近日,企业级云服务商青云QingCloud与四川航空股份有限公司(以下简称“川航”)达成合作,为川航搭建私有云平台。借助该平台,川航已经全面实现了IT实力的整体提升。川航将生产系统部署在云平台之上,实现技术推动业务发展,在提高业务灵活度的同时,提升了整体客户服务能力。
川航成立于2002年8月,她的航徽是一只海燕,象征着川航志存高远的进取心和先驱者形象。这一点不仅仅体现在业务和服务上,更体现在了川航的IT发展历史上。
2007年,川航在国内虚拟化刚刚兴起之时便采购了相关的设备,进行虚拟化的尝试。在经过了几年的使用和运营后,川航开始接触云计算。2015年,川航进行了云计算第一期的建设工作,采用开源的技术方案搭建了私有云平台。次年部署通过验收后,在项目支撑、设备统筹、资金利用、节能减排方面承担了重要的职责。但很快,纯开源架构的云平台对于研发人员的需求激增,而川航又面临着业务迅速迭代的需求。一个更加易于管理、运维,能给业务带来支撑的同时又能引领业务发展的云平台需求呼之欲出。
青云QingCloud正是在这样的契机下,走近了川航,并且凭借着出众的性能和高效的部署能力,获得了川航的认可,从众多候选服务商中脱颖而出。2017年,QingCloud开始为川航搭建私有云平台,满足了川航对于管理功能的需求,例如长期数据统计、资源审批、自助资源分配等。部署效率也得到了极大地提升,从虚拟化阶段的1个月部署完毕到开源架构的2-3个工作日,QingCloud分钟级的部署效率,让川航极大缩减了项目上线的时间,甚至简化了项目阶段,实现了飞跃式的变革。QingCloud提供的IaaS资源、封装好的PaaS和SaaS层的服务能力,与川航“十三五”期间的规划与部署完美契合。此外,QingCloud提供的多样化存储,能够解决川航在云平台存储上面临的各类问题。
目前,川航与机务相关的十多个系统已经运行在了青云QingCloud云平台上。未来,川航会将已有的系统,诸如签派系统、质量管理、内部管理等迁移到QingCloud云平台上。预计在“十三五”规划末期,实现80%系统的云化,在“十四五”规划末期,实现系统全面覆盖及云化。2020年左右,川航希望在云平台架构上,实现IaaS、PaaS、SaaS全面打通,并依据自身实力的发展,对外输出IT能力,为行业提供优质的IT资源及整体的行业云方案。
川航信息化负责人表示:“青云QingCloud为我们带来部署实施效率的提升,资源配置灵活度和自由度的改变,包括架构层面、安全性能和业务规划能力的提升,都为川航整体IT发展带来了极大改变。川航作为国内一家特色航空公司,虽不是IT规模最大的航空公司,但川航在追求 IT 极致发展的道路上从来都是有着进取心的。未来,希望川航能够与QingCloud在更多层面的上实现合作和共同发展。”
除川航外,青云QingCloud在航空业还服务于国航、昆明航空等用户,QingCloud云平台、对象存储、大数据分析和AppCenter正在为航空业的业务转型和智慧化发展提供者坚实的技术保障和网络支持。未来,QingCloud将会在航空业不断深化发展,推动行业变革,为航空旅客的安全、舒适、便捷的出行贡献自己的力量。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。