IBM发起全新 “代码响应(Code and Response)”计划,将从波多黎各开始大规模构建、强化、测试并实施开源技术解决方案,以加速灾后恢复。
在2月12日Think 2019大会上,IBM(纽交所股票代码:IBM)宣布名为“代码响应(Code and Response)”的新部署计划,即在四年时间里投入2500万美元,把在IBM“代码行动(Call for Code)”大赛中开发的部分开源技术部署到最有需要的社区当中。“代码响应”计划汇集大规模构建、强化、测试及实施相关解决方案所需的资源,同时也将获得IBM企业全球志愿服务队(IBM Corporate Service Corps)的数百名IBM员工,以及政府和多个非政府组织合作伙伴的大力支持,共同将技术应用于生命救援。不仅如此,IBM还与克林顿全球倡议大学计划(Clinton Global Initiative University)建立了合作关系,为在校开发人员提供所需的技能和资源,助力其将创意转化为实践。在第一年中,“代码响应”计划将在波多黎各、北卡罗来纳州、大阪及喀拉拉邦等受灾地区部署实施“代码行动2018”的获胜解决方案——“Project Owl”。
IBM“代码响应”计划还将得到信息技术灾难资源中心(Information Technology Disaster Resource Center ,ITDRC)等非盈利合作伙伴的支持,针对Project Owl的软硬件配置提供反馈意见。此外,基于该机构在应对飓风“厄玛”(Irma)和“玛利亚”(Maria)席卷后的网络恢复方面拥有丰富的实践经验,还将为Project Owl在波多黎各的部署提供有价值的指导。
IBM认知应用及开发者生态系统业务部高级副总裁Bob Lord表示:“每年全球受自然灾害影响的人数接近1.6亿,仅仅通过挑战赛激发创意还远远不够。实现有效应对自然灾害必须充分挖掘全球开源生态系统的潜力,打造出可供我们在救灾现场大规模部署的可持续性解决方案。但是我们不能单打独斗,只有与合作伙伴通力合作才能使技术发挥可持续性影响。”
美国红十字会总裁兼首席执行官Gail McGovern表示:“美国红十字会对于IBM能够持续投入资源帮助因自然灾害而受困的人们表示十分感谢。我们的机构依赖于像IBM这样的投资者和创新公司,通过激发改变命运的新方法加强与自然灾害斗争的力量。”
“代码行动”倡议在2018年大获成功,共有超过10万名开发者提交了数千条关于灾难救援的解决方案。中国农业银行团队的United Aid Net (UAN)解决方案获得了第五名的好成绩,方案通过一个全球紧急援助网络,基于面部识别取款和区块链技术,允许家庭成员或好友在灾难发生期间临时共享金融服务。2019年,代码行动”创始机构David Clark Cause及IBM将再次与联合国、美国红十字会,以及Linux基金会展开合作。此外,还迎来了美国消费技术协会、凯撒医疗集团和Apttus等新的合作伙伴,也赢得了达美航空公司、美国强生、Persistent Systems 等合作伙伴的持续支持。
今天,IBM董事长、总裁兼首席执行官罗睿兰(Ginni Rometty)宣布启动“代码行动2019”并再次强调公司的承诺,即在五年内投入3000万美元用以推动该项目的发展。其目标依然是团结全球2300万名开发者和数据科学家,发挥云计算、人工智能、区块链和物联网技术的力量,创造出可持续、可规模化部署的开源技术。今年的主题是应对自然灾害中个人和社区的健康与福祉。
David Clark Cause首席执行官David Clark表示:“我们为‘代码行动’所取得的巨大成功感到激动不已。同时也为IBM及其推出的‘代码响应’计划而喝彩,它展现了IBM为改变人们命运所做出的承诺。我们为拥有IBM这样的合作伙伴感到自豪,同时也很高兴能够继续激励开发者继续探索新的解决方案,助力应对全球最为迫切的挑战。”
好文章,需要你的鼓励
这篇研究介绍了KVzip,一种创新的查询无关KV缓存压缩方法,通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍,同时提高解码速度约2倍,在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法,KVzip创建可在多种查询场景下重用的通用压缩缓存,特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证,处理长度高达17万词元的文本,并能与KV缓存量化等其他优化技术无缝集成。
腾讯与上海交通大学联合推出的DeepTheorem研究突破了大型语言模型在数学定理证明领域的限制。该项目创建了包含12.1万个IMO级别非形式化定理的大规模数据集,开发了专门的RL-Zero强化学习策略,并设计了全面的评估框架。研究表明,通过使用自然语言而非传统形式化系统,即使是7B参数的模型也能在复杂定理证明上取得显著成果,超越许多更大的专业模型。这一成果为AI数学推理开辟了新途径,使语言模型能够像人类数学家一样思考和证明。
MAGREF是字节跳动智能创作团队开发的多主体视频生成框架,能从多张参考图像和文本提示生成高质量视频。该技术引入了区域感知动态遮罩机制,使单一模型灵活处理人物、物体和背景,无需架构变化;并采用像素级通道拼接机制,在通道维度上运作以更好地保留外观特征。实验表明,MAGREF在身份一致性和视觉质量方面优于现有技术,能将单主体训练泛化到复杂多主体场景,为内容创作者提供了强大而便捷的视频生成工具。
这项研究揭示了大型语言模型(LLMs)偏好决策的内在机制。以色列理工学院和IBM研究院的团队开发了一种自动化方法,不需人工预设即可发现和解释影响AI判断的关键概念。研究横跨八个领域(从一般问答到安全评估),分析了12种偏好机制,发现人类评判者重视权威性和清晰度,而AI评判更关注事实准确性。他们提出的层次多领域回归模型不仅能准确预测偏好,还能清晰解释判断过程,为构建更透明、更符合人类价值观的AI系统提供了新途径。