Red Hat近日宣布,即将推出最新版本的OpenStack。
Red Hat OpenStack Platform 17.1将在未来几周内发布,新的管理和运营工具旨在增强灵活性、效率和安全性,并提高在网络边缘的实用性。
Red Hat OpenStack Platform是开源OpenStack平台的企业级版本,基于Red Hat Enterprise Linux操作系统。客户可以获得Red Hat的额外支持和服务,以及基本版本中不可用的各种管理工具,例如Red Hat的多云管理平台CloudForms、对象和文件存储系统Ceph。
OpenStack提供了一套软件工具用于构建和管理公有云和私有云的云计算平台。这些工具用于管理分布式计算、网络和存储资源,这些资源被聚合到池中以便通过自助服务门户实现虚拟资源的按需配置。
Red Hat在近日举行的OpenInfra峰会上宣布推出了Red Hat OpenStack Platform 17.1,并表示,Red Hat正在扩展该平台帮助服务提供商将他们现有的4G网络基础设施与更现代的5G网络连接起来。据Red Hat称,这将帮助客户实现高级别的用例,例如5G独立核心、网络、存储、计算和开放虚拟化无线电接入网络,这些用例具有从核心到边缘的增强弹性。
这次更新之后,服务提供商可以更快地扩展他们基于OpenStack的云,通过在Red Hat OpenShift上运行的虚拟化控制平面最大限度地利用资源。这是为了优化和提高网络容量和性能并提高效率以简化大规模部署,从而使4G虚拟化和5G容器化工作负载能够通过单一环境进行管理。Red Hat表示,通过这种方式,服务提供商就可以在不落下任何工作负载的情况下,让他们现有的投资面向未来。
与此同时,在安全方面,Red Hat表示已经推出了几个新系统和网络增强功能,旨在帮助服务提供商更好地控制他们的数字基础设施、数据和技术。例如,Red Hat现在提供跨多个OpenStack服务的、基于角色的访问控制,以及FIPS-140和ISO/IEC 19790的兼容性以满足服务提供商的安全要求。
最后,Red Hat现在通过OpenID Connect提供联合支持,允许服务提供商使用外部身份提供商来管理用户身份验证和授权。
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。