微软宣布对Windows系统的许可制度做出重大改革,降低其在云端的使用门槛,但并未说明此次调整的原因是否与欧盟发起的不正当竞争诉讼有关。
其中最大的变化就是为Windows Server添加的虚拟核心许可选项,不再强制要求根据主机内的物理处理器核心数量为操作系统计费。
微软公司首席合作伙伴官Nicole Dezen在周一的公告中解释道,“目前,Windows Server是按物理核心计算许可数量的,这就要求客户必须能够访问到服务器物理硬件,以确保购买充足的Windows Server许可证来覆盖设备中的全部物理核心。”
“通过虚拟核心许可选项,客户现在可以根据在虚拟机中使用的虚拟核心数量采购Windows Server许可,从而在虚拟或外包场景下降低Windows Server的许可门槛。”
客户可以根据自己在虚拟机中使用的虚拟核心数量,为Windows Server选择许可。微软之所以做出这一改变,目的就是帮助用户将Windows Server更多迁移至云端。但这里的“云端”可没那么普适,支持范围还不包括阿里云、亚马逊云科技、谷歌云和微软Azure。相反,其仅支持微软合作伙伴社区运行的云。另外,这项新规将在全球范围内生效。
Windows 10和11也迎来了类似的更新,已经拥有Microsoft 365 F3、E3或者E5许可证的用户可以“在自己托管外包商的服务器上运行操作系统……无论用户的主设备是否拥有合格的操作系统(QOS),例如Windows 11 Pro,而且无需任何额外许可。”
很明显,新规对此前要求主设备不具备QOS的客户额外购买许可证,才能正常在虚拟环境中使用Windows 10或Windows 11的条款做出了大幅修改。
无论是微软针对合作伙伴的公告还是Dezen做出的上述声明,都具体披露了这些许可条款变化,但却有意无决忽略了做出调整的原因。
这原因说来也简单,就是欧洲各云服务商认为微软以往的软件许可条款涉嫌不正当竞争,因而决定采取法律行动、帮助自身摆脱不利地位。微软公司最终以让步换取庭外和解,公司总裁Brad Smith也在5月18日的一篇帖子中承诺,“我们将通过放宽那些传统软件许可实践,尽可能降低Windows Server在虚拟环境和云环境中的使用门槛,不再强制要求许可证与物理硬件相绑定。”
三个多月之后,微软公司开始践行自己的承诺,以示对各家合作伙伴的慷慨,同意与欧洲各云服务商达成和平协议。
Dezen在公告中简要提到了这一停战协议,她还强调“我们欢迎各云服务商、客户及其他利益相关方为微软的策略调整提供持续反馈。”微软的企业博客也将此次许可证调整定义为帮助小型企业蓬勃发展的负责任举动,而且完全没有提到事件背后的核心驱力——法律诉讼。
新的许可证制度将在10月1日正式启动,微软还将在未来几周内针对客户及合作伙伴发布培训课程。
其他高,还包括允许云解决方案提供商(CSP)向客户出售 “包括Windows Server、远程桌面服务(RDS)和SQL Server等多种产品在内的一年或三年期订阅服务”。在一年期订阅方案中,还具体包括多种按月计费选项。
微软同时提出CSP“托管商”计划,允许合作伙伴“预先构建托管桌面和服务器解决方案,并将这些解决方案与CSP中的许可证打包出售给客户(即许可证一揽子托管),或者出售给已经拥有许可证的客户(即客户自带许可的合作解决方案)。”
这项“托管商”计划也提供桌面版本,这意味着微软虚拟桌面选项将愈发复杂,其中涵盖Windows 365云PC、Azure虚拟桌面,以及在Azure当中运行Citrix及VMware桌面即服务等产品的方案。新一轮学习又要来了,预祝大家能早日搞清楚怎么把Windows客户端许可证用在这么多细分领域当中。
好文章,需要你的鼓励
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。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。