Oracle在与英国高等教育机构谈判国家框架协议之前,向这些机构发起了Java审计请求。该协议价值高达986万英镑(1333万美元),与标准商业定价相比,预计将为这些机构节省4500万英镑。
自Oracle于2023年1月推出Java SE通用订阅服务以来,用户一直被建议寻找替代方案来替代Oracle的运行时环境和开发工具包。Oracle将Java许可从按用户收费改为按员工收费模式。
尽管Oracle声称这是"一个简单、低成本的月度订阅服务,包括用于桌面、服务器或云部署的Java SE许可和支持",但Gartner当时的分析发现,按员工订阅的模式比传统模式贵2到5倍。
英国教育和研究数字解决方案提供商Jisc为编程和开发平台Oracle Java SE谈判了一项国家协议。该组织表示,这项协议为机构提供了针对英国教育和研究定制的许可,与公布的单一许可清单定价相比,为各机构节省了高达4500万英镑,同时还提供了对潜在历史许可差异的豁免。
这个集体采购组织表示,虽然Oracle Java在机构中用于第三方培训是免费的,但在内部业务系统中运行该软件的高等教育机构需要长期支持,面临成本和合规挑战。
一位大学内部人士告诉The Register,虽然他们的机构没有使用Oracle Java,但仍有少数机构在使用,有时用于管理松散的"宠物项目"。在查看以学生人数为基础的新许可条款时,这些客户正"面临财务深渊",而Jisc与Oracle的协议承诺限制这些责任。
Jisc表示,该协议在五年内提供按FTE(全职等效)的年度固定费率,展示了集体、全行业方法的优势。该组织向The Register确认,新的许可框架是在Oracle直接向各个机构请求审计(包括与Java相关的审计)后谈判达成的,尽管该组织无法获得详细信息。
自Oracle Java新许可模式推出以来,强烈建议用户组织迁移离开Oracle Java,为其软件开发和运行时环境寻找开源替代方案。一项Oracle用户调查发现,只有十分之一的用户可能继续使用Oracle Java,部分原因是许可变更。
Jisc告诉The Register,在Oracle许可模式变更后,其大学和学院探索了各种选择。
一位发言人说:"然而,考虑到现有依赖关系的复杂性和不合规的风险,该行业确定与Oracle达成集体协议是最有效和务实的方法。"
他们表示,该协议是与Oracle以及包括UCISA(代表高等和继续教育机构的协会)和学院协会技术参考小组等代表机构合作,历时18个月开发的。
Jisc许可总监Caren Milloy在一份准备好的声明中说:"当我们的成员面临重大财务压力时,这项协议不仅降低了成本并提高了效率,还有助于与Oracle这一行业主要供应商建立建设性的战略关系。"
Oracle Java平台高级副总裁兼OpenJDK管理委员会主席Georges Saab表示:"Oracle一直以免费和透明的方式支持包括Oracle Java在内的许多Oracle产品的第三方培训。教育工作者和学生都可以免费访问和支持Oracle Java。
"然而,使用Java运行其组织企业系统的机构仍需要商业许可以获得长期支持。"他声称:"这项协议通过帮助确保满足其许可要求,为机构提供了巨大价值。"
去年,英国学生办公室(OfS)的一份报告发现,英格兰40%的大学预计今年将出现预算赤字。与此同时,大学和学院工会(UCU)的数据显示,超过50所大学和学院计划在2024年进行裁员和其他削减。
好文章,需要你的鼓励
Anthropic发布了面向成本敏感用户的Claude Haiku 4.5大语言模型,定价为每百万输入令牌1美元,输出令牌5美元,比旗舰版Sonnet 4.5便宜三倍。该模型采用混合推理架构,可根据需求调整计算资源,支持多模态输入最多20万令牌。在八项基准测试中,性能仅比Sonnet 4.5低不到10%,但在编程和数学任务上超越了前代Sonnet 4。模型响应速度比Sonnet 4快两倍以上,适用于客服聊天机器人等低延迟应用场景。
中科院微电子研究所团队揭示深度学习中感知优化与质量评估存在意外不对称现象。研究发现评估性能优秀的模型在训练指导中效果有限,对抗性训练具主导作用,传统卷积网络在某些场景仍具优势。这项发现颠覆了"评估性能等同于优化能力"的传统认知,为AI图像处理技术改进提供新方向。
英国初创公司Nscale将为微软建设四个AI数据中心,总计部署约20万个GPU,合同价值高达240亿美元。首个数据中心将于明年在葡萄牙开建,配备1.26万个GPU。德州数据中心规模最大,将部署10.4万个GPU,容量从240兆瓦扩展至1.2吉瓦。所有设施将采用英伟达最新Blackwell Ultra显卡。
香港科技大学研究团队开发了MOSS-ChatV视频AI系统,通过创新的"过程推理奖励"机制解决了现有视频AI推理过程不一致的问题。该系统不仅能准确预测视频中的未来事件,还能提供清晰的推理解释。研究构建了MOSS-Video数据集,采用动态时间规整算法训练模型,在多个视频理解任务上取得显著性能提升,为视频AI的可解释性发展开辟了新方向。