Oracle正在扩大与微软的合作伙伴关系,近日宣布推出融合Oracle Cloud Infrastructure(OCI)和微软Azure的新服务。
这项名为Oracle Database Service for Microsoft Azure的服务允许微软客户通过Azure控制台配置、访问和监控OCI上的Oracle数据库服务,然后他们可以在Azure上迁移或者开发可连接Oracle服务(例如Oracle Autonomous Database)的新应用。
OCI产品管理副总裁Leo Leung表示,这项新服务是对两家公司于2019年宣布推出的Oracle Interconnect for Microsoft Azure服务的扩展,该服务已经被全球11个地区的约300家组织采用。此次这一举措实现了两家公司的云之间的互操作性,推出的新服务利用了微软管理工具,消除了在不同云平台之间来回移动数据所产生的费用。
无出口流量费用
这项服务不收费;客户为他们使用的Azure服务或者Oracle服务付费。服务自动配置链接两个云环境所需的一切,并联合了Azure Active Directory身份,此外还使用Azure控制台、术语和监控,以及Azure Application Insights,为实时Web应用提供可扩展的应用性能管理和监控(如图)。
Oracle数据库服务软件开发副总裁Kris Rice说:“该服务使用现有的Azure命名法、资源组和区域,当我们进行网络对等互连时,会为你提供可以在OCI上对等互连的虚拟网络列表。”
Leung表示:“这让数据从一个云移动到另一个云的性能会尽可能地高。该服务提供了一个非常类似于Azure的界面,因此Azure客户可以将他们的Azure登录名与OCI登录名打通,并且配置Oracle数据库的方式就像是使用Azure资源一样,可以全面了解各项指标、日志等等。”
“超级云”的形成
该服务是所谓“超级云”的一个很好的例子,超级云是指建立在多个公有云和私有云平台组合之上的新型应用,这些平台提供的价值超越了平台本身的价值。
Leung说:“有很多应用需要这两种技术堆栈,通常也许是连接到Oracle数据库的Windows Server和.NET堆栈。所以这就成了两全其美:我们数据库的所有功能,以及围绕Windows的最佳托管服务。”
Leung表示,Oracle此次推出的新产品主要有三个用途:首先,是针对那些和两家厂商都有关系、并且希望更轻松地访问两个平台数据的客户;其二,是针对那些希望从在Azure虚拟机中运行Oracle转移到OCI上的完全托管环境的客户。“这会对OCI上的数据库进行实例化,他们仍然需要从一个数据库迁移到另一个数据库,但随后可把数据库作为一种托管服务。”
第三的用途,是针对那些使用本地基础设施并希望迁移到云端的客户,这个过程通常可以通过简单的备份和恢复过程来完成,Rice说。
Oracle方面没有透露该服务有多少潜在用户,但“如果你看看微软和Oracle的联合装机情况,就会知道这可能多达数万个,”Leung说。
Oracle Interconnect for Microsoft Azure即将上市。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。