在推出用于Windows的SQLServer2022候选版本仅几周后,微软就推出了用于Linux系统的候选版本。
具体来讲,微软本周表示,SQL Server 2022 RC 0现可用于运行Red Hat Enterprise Linux(RHEL)及Ubuntu的系统。自从2016年为SQL Server发布Linux端口之后,微软就频频向开源世界示好,而且再也不提前任CEO鲍尔默放出的“Linux就是癌症”言论。
SQL Server高级产品经理Amit Khandelwal在8月23日发布的Linux版SQL Server 2022 RC 0,不仅包含部分Azure相关云功能,同时也对外支持多项Azure云功能。
RC 0内置的功能包括Query Store,能够自动捕捉查询历史、计划和运行时统计信息,用以监控系统性能。开发者可以访问并审查这些内容,并配合集成其他加速与快照备份机制,借此获得更强大的管理能力。
根据微软的介绍,RC 0中的Approx Percentile Disc能够“根据所指定的百分位数和排序规则,从一组值中返回对应值”;还有Approx Percentile Cont,用于“从一组基于百分位数和排序规则的值中,返回一个挖的插值”。
此次Linux版本还支持Azure Synapse Link,允许开发者使用Azure Synapse Analytics直接访问Azure Cosmos DB分析存储。
Khandelwal写道,“该集成运行时(IR)无法安装在Linux环境中,因此用户需要先在Windows设备上运行IR,再将该设备接入运行SQL Server实例的Linux设备所处的同一网络内。”
Linux版本还支持Azure Active Directory身份验证,只是目前还无法与SQL Server容器相兼容。
根据市场研究公司Statista的数据,截至今年8月,SQL Server在全球最受欢迎数据库管理系统中排名第三,仅次于Oracle和MySQL,领先于PostgreSQL、MongoDB和Redis等知名系统。
移动应用开发者AppInventiv今年5月在Web应用程序最佳数据库榜单中,同样将SQL Server排在Oracle和MySQL之后的第三位,称其在本地和云端均有优势,同时支持Winodws和Linux系统,而且能够良好兼容结构化、半结构化和空间数据。
这家开发商写道,“SQL Server虽然不像其他现代流行数据库那样极具创造力或先进性,但多年来仍凭借大刀阔斧的改进与修订受到用户的喜爱。”
另一方面,软件工程师越来越对开源数据库青眼有加。Stack Overflow今年对约70000名程序员开展调查,结果发现绝大多数受访者都在使用两大顶级开源关系数据库管理系统——其中PostgreSQL占比46.5%,MySQL占比45.7%。
因此,微软肯定不敢怠慢,必须持续为Linux版SQL Server添加功能和特性,使其成为Azure企业云服务中的组成部分。面对这个越来越云化、分布式日盛的新时代,微软必须通过这种方式在市场上保持一席之地。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。