至顶网服务器频道 11月23日 新闻消息: 亚马逊网络服务(AWS)有意换掉旗下的云管理程序,消息传出后,Xen项目告诉全世界自己拥有嵌入式应用程序的美好未来。
公开发布的Xen项目11月咨询理事会会议纪要提到The Register网站报道了亚马逊网络服务公司的文件显示,云计算巨头AWS计划在所有新实例类型上使用定制KVM而不是Xen。从会议记录里可以看到,AWS的Chris Schlae发言,他解释了AWS公司的意向以及Register的有关消息里"什么是真的,什么不是"。
Register发布了两条有关消息,第二条消息引用了AWS的文件并保存了副本,以供后续消息使用。第一条消息发布后,Register曾向AWS发电邮询问AWS的云管理程序策略。但在整整12天里电邮件未获回复,如果Register的报告不正确,AWS有足够的时间要求作出更正。
我们就AWS可能想淡化该事情请Xen项目评论。Linux基金会代表Xen项目向我们发来以下内容:
AWS是Xen项目的活跃成员,也是Xen项目理事会的活跃成员。我们希望他们能够继续参与并主动作出更多有目共睹的贡献。
不幸的是,Schlaeger要求会议记录不公布他在会议上的发言內容,所以我们不知道他是如何向理事会解释AWS的意向的。
但Xen项目顾问理事会随后的邮件列表显示了理事会将如何回应AWS打算做的事情。
Xen项目看起来将会强调Xen在多云服务器和服务器虚拟化以外任务的角色。已经成为云和服务器厂商的主要产品,而现在Xen项目还在进军嵌入式、安全和汽车领域。
此博文(https://blog.xenproject.org/2017/11/21/xen-project-membership-spotlight- citrix /)是关于新的系列产品发布情况的,博文提到,"Xen项目管理程序是服务器和云供应商的主要技术,并正在嵌入式、安全和汽车等领域展示出好势头。"
博文接着援引思杰(Citrix)高级技术总监James Bulpin的话给出了Xen的优点。 Bulpin最后表示:
Xen是一个可重用技术组件,我很高兴地看到Xen在新领域里成长,例如边缘计算、汽车、航空和航天等新使用案例。 Xen具灵活性、小巧体积和独立于操作系统等特征,Xen非常适合上述不断发展的领域。
思杰公司XenServer产品管理和合作伙伴工程总监David Cottingham告诉记者,"我们没有收到XenDesktop / XenApp / XenMobile客户有关最近AWS之事的询问。"
他表示,"我们对AWS公布的消息的看法是,他们打造了一种新产品,这与他们为特定类型的工作负载而创建自己的定制芯片的举措是一致的。在基准测试方面,我掌握的资料里没有资料说KVM的性能比AWS用的Xen通用核心任务VM的性能更好。"
Cottingham 表示," AWS并没有表示他们计划停止在Xen上的投资,AWS也没说要用自己的KVM衍生产品替换所有现有的Xen产品,这一点很重要。基于KVM分支的新实例类型是全新的。"
不过AWS确实表示所有未来新的实例类型都将使用KVM。而且,由于AWS的KVM是为了在NVMe服务器上运行而创建的,这些盒子以后肯定会涵盖整个产品线,这样看来, Xen的未来在全球最大云计算商那及其他方方面面看起来都颇为严峻。
Gartner基础架构软件的研究副总裁Michael Warrilow认同这一观点。
他表示,"甲骨文已经走KVM路线了。Xen圈住了甲骨文和亚马逊的话,还是可行的。"
Warrilow表示,"而现在,我认为Xen被逼上绝境了。"
Xen至少在云和服务器虚拟化方面被逼上了绝境。但即将上线的边缘设备达数十亿,管理程序的寿命可能还是很长的,管理程序的未来也可能是美好的。
好文章,需要你的鼓励
这篇研究揭示了大语言模型强化学习中的"熵崩塌"现象——模型在训练早期迅速失去探索能力,导致性能达到可预测的上限。研究者发现验证性能和策略熵之间存在精确的数学关系:R = -a·exp(H) + b,并深入分析了熵变化的内在机制。基于这些发现,他们提出了两种简单有效的方法(Clip-Cov和KL-Cov)来缓解熵崩塌问题,显著提升了模型性能,特别是在困难任务上。这项研究为大模型强化学习的规模化应用提供了关键指导。
Skywork OR1是昆仑公司AI团队开发的开源推理大模型,通过创新的强化学习方法显著增强了语言模型的推理能力。该研究基于DeepSeek-R1-Distill模型系列,采用名为MAGIC的训练方法,在AIME24、AIME25和LiveCodeBench三大基准测试中实现了显著性能提升,32B模型平均准确率提高15.0%,7B模型提高13.9%。研究团队通过系统研究策略熵崩塌现象,提出了有效的缓解策略,并开源了全部代码、数据和模型权重,为AI社区提供了宝贵资源。
上海交通大学研究团队发现多模态大语言模型中的"啊哈时刻"(自我反思模式)虽存在但并不意味着推理能力提升。他们提出了"冷启动强化学习"两阶段方法:先用监督微调建立推理模式,再通过强化学习优化。实验表明,这种方法在多个多模态数学推理基准上表现卓越,使3B参数模型达到接近甚至超越部分7B模型的性能,为增强多模态AI推理能力提供了有效路径。
MBZUAI研究团队开发的SVRPBench是首个模拟真实物流环境的随机车辆路径问题基准测试平台。它通过建模时间依赖的交通拥堵、概率性延误和客户特定时间窗口,为500多个包含最多1000客户的测试实例注入真实世界的不确定性。实验结果显示,先进的强化学习算法在分布变化时性能下降超过20%,而传统方法表现更为稳健。该开源平台通过GitHub和Hugging Face发布,旨在推动更适应现实世界不确定性的路由算法研究。