至顶网软件频道消息:简单、强大且无代理的开源IT自动化框架Ansible新版本出炉了。
上游Ansible项目是GitHub最常见的开源自动化项目之一,拥有活跃且高度参与的社区。Ansible的模块化代码库拥有强大功能,不仅能够管理当前的基础架构,同时还可以轻松地满足新的IT需求和DevOps工作流程。开发人员和IT运营团队可以使用Ansible更轻松、更快地实现整个应用生命周期的自动化。
Ansible 2.3通过新特性并提供整体性能增强,而延续了对网络基础架构支持的关注,包括:
增强的网络能力:例如持续连接框架。持续连接允许单个SSH连接在多个Ansible任务中保持活动状态 – 红帽与多家合作伙伴进行的测试表明,这缩短了任务完成的总体时间,并且将网络性能提高10倍。为了在Ansible 2.3中使Playbook能够利用持续连接,该版本启用了现有命令行接口(CLI)连接和新增NETCONF连接两种连接方法。
此外,Ansible 2.3包含新的网络平台支持能力,以及由Apstra、Arista、Avi Networks、Big Switch Networks、Cumulus Networks、Fortinet、华为、联想、Ordnance和Palo Alto Networks提供的模块。Ansible 2.3版本支持29个网络平台和267个网络模块。
Ansible 2.3通过多个新的增强型模块全面支持Microsoft Windows,更轻松地实现Windows的自动化。此外,Ansible 2.3还提供了管道支持能力,增强了产品性能。
通过为模块引入基于元数据的系统实现社区贡献的简化整合。目前,贡献、票据、提交结果等都存储在一个中央库中 – 社区和Ansible核心团队能够更轻松地管理社区,并提高社区参与度。
Ansible 2.3已上市,点击“阅读原文”通过GitHub购买。
好文章,需要你的鼓励
卢森堡大学研究团队开发的RLDP框架首次将强化学习应用于差分隐私优化,创造性地解决了AI训练中隐私保护与模型效果的矛盾。该方法如同智能教练,能动态调整隐私保护策略,在四种语言模型上实现平均5.6%的性能提升和71%的训练时间缩短,同时增强了抗隐私攻击能力,为敏感数据的AI应用开辟了新路径。
这项由北京大学人工智能研究院完成的研究,首次从数据压缩理论角度揭示了大型语言模型存在"弹性"现象——即使经过精心安全对齐,模型仍倾向于保持预训练时的行为分布。
腾讯混元团队联合北京大学提出MixGRPO技术,通过混合ODE-SDE采样策略和滑动窗口机制,将AI图像生成训练效率提升50%-71%,同时在多项人类偏好评估指标上超越现有方法。该技术采用"从难到易"的渐进优化策略,专注于图像生成早期阶段的重点优化,并引入高阶求解器进一步加速训练过程,为AI图像生成的产业化应用提供了更高效可行的解决方案。