AWS近日推出了云图形数据库服务Amazon Neptune的无服务器版本——Amazon Neptune Serverless。
Amazon Neptune Serverless旨在简化管理员的日常工作,将有助于降低云基础设施的成本。
图形数据库是一种专门的数据库,不仅可以存储业务记录,还可以存储有关这些记录如何相互连接的信息。例如,图形数据库可以突出显示两个销售记录是否由同一业务部门生成。此外,企业还可以存储有关其他类型数据集之间连接的信息,例如服务器和网络日志。
图形数据库并不是唯一能够存储此类连接的数据库类型,但是,图形数据库保存信息的方式,使其比使用其他不太专业的系统更快地执行分析,因此图形数据库被广泛用于支持那些需要能够识别不同数据点之间链接的应用。
Neptune是Amazon的一种托管型图形数据库服务,可以自动执行多项日常维护任务,包括备份、恢复和修补。Neptune Serverless是此次新推出的无服务器版本,可以自动执行更多维护任务,以进一步简化公司的技术运营。
应用发送到图形数据库环境的查询数量会随时间而变化,随着使用情况的变化,也就必须相应地增加或者减少为数据库环境提供的基础设施数量以满足需求。Neptune客户通常是以手动的方式执行此类任务。
Neptune Serverless可以自动执行该任务,据AWS称,该产品可以检测应用需求何时发生变化,并根据用户的需求添加或者删减数据库容量。AWS表示,Neptune Serverless只需不到一秒钟的时间就可以为数十万个查询预置容量。
自动化基础设施配置过程减少了管理员的手动工作,据AWS称,Neptune Serverless还可以帮助企业在某些情况下降低高达90%的成本,例如当应用以峰值容量运行的时候。当应用开始以峰值容量运行时快速扩展数据库环境并在使用水平下降后对其进行缩减,通常是很难用手动的方式执行的。
“现在,客户借助Amazon Neptune Serverless就拥有了这样一个图形数据库,它可以自动预置和无缝扩展集群,以提供恰到好处的容量来满足需求,从而使他们能够构建和运行应用,即使是那些最可变的、不可预测的工作负载,”AWS数据库、分析和机器学习副总裁Swami Sivasubramanian这样表示。
Neptune Serverless是AWS推出的一系列无服务器产品中的最新一款产品。此前AWS推出了基于云的Amazon Redshift数据仓库和Amazon Aurora关系型数据库服务的无服务器版本。今年早些时候,Amazon Aurora产品增加了新的功能,旨在为客户优化云基础设施成本的同时提高性能水平。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。