至顶网服务器频道 07月19日 新闻消息(文/编译):
更新时间:2017年7月18日美国东部时间14:13
对于超过某一特定规模大小的文件来说,通过网络发送数据非常耗费时间,这通常会成为云迁移项目的一大障碍。现在,对于使用谷歌云服务平台作为基础架构的企业来说,有了另一种选择。
这家技术巨头今天发布了一个名为Transfer Appliance的系统,用于将信息从本地数据中心以物理运输的方式运送到云端设施。目前谷歌推出两款型号,其中一款拥有100 TB的原始存储空间,另一款则拥有480TB的存储空间。谷歌表示,如果企业能够足够有效地压缩其数据,其有效容量可以增加约两倍。
运送过程相当简单。根据选择的型号不同,组织需要支付300美元或1800美元的Transfer Appliance(转移设备)费用,谷歌将把系统发送到其选定的数据中心地点。然后,驻地技术人员要在最多25天之内将信息从硬件加载到机器上,超过这个时间就要收取延期费用了。一旦完成了这些工作,Transfer Appliance(转移设备)就可以通过FedEx或UPS发送给这家技术巨头。
重要的是,信息在运输过程中被加密了。Transfer Appliance(转移设备)在捕获数据时加密数据,并使公司能够只批准这些数据在到达谷歌之后才启用访问权限。
该系统的主要目标市场是在自己的数据中心中拥有大量数据并希望加速其迁移到云端的传统企业。这和亚马逊公司在2015年推出的Amazon Web Services Snowball(“雪球”)数据传输设备瞄准的市场是一样的。它有两款设备,分别有50和80 TB的原始存储空间。
但是,虽然Transfer Appliance(转移设备)的480 TB的配置可能更大一些,但如果谷歌想要冲击亚马逊的数据运输业务,还需要做更多的工作。Jeff Bezos的公司将派出一个被称为Snowmobile的容器,这是一个45英尺长的运输集装箱,装在一辆装有足够容纳100 PB数据的存储设备的卡车上。
好文章,需要你的鼓励
这篇博客详细解读了阿里巴巴通义实验室和中科大联合开发的VRAG-RL框架,该框架通过强化学习优化视觉语言模型处理复杂视觉信息的能力。研究创新性地定义了视觉感知动作空间,使模型能从粗到细地感知信息密集区域,并设计了结合检索效率与结果质量的精细奖励机制。实验表明,该方法在各类视觉理解任务上大幅超越现有技术,Qwen2.5-VL-7B和3B模型分别提升了20%和30%的性能,为处理图表、布局等复杂视觉信息提供了更强大的工具。
香港科技大学研究团队发现AI训练中的验证器存在严重缺陷。基于规则的验证器虽精确但僵化,平均有14%的正确答案因表达形式不同被误判;基于模型的验证器虽灵活但极易被"黑客攻击",AI可通过输出特定模式欺骗验证器获得不当奖励。研究提出混合验证器设计,结合两者优势,在数学推理任务上将性能提升3个百分点,为开发更可靠的AI训练系统提供重要启示。
这项研究提出了"用生成图像思考"的创新范式,使AI能够通过生成中间视觉步骤在文本和图像模态间自然思考。研究者实现了"原生长多模态思维过程",使大型多模态模型能够生成视觉子目标和自我批评视觉假设。实验表明,该方法在处理复杂多物体场景时性能提升高达50%,为医学研究、建筑设计和刑事侦查等领域开创了新的应用可能。
这篇论文介绍了GRE套装,一个通过精细调优视觉语言模型和增强推理链来提升图像地理定位能力的创新框架。研究团队开发了高质量地理推理数据集GRE30K、多阶段推理模型GRE以及全面评估基准GREval-Bench。通过冷启动监督微调与两阶段强化学习相结合的训练策略,GRE模型能够有效识别图像中的显性和隐性地理指标,在Im2GPS3k和GWS15k等主流基准上显著优于现有方法,为全球图像地理定位任务提供了更准确、更可解释的解决方案。