有些人认为开源基础设施即服务(IaaS)云OpenStack已经死了,显然他们错了。根据Statista的统计,OpenStack是最受欢迎的开源云。对于红帽来说OpenStack 对于Verizon蜂窝和5G电信运营商来说生死攸关。因此,当红帽在拉斯维加斯举行的世界移动通信大会上推出Red Hat OpenStack Platform(RHOP)17时,谈到OpenStack如何与电信携手合作也就不足为奇了。
在这次发布中,红帽还强调了它如何与基于Kubernetes的OpenShift版本更紧密地合作。有些人有一种错误的看法,认为OpenStack和Kubernetes是竞争对手。事实并非如此。正如红帽所展示的那样,这两者可以协同工作,以获得虚拟机和容器两方面的优势。
OpenStack的首席产品经理Maria Bracho解释说:“在过去的几年里,我们发现,这不是两个平台之间的宗教纠纷,而是它们的工作负载最好在哪里完成。”所以,OpenStack 17现在支持带有OpenShift的虚拟控制面板。这让用户能够在一个云上运行基于Kubernetes的云原生服务和虚拟机(VM)。
同时,如果你想要在裸机上运行OpenShift,如果对于你的工作负载更合适,你可以同时使用OpenShift和OpenStack。Bracho补充表示:“我们已经做了大量的工作,确保这两个平台可以一起使用。此外,你还可以在这两个平台上使用虚拟网络功能(VNF)和云原生网络功能(CNF)。还有一个开放虚拟网络(OVN)迁移工具,可以验证Open vSwitch (OVS)和OVN之间的迁移,并处理对smartNICs的支持。还有基于角色的访问控制(RBAC)的技术预览,增加了所有OpenStack服务的安全性。”
更新后的OpenStack 17还拥有动态资源分配,可以支持“更轻量”的部署。这些部署不需要那么多的服务,例如边缘计算。
虽然新的RHOP主要吸引的将是电信公司,但是对其他用例而言,它也是一个可靠的平台。包括私有云、公共云和边缘部署。事实上,任何想要控制自己的云而不是将服务托付给AWS或Google Cloud等超云公司的人都应该考虑RHOP。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。