亚马逊网络服务公司(AWS)发布了名为Dedicated Local Zones的云部署选项,以帮助公共部门和受监管行业客户满足其最关键工作负载的监管和合规要求。
新产品将由AWS全面管理,专供客户或社区使用,并放置在客户指定的地点或数据中心。新加坡政府的智能国家和数字政府集团(SNDGG)是全球首个部署Dedicated Local Zones的客户。
AWS负责销售和营销的高级副总裁Matt Garman在一篇博客文章中表示,Dedicated Local Zones可由本地AWS人员操作,并提供与Local Zones相同的优势,如弹性、可扩展性和即用即付定价,同时还增加了安全和治理功能。
这些功能包括数据访问监控和审计方案、限制客户选定的AWS账户访问基础设施的控制措施,以及对本地AWS操作人员执行安全审查或其他的标准选项。
他表示:“通过Dedicated Local Zones,我们与客户合作,为他们自己的Local Zones配置所需的服务和功能,以满足他们的监管要求。”
Garman表示,企业还可以利用云的多租户功能,在客户的机构社区和业务部门创建的多个AWS账户之间实现有效的使用,并减少管理内部基础设施的运营开销。
Dedicated Local Zones 将提供Amazon EC2、Amazon Virtual Private Cloud(Amazon VPC)、 Amazon Elastic Block Store(Amazon EBS)、Elastic Load Balancing(ELB)、Amazon Elastic Container Service (Amazon ECS)、 Amazon Elastic Kubernetes Service (Amazon EKS)和AWS Direct Connect等AWS服务。
AWS全球公共部门新加坡国家经理Elsie Tan表示,AWS为新加坡政府提供无缝、可扩展的云体验,以此为其一些最关键的工作负载提供安全、弹性的环境。
她补充表示:“作为世界上最全面、应用最广泛的云,AWS致力于帮助客户安全、快速地推动数字化转型,以此推动下一波云创新浪潮。”
新加坡政府首席数字技术官Chan Cheow Hoe表示,SNDGG已经与AWS合作定义并建立了Dedicated Local Zones,以满足严格的数据隔离和安全要求,使政府能够在云中安全地运行更敏感的工作负载。
他补充表示:“除了帮助新加坡政府满足其网络安全要求外,Dedicated Local Zones还让我们能够为各机构提供无缝的、一致的云体验。”
AWS Dedicated Local Zones的推出正值越来越多的公共部门机构和受监管行业的公司考虑采用主权云服务,这不仅是为了满足数据主权要求,也是为了在不确定和动荡的世界中降低风险并保持业务连续性。
Oracle是第一个抓住这一机遇的超级分销商,首先推出了Cloud at Customer服务,然后又推出了Dedicated Region Cloud at Customer,这是Oracle的一项托管服务,可以提供Oracle所有的服务,包括自主数据库和基于云的应用,月租金50万美元起。
不过,Dedicated Cloud Region at Customer的最低承诺费用为每年600万美元,企业可以使用Oracle Public Cloud上的任何服务。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。