至顶网网络频道 05月04日 综合消息:2017年5月4日,赛特斯自主研发的柔性云基础平台“赛云”,凭借在云计算领域的创新能力以及电力行业的成功实践,斩获云计算领域重量级奖项—“Cloud China 云帆奖”之“云计算优秀解决方案/产品奖”,再次证明了赛特斯在云计算领域的技术影响力。
“Cloud China 云帆奖”颁奖现场
为了进一步加快推进云计算产业的发展,推广普及相关应用,表彰为产业发展做出突出贡献的单位和个人,“Cloud China 云帆奖”自2015年开始评选,成为业界最权威的云计算奖项之一。其中,“云计算优秀解决方案/产品奖”的评选对象是国内外云计算解决方案和产品,参选的云计算解决方案和产品必须已投入使用,并在新技术方面有较大成就,为行业开创全新的市场空间。所有奖项均通过公众投票和专家评审等环节,并最终由大会专家委员会综合评定。
作为柔性系统与柔性服务理念的开创者、践行者,赛特斯公司一直将可感知、可重构、可演进作为网络演进方向,多年持续推动云计算领域的技术创新,研发的“赛云”解决方案已广泛应用于公有云、私有云、园区云等多个领域,并在电力等行业成功开展云计算实践。2016年,国家电网信通公司采用了赛特斯“赛云”平台,为其建立管理中心系统集成仿真测试平台,实现对运维管辖的信息系统进行详细的非功能性检测,增加上线后的安全保障,确保国家电网“云”可管可控,协助其为广大用户提供一流的服务体验。
赛特斯公司的“赛云”解决方案基于Operstack开源平台自主研发,可根据客户需求进行定制开发,具有良好的可扩展性。采用业界领先的SDN技术实现网络虚拟化,让网络按需分配,实现网络即服务,可以帮组企业实现存储虚拟化,让企业告别昂贵、专用的存储设备及方案,让存储成本更低,并且安全可靠。通过虚拟防火墙、虚拟负载均衡、虚拟VPN,“赛云”实现了网络功能的“热插拔”,并通过OpenStack的云计算平台,变身虚拟资源管家,让企业的“云”可管可控。
面对国网信通仿真实验室仿真应用系统较多,多个系统测试时网络配置会冲突的难题,赛特斯为国网信通电力信息系统仿真实验室,提供了基于SDN网络虚拟化的赛云系统FlexCloud,可实现测试系统逻辑网络与物理网络的解耦,将不同的仿真业务或用户看做相互独立的租户。每个测试系统作为一个租户,“独享”测试资源,配置错误不影响其它测试系统,更不会影响整个物理网络。
同时,基于SDN的“赛云”解决方案可提供了IT资源的全虚拟化能力,能快速为各电力信息系统仿真提供全部资源。解决方案主要包括网络虚拟化FlexVisor、计算虚拟化FlexCompute、虚拟化分布式存储FlexStorage和统一云管理平台FlexScape等全部组件。
“赛云”平台可提供动态资源管理功能,在应用业务负载不高的情况下,减少虚机数量,降低整体能耗。在突发业务访问需求情况下,可从云资源池中增加虚机,动态满足前端业务需求。“赛云”平台资源池可便捷的实现资源扩展,提供资源预留功能,提供动态资源管理功能,通过对虚拟机的优化放置和迁移,提升资源利用率。
服务国家电网的成功实践开启了赛特斯在能源行业开展前瞻性实验项目的先例,同时为公司在后续更多行业发力提供了很好的合作契机与示范效应。此次摘得业界大奖,证明了“赛云”已经获得了客户和行业机构的共同认可。赛特斯将不断完善“赛云”解决方案,进行产品的优化创新与解决方案技术的积累提升,服务于更多来自能源、教育、医疗、金融等行业的用户,帮助客户轻松实现“一步上云”和“云”的可管可控,快速推动创新和业务转型。
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。