HPE正在进入混合云管理领域,今天推出了一系列名为HPE GreenLake Hybrid Cloud的专业服务。
HPE表示,这些服务旨在帮助客户管理和优化公有云和本地云环境中托管的工作负载。
HPE GreenLake Hybrid Cloud支持AWS、微软Azure和本地Azure Stack,提供自动化云操作以实现性能优化、成本控制、合规性和安全性。通过实现这些功能的自动化,企业可以为每个工作负载提供最佳资源,从而更多地关注创新。
HPE专业服务业务部门Pointnext提供的这个系列产品是基于HPE去年收购Cloud Technology Partners和RedPixie所获得的技术。
HPE表示,HPE GreenLake Hybrid Cloud将以自动化云运营的模式进行计费,为客户在混合IT环境中的操作提供全方位的管理。该产品也适用于非HPE客户,HPE为内部部署环境提供Proliant服务器,并按照付费即用的方式对客户进行计费。
这款产品的推出很及时。有研究表明,企业对混合云这种模式表现出浓厚的兴趣。HPE引用IDC的预测数据称,到2020年传统数据中心仅占企业基础设施支出的50%,低于2017年的62%。
混合云模式为企业提供更具可扩展性的环境,因此预计多个云、复杂的云将成为许多行业的常态。这也是为什么HPE提供了这样一种方法来降低管理复杂性。
“企业需要一种快速和简单的方式来优化公有云和本地云,以便在常见的运营模式下支持应用和数据,”HPE高级副总裁、Pointnext总经理Ana Pinczuk在声明中这样表示。
HPE GreenLake Hybrid Cloud的竞争对手包括Turbonomic、DivvyCloud、ParkMyCloud、和App Direct,同时AWS也有他们自己的Trusted Advisor服务。不过,HPE的产品是一个非常全面的替代性产品,因为它涵盖了多种云类型并将其转换为单一服务。
Constellation Research首席分析师兼副总裁Holger Mueller表示:“运营混合云的过程中存在很多合规性、成本和运营效率方面的复杂性。对于像HPE这样很好地理解现有企业负载的厂商来说是个很好的机会,可以使用这种理解并提供产品和服务,这些产品和服务在管理下一代应用方面可以发挥重要作用。”
HPE GreenLake Hybrid Cloud在这方面提供了三项基本功能,包括通过通用界面管理私有云和公有云资产;成本控制,以便企业可以保持在预算范围内;持续的合规性控制。
Moor Insights&Strategies创始人兼首席分析师Patrick Moorhead表示:“HPE GreenLake Hybrid Cloud平台成了一个热门话题,因为对于那些寻求多云解决方案的企业来说是一个很好的方法。从概念上来说,客户可以使用这种模式,在私有云和众多公有云供应商之间来回切换。”
HPE尚未透露这项新服务何时全面上市。
好文章,需要你的鼓励
这项研究提出了HoPE(混合位置编码),一种针对视觉语言模型的新型位置编码技术,专门解决长视频理解的挑战。传统位置编码技术在处理长视频时表现不佳,HoPE通过两个创新解决了这一问题:混合频率分配策略(为空间信息分配高频,时间维度使用零频率)和动态时间缩放机制(根据视频速度灵活调整时间编码)。实验证明,HoPE在长视频理解和检索任务上分别提升了8.35%和22.23%,为AI更准确理解长视频内容开辟了新途径。
东京大学研究团队推出MangaVQA基准和MangaLMM模型,专门用于评估和提升AI对日本漫画的理解能力。MangaVQA由526个高质量手动创建的问答对组成,用于评估AI系统对漫画内容的深入理解;MangaOCR则专注于漫画页内文本识别。基于这两个基准,研究团队从开源多模态模型Qwen2.5-VL微调出MangaLMM,能同时处理文本识别和内容理解任务。实验显示,即使是GPT-4o等顶尖商业模型在处理漫画的独特复杂性时也面临挑战,而专门训练的MangaLMM表现出色。
这项研究由ISTA和谷歌研究院联合开发的"影响力蒸馏"方法,通过利用二阶信息为训练样本分配最优权重,实现了大语言模型训练数据的高效选择。该方法在数学上有坚实理论支持,并创新性地引入"地标"近似技术,仅需计算少量样本的精确影响力,再高效传播到其他样本,大幅降低计算成本。实验证明,该方法在多种模型和任务上均优于或匹配现有技术,同时实现了高达3.5倍的速度提升,为大模型训练开辟了更高效的路径。
来自哈佛大学等顶尖学府的研究团队在这篇论文中挑战了传统观念,认为Token压缩不仅仅是提高AI模型运行效率的工具,更应成为生成式AI模型设计的核心原则。研究表明,精心设计的Token压缩策略可以促进多模态深度整合、减轻AI"幻觉"问题、增强处理长序列输入的能力,并提高训练稳定性。论文详细分析了现有方法的局限性,并提出了算法创新、强化学习指导和硬件协同设计等未来研究方向。