对于一个开源软件来说,选择适当的版本尤其重要,其对应支持的平台版本、新增和更新的功能、bug修复和稳定性等因素,是平台集成和二次开发工作的基础条件,毕竟没有人想要因为版本问题无限填坑。不过,Tungsten Fabic发行版本的命名规则总在变化,更新节奏也比较快,给社区成员带来了一定的混乱。本文将就TF的版本发行和更迭做一个简单梳理。
发布流程
Tungsten Fabic的发布流程是:commit → review → test → integration → build → release。到最后的release阶段,就已经是正式对外发行的版本,本文提到的版本只针对release发行版本。
版本号命名规则
OpenContrail阶段到Tungsten Fabric早期
传统的“X.X”方式。
2019年7月~2019年12月
5.1版本之后,改为“年.月”,陆续更新了1907、1908、1909、1910、1911、1912等版本,每月都有新版本发行。
2020年至今
改为每季度一次,今年一共有2003、2005、2008三个版本,预计12月将发行本年度最后一个版本——2011版。
最新版进度
https://wiki.tungsten.io/display/TUN/2011+Release+Overview
在近期一次TSC(Tungsten Fabric社区技术指导委员会)例会上,社区决定再次调整命名方案,按照发行节奏,更改为“年.季度”,并承诺以后不再调整。因此,明年的第一个版本号将为R21.1,预计在2月或3月发行。
最后,需要提醒大家的是,Tungsten Fabic社区和瞻博网络在版本发行周期上并不同步,前者为六个月一次,后者Contrail Networking为每季度一次,并且目前来看,两边都将保持自己的发布节奏。
我们将这一年的发行版本(覆盖R5.1-R2008),做了简单整理,包括版本名称、发行/修订时间、新增或更改的功能等信息,部分版本详细列出了平台支持情况,供大家参考。
发行/修订时间
2008修订版1:2020年9月
2008修订版2:2020年9月
新增或更改功能
发行/修订时间
2005修订版1:2020年6月
2005.1修订版2:2020年7月
新增或更改功能
发行/修订时间
Contrail Networking 2003修订版1:2020年3月
Contrail Networking 2003.1修订版2:2020年4月
新增或更改功能
发行/修订时间
Contrail Networking 1912修订版1:2019年12月
Contrail Networking 1912.L1修订版2:2020年3月
Contrail Networking 1912.L2修订版2:2020年6月
Contrail Networking 1912.L3修订版2:2020年9月
新增或更改功能
发行/修订时间
Contrail Networking 1911修订版1:2019年11月
新增或更改功能
发行/修订时间
Contrail Networking 1910修订版1:2019年10月
新增或更改功能
发行/修订时间
Contrail Networking 1909修订版1:2019年9月
新增或更改功能
发行/修订时间
Contrail 1908修订版1:2019年8月
新增或更改功能
发行/修订时间
Contrail 1907修订版1:2019年7月
新增或更改功能
发行/修订时间
Contrail 5.1修订版1:2019年4月
新增或更改功能
平台支持情况
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。