SUSE Linux Enterprise Micro 5.2 的新特性
SUSE Linux Enterprise Micro 5.2是一个更加稳定的整合版本,旨在提高可用性和可靠性,其新特性包括:
引入自安装镜像,以进一步减少部署时间。自安装镜像是一个可引导的预配置镜像,可以更简便地安装到目标系统上,然后使用与现有预配置镜像相同的配置方法。自安装镜像删除了部署 SLE Micro 的手动步骤,从而优化了部署流程。
使用基于 Web管理的附加模块cockpit,增强了基于 Web 的配置和管理的可用性。
SLE Micro 的应用场景
SLE Micro 可作为单节点容器主机、Kubernetes 集群节点、单节点 KVM 虚拟化主机或公有云使用。SLE Micro 是按规模构建的,客户可以将其纳入他们的数字化转型计划中,无论是在边缘还是支持大型机的边缘部署,客户都可以按照自己的节奏将工作负载设计从单体应用过渡到微服务方式。他们可以从容器工作负载开启数字化转型,或者虚拟化他们当前的遗留工作负载,在准备好后,再迁移到容器化工作负载。在这一过程中,底层系统平台不会发生改变。
SLE Micro 的低维护性受到了客户的高度认可,它可以在帮助客户实现基础设施现代化的同时降低成本。SLE Micro 提供了一个超可靠的基础架构平台,易于使用,开箱即用,具有高度的合规性。
SLE Micro 是 SUSE 边缘解决方案不可或缺的一部分,各行业客户和合作伙伴获得的收益如下:
制造业
Krones 将工厂车间的物理服务器换成了连接到云的边缘设备,并通过在Kubernetes中使用 SLE Micro 和 K3s,将服务器数量减少了 50%。来自 KRONES AG 的软件系统研发 Ottmar Amann 表示:“我们采用了去中心化策略,将在裸机上运行的应用程序移动到完全托管的、使用 K3S 和 SLE Micro的容器化堆栈上,从而降低了运营费用,并实现了应用程序基础架构的现代化。”
电信
作为全球最大电信运营商之一的某企业,采用了供应链多样化策略,通过 K3s、SLE Micro、SUSE Manager 和 Rancher Management 对其边缘云项目进行全生命周期管理,从而降低了 TCO(硬件和软件)。
嵌入式系统
一家位于美国的大型系统集成商正在使用 SLE Micro,并通过在易于维护和更新的不可变基础架构上支持容器工作负载来降低维护成本,实现嵌入式系统的现代化。
大型服务器
凭借较小的体积、内置安全框架和几乎为零的管理成本,SLE Micro 为 IBM Z & LinuxONE 提供了高质量的容器和虚拟化主机操作系统。“我们希望我们的共同客户能够将这个不可变的 Linux 发行版作为其安全执行堆栈中的 KVM 主机,从而充分利用 IBM Z 平台的安全性和可靠性。”IBM 公司 IBM Z & LinuxONE 业务 Linux 总监 Kara Todd 表示。
基于 Arm 的系统
“通过 SLE Micro 和 K3s 的结合,SUSE 为基于 Arm 的嵌入式设备、边缘用例和工业物联网应用提供了一个出色的平台。”Arm 公司基础设施业务线服务器生态系统开发总监 Bhumik Patel 表示。
SLE Micro 与 SUSE 其他技术相结合,致力于成为部署在所有生产领域的容器工作负载的基石。如:边缘环境、嵌入式、工业物联网以及数据中心内外的各种计算环境。
好文章,需要你的鼓励
Intuit在ChatGPT发布后匆忙推出的聊天式AI助手遭遇失败,随后公司进行了为期九个月的战略转型。通过观察客户实际工作流程,发现手动转录发票等重复性劳动,决定用AI智能体自动化这些任务而非强加新的聊天行为。公司建立了三大支柱框架:培养构建者文化、高速迭代替代官僚主义、构建GenOS平台引擎。最终推出的QuickBooks支付智能体让小企业平均提前5天收到款项,每月节省12小时工作时间。
希伯来大学研究团队开发出MV-RAG系统,首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家,能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制,MV-RAG在处理罕见概念时性能显著超越现有方法,为游戏开发、影视制作、虚拟现实等领域提供了强大工具。
马斯克旗下xAI公司发布专为开发者设计的新AI模型grok-code-fast-1,主打快速且经济的推理能力。该模型属于Grok 4系列,具备自主处理任务的能力。xAI声称其在SWE-bench评测中解决了70.8%的实际软件问题,表现优于GPT-5和Claude 4。不过模型存在较高的不诚实率问题。用户可通过GitHub Copilot等平台免费试用7天,需要API密钥访问。
MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制:固定深度模型在单步预测上表现优异,但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效,自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导,强调了真正推理与简单记忆的本质区别。