世界领先的开源解决方案供应商红帽公司日前发布更新的开发者工具系列,帮助企业在基于Kubernetes的混合和多云环境中更快、更一致地构建和交付应用。
据行业分析公司IDC预测,由于成熟DevOps实践的广泛实施,每天将代码部署到生产环境的大型企业的比例将从2021年的5%增加到2025年的70%。此外,由于传统DevOps自动化和流程已被Kubernetes和云原生开发方法颠覆,IDC估计,到2024年,35%的DevOps使用者将采用更加精简的GitOps自动化流程。
为了帮助客户应对这些变化,红帽推出了新的功能,进一步利用开源版本控制系统Git,来简化混合多云环境中的应用开发和部署。最新版红帽OpenShift 管道 为Tekton引入了管道即代码的技术预览,使客户能够通过Git存储库定义并管理持续集成 (CI) 管道,并利用GitOps工作流为应用生命周期带来更高的重复性、可见性和一致性。
通过新的Tekton Chains,OpenShift 管道现在提供了内置的镜像签名功能,有助于增强应用交付供应链的可靠性。开发人员还可以利用管道中的用户命名空间,以隔离需要根权限的工具,并在应用构建和交付管道中以非根身份运行这些工具,而不会影响安全功能。
借助OpenShift GitOps,客户可以通过使用熟悉的Git工作流,在易于审计的环境中自动执行、定义安全实践并进行版本管理,从而以声明方式管理他们的OpenShift集群、应用和合规操作。 最新版本包括Argo CD 2.3,带来了新的同步和差异策略、UI改进和性能增强。应用程序集(以前作为技术预览提供)现在已正式推出,以全面支持且稳定的方式,自动管理多个集群中的多个ArgoCD应用。ApplicationSets现在也与红帽高级集群管理全面集成。
使用下一代开发环境加快代码编写
红帽还推出了其下一代浏览器内部和本地开发环境,即红帽OpenShift DevSpaces 3(前身为红帽CodeReady Workspaces),以及针对业界领先的企业Kubernetes平台 – 红帽OpenShift的下一代浏览器内部和本地开发环境红帽OpenShift Local 2(前身为红帽CodeReady 容器)。
OpenShift Dev Spaces使用OpenShift和容器为开发或IT团队提供了一致且零配置的开发环境,来满足安全需求。OpenShift Dev Spaces 3构建在通过CodeReady Workspaces完成的工作之上,提供了:
OpenShift Local提供了一种快速构建OpenShift集群的方法。该工具可在本地计算机上运行,简化了设置和测试过程,让开发人员能使用开发基于容器的应用所需的全部工具,在本地模拟云开发环境。 OpenShift Local 2构建在通过CodeReady容器完成的工作之上,并提供了新的功能和增强能力,例如:
红帽对开发人员产品组合中的其他多个重要领域进行了增强:
支持证言
Mithun Dhar,红帽副总裁兼开发者工具和项目总经理
“对于当前处于业务转型一线的开发人员来说,速度、敏捷性、规模和性能都至关重要。随着创新速度加快,开发人员不仅面临着需要更快地将新应用和服务推向市场的压力,还必须更新并维护现有应用——这意味着在某些时候,他们每天要多次部署新代码。我们希望为开发人员提供工具和功能,帮助他们更高效地工作,从而尽可能轻松地应对这些挑战。”
Al Gillen,IDC集团软件开发与开源副总裁
“开发人员和DevOps专业人员将继续担负重大职责,因为他们的企业或客户要求以更快的速度创建并部署方便且用户友好的解决方案。我们看到,整个行业将能够获得一些优秀的新工具,这将有助于在未来几年加快开发和部署速度,至少会减轻一些在短期内创建更多应用的压力。”
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
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。