为虚拟机提供绝佳隔离效果,同时亦延伸至更为广泛的ARM服务器领域。
Xen项目已经发布其虚拟机管理程序的4.10版本。
项目维护负责人Julien Grail写道,“正如Xen 4.9一样,我们在Xen 4.10中同样坚持以安全为中心的原则,投入大量精力提升代码质量并强化安全性水平。”
“这不可避免地会放慢我们对新功能的接受度,自然也推迟了版本发布的速度; 但我们相信,我们已经在成熟的安全实践与创新之间找到了有意义的平衡点。”
那么新版本带来哪些新惊喜?首先是在选定CPU上运行虚拟机的能力,以及提供一种更好的方式“在处理器上表达vCPU的位置偏好,从而在适当配置条件下提升缓存与内存性能。”
虚拟机内省机制得到增强,特别是“在ARM上为虚拟机添加了软件页表walker,其为ARM CPU的引入打下了良好的基础。”
新的UI则允许用户轻松实现“对特定引导参数的修改,而无需重新引导Xen。”
根据该项目最新版本发布内容的说明,“目前可通过配置文件中的类型选项选择访客类型,其中用户可以选择PV、PVH或者HVM访客。”
对系统芯片的支持能力也已经得到增强,目前其可支持64位ARMv8-A架构高通Centriq 2400与Cavium ThunderX芯片。由于二者皆属于服务器架构,因此Xen显然已经决定为市场上可能陆续出现的ARM支持型服务器作好准备。
不过此次发布的新版本也同时增加了在微型服务器上运行二级缓存分配技术(简称CAT)的支持能力,而这项技术为英特尔CPU所独有。因此,Xen项目明显不会在ARM上押下全部赌注。
感兴趣的朋友可以点击此处查看完整的版本说明,亦可点击此处参阅如何访问并构建这套最新发行版。
如果大家此前已经注意到美国国家安全局曾经为Xen项目贡献大量代码,那么这一次同样不例外——国安局方面继续被列入贡献者名单之内。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。