企业级云服务商青云QingCloud日前宣布推出Docker镜像仓库服务。该服务包括Docker公有镜像仓库和Harbor私有镜像仓库,用户可以根据需求选择适合的镜像仓库方案。Docker镜像仓库的推出,标志着QingCloud容器平台的进一步完善,包含Kubernetes容器编排及管理、Harbor私有镜像仓库、Docker公有镜像仓库、etcd键值存储服务、SDN网络直通服务等在内的一系列容器应用与服务,并联合Rancher、希云等容器领域的合作伙伴,帮助用户快速进行容器相关的应用开发、部署和升级,大幅降低容器应用的开发和管理门槛。
此次推出的Docker公有镜像仓库免费为用户提供安全可靠、简单易用、兼容开放的Docker镜像集中存储与分发服务,支持创建多个Docker命名空间和多个Docker用户,灵活地管理用户的Docker镜像。Docker公有镜像仓库底层基于QingStor对象存储,为用户提供海量的镜像存储服务。此外,QingCloud还提供Harbor私有镜像仓库,便于用户一键部署高可用、高安全、高性能的Docker镜像仓库。
青云QingCloud容器平台是通过QingCloud AppCenter交付的一套完整的容器部署与管理平台,支持多种云端容器部署方式,并提供镜像仓库、调度与编排、服务感知、跨平台管理等容器管理功能。QingCloud 容器平台充分整合了QingCloud IaaS平台的高性能网络及存储能力,为容器平台提供极致的性能保障,支持企业用户一键部署高可用、高可靠、高性能的容器平台。
青云QingCloud完整的企业级容器服务平台有如下亮点:
云平台深度整合:与青云QingCloud云平台深度集成,充分整合QingCloud IaaS底层的SDS(软件定义存储)与SDN(软件定义网络)能力,提供SDN网络直通及存储持久化方案,为容器运行环境提供极致的网络及存储性能支持。
一键部署、轻量运维:应用通过QingCloud AppCenter框架交付,一键完成部署,持续升级,提供创建、扩容、健康监测、用户管理等应用全生命周期管理功能,并提供完善的服务监控及日志功能,是实践DevOps的绝佳之路。
兼容与开放:QingCloud Kubernetes容器服务完全兼容原生API语法,将用户的学习和迁移成本降至最低,基于Kubernetes开发的原生应用也可以无缝迁移至QingCloud平台。
统一架构:QingCloud IaaS实现了在同一套技术架构下对虚拟主机、物理主机(Bare Metal Service)和容器进行统一的管理和运维,三者之间可以在统一的网络和存储环境下实现无缝互通及共享资源,避免了系统的割裂。
青云QingCloud CTO甘泉表示,结合QingCloud在IaaS和AppCenter上的技术优势,QingCloud推出的容器平台能够为企业级用户提供一键部署、弹性伸缩、极致性能的容器服务,为用户轻松构建Docker服务、DevOps平台及微服务架构提供技术平台支持。未来,QingCloud将深度参与各类容器开源项目,联合更多容器领域合作伙伴,为用户提供一站式的容器平台服务。
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。