首先是与Nvidia的新合作伙伴关系,双方旨在推进RAN部署在跨混合云和多云平台的行业标准服务器上。红帽解释说,红帽的Kubernetes平台Red Hat OpenShift增加了对Nvidia融合加速器和Aerial SDK的支持,以帮助企业构建更强大的5G虚拟RAN和其他企业应用。红帽表示,此举提供了一个“可组合式的基础设施”,让客户能够支持边缘计算、人工智能、私有5G等应用更密集的计算需求。
与Nvidia的此次合作旨在让网络运营商能够采用开放式的架构,使他们能够在来自众多厂商的非专有组件之间进行选择。电信供应商在构建网络设备时可以遵循的各项行业标准,让开放式无线电接入网络变成可能,从而为最终用户提供了更多选择,让他们可以自由地从各种可编程的、智能的、分解的、虚拟化的、可互操作的网络功能中进行选择。
电信公司则通过使用可组合式基础设施,无需更专业的软件和硬件,从而简化他们的资源并优化现有的IT环境。他们可以使用Red Hat OpenShift作为他们网络基础,将其与他们选择的基础设施组件进行配对,然后集成Nvidia的GPU、DPU和融合加速器,将GPU与DPU结合到一个包中,更快速地处理数据包。红帽表示,这种设置还让网络运营商能够将那些需要更高安全性的基础设施密集型任务进行隔离。
红帽表示,除了Nvidia之外还将与三星展开合作,提供一种新的vRAN解决方案,该解决方案具有增强的集成和自动化功能,并将在今年下半年作为概念验证提供给客户。红帽表示,该解决方案旨在帮助服务提供商更好地大规模管理他们基于Open RAN的网络,同时提供更高的灵活性和运营效率,以满足5G的需求。
在能源效率方面,红帽正在与英国芯片设计公司Arm展开合作,打造新的网络解决方案,以降低一系列应用的功耗。此次合作包括开发和测试新的能源效率概念验证,将红帽的开源技术与Arm最高效的、基于精简指令集计算架构的计算平台相结合。红帽方面解释说,通过在Arm最新Neoverse CPU上运行Red Hat OpenShift和Red Hat Enterprise Linux,客户将能够获得性能更好的、更节能的CPU架构,该架构现在经过定制可以在低延迟5G网络上运行云原生应用了。
同时,为了帮助企业更好地了解工作负载的耗电情况,红帽宣布推出基于Kubernetes的开源 fficient Power Level Exporter项目。众所周知,Kepler刚刚被捐赠给云原生计算基金会,此举将使更广泛的社区能够扩展其功能。
Kepler是一款可以获取能源使用指标的软件,可以接入一系列网络基础设施平台,专注于报告、减少和回归分析,帮助企业更好地了解如何控制能源消耗。Kepler通过使用CPU性能计数器、扩展的Berkeley数据包过滤器、机器学习等技术来估算工作负载的功耗,然后将此信息导出为指标,然后用于调度、扩展、报告和可视化,使用户能够准确评估其云原生工作负载的碳足迹。
除了优化网络基础设施外,Kepler还可以通过帮助开发人员创建耗电更少的应用,来帮助他们开发更具可持续性的软件。
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。