至顶网服务器频道 04月17日 新闻消息(文/刘新萍): 华云数据集团今日宣布与云达科技达成战略合作。双方将在新一代信息技术和超融合产品方面达成战略合作关系。双方表示将发挥各自技术和资源优势,为企业客户提供包括超融合产品研发、制造及技术服务,推动云计算在目标行业客户群的深度应用,促进企业客户高性价比、迅速架构企业级私有云或者混合云。
以云计算、大数据、物联网和人工智能为代表的新一代信息技术正在成为新一轮技术革命的核心驱动力,深刻改变着产业格局发展。数字经济时代,企业通过上云,可以显著降低系统构建成本,高效率打造数字化转型能力,快速实现技术驱动的业务创新。
华云数据和云达科技完成战略合作协议签署后,将在超融合产品开发、销售及市场开拓等方面展开全方位合作。双方共享市场资源,充分运用各自行业影响力和战略伙伴生态对外共同宣传、开拓业务,不断进行服务和合作模式创新。
成立于2010年的华云数据集团秉承着"自主、安全、可控"的理念,主要面向企业级用户提供定制化私有云解决方案,同时还可以提供混合云、大数据服务、超融合产品、公有云、IDC转云等"全云"服务。8年来一直秉承推动中国企业全面上云的理念,积极为企业搭建通往云时代的桥梁。
华云数据集团凭借其强大的研发能力、产品创新能力、运营能力、交付能力以及快速的服务响应,在云计算市场中快速成长,自2016年起连续三年被评为中国独角兽企业。并且凭借定制化私有云服务,收获了中科大、劲嘉股份、中国兵工物资集团、无锡地铁等一大批大中型政企客户的高度信赖,目前客户总量超过30万。
云达科技(Quanta Cloud Technology, QCT)是数据中心解决方案全球领导厂商,致力于提供最尖端的技术与完整的数据中心产品线,包括机架服务器、存储设备、网络交换机、一体化机柜,客户涵盖全球超大型云服务供应商。有鉴于客户需求及市场趋势,近年来更针对各种数据中心的服务类型与工作负载,提供超高效率、高扩展性、可靠性、管理性、服务性及最优化性能的软件定义数据中心(software-defined data center, SDDC)解决方案,结合原有硬件优势,协助客户加速上云的基础架构布建,缩短体现云服务的时程,在数字经济时代夺得先机。
双方在技术、市场层面,依托各自优势形成组合拳。华云数据确定云达为超融合产品首选合作厂商,双方将共同开拓大中华地区市场的超融合业务,云达为华云数据提供超融合硬件产品研发、制造及技术服务。
华云数据集团董事长、总裁许广彬表示,"2018年,华云数据将坚持以私有云产品为核心,同时积极发展混合云、超融合产品、大数据服务、机器学习等新业务,华云数据与云达的合作将进一步加快推动中国企业上云,实现IT变革和业务转型的进程。"
云达科技总经理杨晴华表示,"云达科技与华云数据有着共同的愿景,加速客户数字转型的历程,以尽快具备全新的市场竞争力。通过此次双方的战略合作,凭借云达科技在数据中心硬件和软件定义数据中心(SDDC)解决方案之优势,协助华云数据为其客户提供数字转型所需要的新一代信息技术和超融合产品,以驱动云计算、大数据、物联网和人工智能在企业客户的落地。"
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。