企业级全栈云ICT服务商青云QingCloud日前宣布,与国家核电技术公司(以下简称“国家核电”)达成合作,为其构建私有云平台,助力国家核电集团实现信息化转型升级。平台上线后,将实现计算资源、存储资源、网络资源的云化,以及资源的动态扩展、按需分配、实时监控、自动化分析与调优。
自2015年《政府工作报告》将“互联网+”作为计算机未来的发展方向开始,云计算在企业中的推进与落地得到了充分的支持。从现阶段来看,我国众多大型央企已经完成或者正在开展云计算在信息化建设中的应用。国家核电正是这些勇于创新的大型央企中的一员。
国家核电成立于2007年,是国有重点骨干企业之一。作为以核电技术创新为驱动、以项目开发运营为核心、以提升核电全产业链能力为基础的大型央企,国家核电不仅需要全面完成我国核电自主化的战略任务,引领行业,还需要不断坚持改革创新,建设一个创新型、专业化、国际化的企业集团。这就要求国家核电在信息化建设的道路上也要始终坚持不断创新。
与大部分央企不同,国家核电整体信息化水平很高。在虚拟化刚刚开始进入企业级视野时,国家核电就构建起了虚拟化平台,底层储备了充足的物理资源。也正是由于虚拟化平台的建立,让国家核电在迈入云时代的过程中,打下了良好的基础。另一方面,国家核电下属有众多的成员单位,为了进一步加强各成员单位之间的信息化建设的同步性,并且为他们今后的信息化建设指明方向,一个统一的且能够满足国家核电科学技术项目测试环境的云计算平台呼之欲出。综合考量后,国家核电决定构建私有云计算中心,帮助集团和下属单位提高信息化建设能力,并且以此来推动业务转型和创新实现。
青云QingCloud正是在这样的契机下,走进了国家核电,并且凭借“技术先进、功能丰富、易于扩展”的特性获得了国家核电的认可。国家核电在业务发展层面有着非常多创新的需求,并且外部环境的不断变化也促使他们应用更先进的科技手段实现转型,赢得先机。因此,国家核电决定通过私有云对以前的虚拟化平台和服务器进行统一管理。国家核电的私有云平台采用了融合架构,将大数据平台、超算平台与云计算平台相互融合,又相互连通,以此融合而成一个完整的私有云平台。在应用架构上,私有云平台资源池实现数据中心基础架构与上层业务的松耦合,充分保证了国家核电业务的动态扩展和新业务的快速上线。
国家核电信息化负责人表示:“国家核电在规划建设云计算中心初期便有明确的目标,我们对于私有云平台的成熟性、高可用性、可开发性、易用性都有着近乎苛刻的要求。青云QingCloud拥有大规模实施的案例让我们对此次合作充满了信心,自主知识产权和自主可控性对于央企来说至关重要,这都是促成与青云QingCloud合作的关键所在。此外,云平台提供完善的API接口、文档信息和图形化向导界面等设计细节也非常打动我们。未来,我们希望能与青云QingCloud持续合作,共同提升国家核电在集团信息化方面的能力。”
除了国家核电外,青云QingCloud还服务于中国地质环境监测院、广州市番禺区人民法院、西南锦云和西咸新区等政府及公共事业的标杆用户。QingCloud云平台、大数据分析和行业云能力正在推动着政府公共事业相关部门的业务转型和智慧化进程。未来,QingCloud将会更加深入到智慧城市、智能服务等领域,推动“互联网+”目标的达成,以期在民生层面贡献自己的力量。
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。