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
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。