F5(纳斯达克:FFIV)日前宣布推出 F5 NGINX for Microsoft Azure,这是与 Microsoft 合作开发的 Azure 原生服务,用户只需点击几下鼠标,即可在 Azure 上交付现代应用。借助NGINX for Azure,开发人员可以提升本地应用并将其迁移至 Azure,并使用他们熟悉且信赖的负载均衡解决方案 ——NGINX 部署全新、为云而生的服务。
根据 F5 发布的《2022 年应用策略现状报告》,COVID-19 疫情加速了云迁移,四分之三的组织在公有云环境中部署应用。随着云应用的增加,超过 25% 的组织也在云端托管应用安全和交付服务。希望在 Azure 上运行应用的开发人员、云架构师、系统架构师和其他从业人员需要轻松实现向云迁移,快速且持续地提供大规模的安全数字服务,确保本地和云环境之间应用性能的一致性。
NGINX for Azure 成功满足了上述需求,具体可为企业提供以下支持:
通过在本地和 Azure 上使用相同的负载均衡解决方案,企业可在性能与安全性方面保持一致性,从而为客户带来卓越的数字体验。
F5 NGINX 产品副总裁 Eric Braun 表示,“NGINX 为全球流量最大的网站提供一套先进的连接、流量管理和安全解决方案,所有这些均为 Microsoft Azure 生态系统带来了额外的价值。Microsoft 值得信赖的云与 NGINX 值得信赖的 SaaS服务相结合,使开发人员和 DevOps 团队能够在全球范围内优化其分布式应用和服务的性能、可靠性及安全性。”
Microsoft 开发部门总裁 Julia Liuson表示,“开发团队在创新的过程中不断挑战极限。团队可以利用配置全面、安全的云托管环境,在几分钟内启动并运行任何项目,这让团队能够更快地实现业务目标。通过与 F5 携手合作,我们提供了与Microsoft Azure原生集成的NGINX网络功能,使应用开发人员、IT 运营商和服务运营团队能够交付更高性能、更可靠、和安全性更优的应用,从而更快、更轻松地响应客户。”
NGINX for Azure 目前在 Azure Marketplace 中提供公开预览版。
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。