作为CentOS的Linux母公司,红帽正式宣布将发展重心由CentOS Linux,即Red Hat Enterprise Linux的重构版本,转向CentOS Stream时,各位CentOS铁粉当时就不乐意了。如今为了安抚用户情绪并兑现自身做出的开源承诺,红帽决定面向开源基础设施推出一套新的免费RHEL版本,即RHEL for Open Source Infrastructure。
非营利组织、项目、团体或者基金会如果参与了开源贡献,均可通过此项计划免费获取RHEL订阅服务。今年年初,红帽就已经将这套免费RHEL交付给小型生产负载与客户开发团队。
那么,开源企业未来该如何选择红帽操作系统方案?要回答这个问题,我们先对红帽系统的家族现状进行一番梳理:
• Fedora专门用于推动与Linux操作系统改进及增强相关的前沿开发工作;
• CentOS Stream用于针对全球各领先企业级Linux平台的下代版本进行应用程序与工作负载测试;
• RHEL for Open Source Infrastructure将为各开源社区、项目、基金会及其他企业组织提供稳定的基础,用于创建并托管各类创新型开源软件。
当然,也可以继续使用付费版RHEL。
红帽开源项目办公室经理Jason Brooks解释道,红帽一直将支持开源软件生态作为一大核心目标。红帽要做的不仅是通过RHEL及其他红帽解决方案为开源环境提供必要支持,同时也将作为整体且相互储存的生态系统中的组成部分,在推动成果发展与技术支持的同时从中汲取营养。这方面支持工作将体现为多种形式,包括协助开源软件项目、基金会及标准机构轻松获取企业级技术并借此进行开发与测试等工作。
红帽之前就经常向开源团队免费提供RHEL访问许可,但这方面工作还在正式程度、一致性、可访问性和透明度上还没有达到红帽的预期。随着红帽宣布于2021年底将资源全面转向CentOS Stream,红帽希望开源组织能够在未来构建及测试开源软件时,以更灵活的免费方式使用RHEL。
Brooks还补充道,过去红帽曾经尝试为开源组织免费提供RHEL,但具体工作做得还不够好。如今,“我们希望确保参与开源的组织能够在未来构建及测试开源软件时,以更灵活的免费方式使用RHEL。”
换句话说,当前的RHEL版本还不适用于全体开源开发组织。Brooks解释道,“我们也很清楚,目前这项计划没能将使用第三方公共持续集成(CI)基础设施的开源项目纳入进来。因此,我们还将不断拓展RHEL计划以满足社区需求,也欢迎大家踊跃提出宝贵意见。”
作为RHEL的忠诚拥趸,GNOME基金会率先对新计划给予肯定。基金会执行董事Neil McGovern表示,作为非营利组织,GNOME一直依靠捐赠资源帮助自身实现发展目标,即建立一个每位参与者都能借助可信技术获得赋能的新世界。RHEL订阅正是其中的重要一环。凭借完整的操作系统管理与安全更新体系,GNOME不再受底层系统的困扰,能够专注于为GNOME用户及开发者提供服务。多年以来,红帽一直以零成本形式向GNOME慷慨地提供这些服务,GNOME也期待在可预见的未来稳定维持双方的合作关系。
GNOME也是RHEL Workstation中的默认桌面选项。Linux供应商与各开源组织之间长期以来密切协作,保持着良好的对接关系。这也正是开源文化的一大贡献——即使是商业上的死敌,也完全可以在项目层面配合无间。
但也有反对的声音存在。一位Reddit CentOS用户就抱怨,“红帽做出变化的唯一原因,就是用户们的激烈反对。”但也有其他人指出,红帽打一开始就承诺在公布CentOS发展路线变更时,同步推出“针对各类用例的低成本或免费程序,包括面向开源项目及社区的系统方案。”
如果免费版RHEL还是满足不了大家,红帽还准备了多种CentOS替代方案以及两套新的RHEL克隆,直接复制了原版CentOS的AlmaLinux与Rocky Linux功能,预计未来几周内即可做好生产就绪准备。
好文章,需要你的鼓励
企业谈AI基础设施时,注意力往往首先集中在模型、GPU和算力集群上。但当大模型应用走向规模化推理,一个瓶颈开始浮现:算力采购完成,并不意味着Token能够被稳定、低成本、可控地交付出去。
STATE16研究院这篇综述发现,物理AI系统存在"静默失效"风险——AI以高度自信执行基于错误世界信息的动作,却不触发任何报警,并提出在AI输出与物理执行之间建立独立授权层的框架。
穆拉蒂时隔18个月首次接受重大媒体采访,介绍其创立的Thinking Machines Lab正在开发的"交互模型"。该模型能以200毫秒间隔处理音频、文本和视频流,捕捉人类交流中的中断、修正和停顿。她还谈及OpenAI"政变周"经历,强调行业决策权过于集中的担忧,并回应了公司近期研究人员离职问题,表示这是初创实验室的正常波动。
UIUC与微软联合研发的OpenWebRL框架让4B小模型仅凭400条初始数据,通过在真实网站上边做边学的强化学习方式,在网页智能体基准上超越了用27万条数据训练的竞争对手。