近日,针对媒体上出现的《Gartner评选出的八大OpenStack公司》的一系列文章,受到了行业客户的一些质疑,Gartner对此特别做出了阐述和澄清,Gartner表示从未组织或参与任何形式的OpenStack八大厂商评选。
2017年,在OpenStack正值发展七周年之际,国际权威咨询机构Gartner发布了《2017年OpenStack分销与支持服务市场竞争格局》分析报告(Competitive Landscape:OpenStack Distributions and Support Services Market, 2017),报告分析了OpenStack分销与支持服务市场格局,从市场、产品、技术三个方面为OpenStack未来的发展方向提出了建议与意见,成为众多目光焦点,引发业内众多讨论。
对于Gartner此份报告的解读虽见诸于报端,各家媒体解读不一。但市场上出现了《Gartner评选出的八大OpenStack 公司》之类的报道,这些报道和Gartner做这份市场调查的初衷违背,因此特别在Gartner官方微信网站(Gartner inc)上,由Gartner研究总监张毅先生撰文,阐述这份报告的调查初衷、方法和结论,披露报告的核心内容,指出“报告及文中提及的厂商名录并非完全涵盖整个市场,仅代表市场中某些典型类型的厂商“ ,并特别强调“其他相关文章Gartner均不予认可”,。
Gartner亦在这份声明结尾重申” 中国OpenStack市场既包括华为、华三、浪潮、中兴、大型系统集成商的身影,也有海云捷迅、有云(现同方有云)、优铭云、九州云、EasyStack、及云途腾等明星初创公司的身影”, Gartner认为OpenStack的发展离不开行业内各大小玩家与广大用户的贡献与参与,并没有评选所谓的“八大厂商”。
以下是Gartner官网原文截图:
Gartner官网澄清原文链接:
https://mp.weixin.qq.com/s/y0w3gDiLpjdGcfhDE8GzZw
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。