中国北京—2019年6月19日—Parallels最新发布了Parallels Remote Application Server(Parallels RAS)版本17,为服务提供商(SP)及企业简化终端用户计算。该版本可以借助人工智能(AI)更快速地启动应用程序,提供Google身份验证器集成等额外安全功能,并首次推出基于Web的服务台控制台,用于轻松实现Microsoft远程桌面服务(RDS),虚拟桌面基础架构(VDI)和桌面即服务(DaaS)基础架构管理。
Parallels RAS 17是一体化的解决方案,它使终端用户可以更快速稳定地使用企业应用程序,并可以在单个或多个云中扩展。服务提供商(SP)和企业将从Parallels RAS对改进管理和部署组件的投资中获益,包括控制DaaS、VDI和Microsoft远程桌面服务(RDS)的新方法,如新的RESTAPI和VDI/DaaS控制面板。
Parallels工程和技术支持团队高级副总裁Nick Dobrovolskiy表示:“我们将智能和自动化功能引入到了Parallels RAS 17中,以提高用户的生产效率、品质体验和满意度,并进一步改进管理。Parallels RAS17为企业提供了更高的性能、安全性和简易性,他们可以无缝且经济高效地管理虚拟桌面和应用程序,并可以将它们交付给全球各地的任意用户或设备。使用iPhone、iPad和Android设备的员工甚至可以使用熟悉的本机触控手势轻松处理虚拟文件,无论身在何处,都可以高效工作。”
Parallels RAS 17中全新及关键功能:
Parallels提供为期30天的Parallels RAS 17全面免费试用,包括50个并发用户许可证。
Parallels RAS还提供以每年99美元的价格购买并发用户许可证的优惠,从一开始便以更低的购入、支持及培训成本畅享全部功能,其中包括负载均衡器和支持。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。