法准则、管理流程等,协助企业提升其实践能力及标准化管理能力,最终达到风险可控,并增加企业在业界的影响力。
4.模型修订。基于红帽的开源软件成熟度评估模型的基线,结合客户的实际情况,调整评估细项(评分细则,评分权重等),与客户一同完成最合适他们的新技术模型,为后续开源准入评估做准备。
5.试点实践。配合客户选择1-2个试点技术领域,验证评估流程及评估模型,并通过实践的方式将管理方法及思路教会客户。
6.电子化落地。与客户一起构建电子化管理平台(可选)。
7.知识推广。知识转移及配合客户全面推广。
值得一提的是,开源治理是系统工程,涉及多个方面,任何一个环节处理不好可能影响最终结果,这其中有几个需要重点注意的问题:
1.特别需要领导的支持,上下一心,开源治理才能有成效。
2.重视数字平台构建,是后续治理效率的重要手段及工具。
3. 开源发展是快速的,治理的工作也不是一成不变,我们希望通过开源治理方法论的学习,协助客户建立开源治理体系,后续更多需要客户自己继续严格执行。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。