IBM正在寻求让自己的大型机更适合于现代数据中心。
IBM近日公布了两款小型化的大型机型号,并表示这两款型号在公有云或私有云环境中部署要比上一代传统大型系统更容易。
第一个新系统是以z14 Model ZR1(如图)命名的,基于一种单框架设计,IBM说这种设计可以装入以前用于容纳常规服务器相同的标准19英寸数据中心机架。
ZR1在IBM早期Z13大型机基础上进行了多项重大改进,吞吐量提高10%,配置高达8TB的内存,是上一代的2倍。计算则由3个10核心处理器执行,据称可以达到5.2GHz的主频。
IBM表示,这些芯片提供足够的计算能力来运行多达330,000个容器。依赖大型机的大企业正在越来越多地使用软件容器,这让开发人员将应用组件跨不同类型基础架构捆绑到轻量级的软件包中。
企业也可以利用ZR1每天处理高达8.5亿次加密交易。大型机在金融领域的应用尤其广泛,IBM表示全球50强银行中有44家银行依赖IBM的Z系列系统。
IBM表示,ZR1支持标准冷却和动力设备,这一特点旨在让ZR1相比Z14更易于部署,后者需要复杂的三相电源供电。此外,ZR1机箱拥有16个机架的可用空间,可容纳网络设备和辅助设备,从而释放数据中心的占地空间。
IBM推出的另一款大型机新型号是基于Linux的Rockhopper II,该系统专为运行Linux开源操作系统而设计,可以像ZR1一样安装在19英寸机架中,并提供类似的规格。该型号是IBM在2015年与Ubuntu合作推出的大型机的最新版本。
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。