ZD至顶网网络频道 08月10日 编译:思科上周四向CRN表示,在其云渠道负责人Edison Peres离开之后,思科将重组其云和管理服务部门。
尽管关于这次重组的细节预计将会在未来几天公布,但Peres此前曾向CRN表示,在他11月1日退休之后,他作为思科云和管理服务合作伙伴部门(CMSO)高级副总裁的位置将不会有人接任。
“好消息是,我们实际上正在酝酿将云业务中已有的很多现场操作整合到更广泛的销售部门,我们认为在经过去年的孵化之后,是时候能够做到这一点并且真正地利用更为广泛的销售部门了。”56岁的Peres曾在接受CRN采访中这样表示。“我们将会对CMSO部门进行重组。”
Peres表示,推动思科云产品渠道销售的责任将落到新任全球渠道负责人Wendy Bahr以及她的团队上,还有全球云和管理服务销售部门的高级副总裁Nick Earle。
当谈及自己在思科的角色时Peres这样表示:“这更多的是职能的合并,我们希望一次真正地利用思科销售部门的力量。”
虽然对于渠道资深人士Peres离开有些伤感,但是一些思科合作伙伴对于思科在其云部门展开更大范围的变动表现出乐观的欢迎态度。
“我欢迎他们在销售层面让云和管理服务具有更多的把控。”Sentinel Technologies是一家总部在伊利诺伊州丹尼森市的思科合作伙伴公司,该公司首席技术官Robert Keblusek这样表示。“虽然到目前为止,思科参与现场销售的情况并不如我们希望的那么完整。”
Keblusek表示,通过加大把控将有助于推动他公司的集成云技术和服务平台Sentinel CloudSelect实现增长。
另外一家要求匿名的解决方案提供商表示,有人会认为这会削弱专注度,因为思科没有了一位像Peres这样的高管来负责渠道。
“你可能会说,他们将不再有那么一位受推崇的高管负责这一切。”这位负责人称,“你也可能说,如果没有人来填补这个空缺,你显然会失去了这个额外的援助之手。”
其他解决方案提供商表示,Peres的工作是让思科的云战略“落地”并且为思科Intercloud赢得关注,而他已经成功地做到了这一点。
“现在思科的云战略已经落地了,并且已经成为思科一个核心的战略组成部分,他们只是要把它集成到现有的业务模式中。”思科合作伙伴公司TekLinks管理及云服务副总裁David Powell这样表示,“这不是一件坏事。”
Peres担任思科全球渠道高级副总裁有十多年的时间了。他在2014年5月升到现在的职位,负责带领思科渠道合作伙伴走出云低谷。
与此同时,合作伙伴表示,知道Peres会带领推动思科云战略会让他们感到放心。
“当Peres转向负责云的时候,这实际上填补了一个空白,因为当思科推出云战略和Intercloud的时候,从渠道方面我们并不明确渠道应该朝哪个方向做。”Long View Systems是一家总部在在艾伯塔省加尔加里的解决方案提供商、思科黄金合作伙伴,该公司的融合基础设施和网络服务副总裁Kent MacDonald这样表示。“而当Edison过去之后,这对于渠道来说大大增强了信心。我们知道,如果Edison在那,思科云战略的渠道工作就会不断提升。”
今年,Peres帮助发布了7款新的云专业服务,包括一个云消费即服务,一个云启用解决方案以及云威胁防御服务。他还帮助创建了一项新的基于OpenStack的捆绑管理服务,旨在帮助快速启动渠道通过面向所有认证合作伙伴销售私有云和混合云解决方案盈利的能力。
思科最近还对云和管理服务计划的改进版进行升级。CMSP 2.0增加了对思科Intercloud的支持,新角色主要针对云提供商。它还为合作伙伴提供了思科云架构的更多选择,围绕像Intercloud Fabric以及ACI等技术的新混合IT机会,以及一个新的Cisco Powered Virtual Managed Services类别。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。