应用性能公司Riverbed日前宣布推出Riverbed SteelCentral应用性能指挥中心,进一步拓展其全面性能监测与管理解决方案,解决企业在管理新兴移动和云技术方面存在的盲点。为满足这些需求,Riverbed推出了SteelCentral SaaS解决方案,提供云性能管理。同时利用SteelCentral Aternity,将监测功能扩展到任意终端设备。
Riverbed公司高级副总裁兼SteelCentral业务总经理Mike Sargent指出:“企业现在正加速采用云技术和移动技术,以便提高敏捷性和灵活性,这也同时改变着整体IT环境。传统监测方法的可用性和性能都需要适应这些技术。我们此次发布的新品将能够帮助企业利用这些颠覆性技术,同时又能够消除关键盲点,帮助企业积极主动地管理他们关键应用上的整体端到端性能。”
SteelCentral SaaS:面向云内外的全面可视化。Riverbed推出的SteelCentral SaaS将终端用户体验和应用监测、网络性能监测结合起来。由于企业越来越依赖云来帮助他们缩短应用发布周期和降低成本,那么保持对多层应用的统一可视化就具有非常大的挑战。传统的APM(应用性能管理)工具对于影响云托管应用性能的网络性能问题完全无知。而作为SaaS解决方案,SteelCentral则可实现应用、终端用户和网络性能的可视化,为企业提供针对云应用的全面监测方案。
终端用户体验监测:通过新近收购的终端用户体验(EUE)监测方案领先提供商Aternity,Riverbed将SteelCentral扩展到包含物理、虚拟或移动设备上运行的所有应用的EUE监测。通过新增SteelCentral Aternity,SteelCentral能够从各种来源广泛收集数据,包括应用服务器、应用程序代码、UC系统、局域网、广域网、浏览器和终端用户设备,帮助客户快速发现和修复性能问题,无论问题发生在哪里。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。