HPE今天宣布将收购MapR Technologies的资产,收购金额未对外公开,给这个为期两个月、让MapR这家曾经高速发展的大数据公司陷入困境的戏剧性事件画上了句号。
HPE表示,这次收购包括MapR的技术、知识产权、人工智能以及数据管理方面的专业经验。HPE没有说明这次收购涉及吸纳多少员工,但HPE大数据和二级存储副总裁Patrick Osborne表示,“我们希望往大批员工加入HPE”。
HPE称,除了续订客户之外还将继续支持现有的MapR客户。HPE并未把MapR传统的Hadoop业务作为这次收购的一个决策因素,但Obsborne表示,HPE一定会继续支持这些客户。“我们希望最大限度地保留客户,其中一些客户从[Hadoop HDFS文件系统]开始,已经进入流式存储,再到现在扩展至人工智能和机器学习。从我们的角度来看,这个市场正在不断扩大。”
HPE将把MapR的技术融入HPE Intelligent Data Platform,这是一套用于管理数据生命周期的技术。MapR的分布式文件系统“提供了一种数据结构功能,让人们可以在边缘和核心为之管理他们的数据分析,我们没有一种技术可以让客户做到这一点”。MapR的持久性容器存储技术、数据湖泊和流数据特别具有吸引力,他说。
Obsborne表示,两家厂商多年来一直是合作伙伴,并且拥有很多共同客户。“这是一个继续客户旅程的机会,特别是在那些被数据分析和人工智能变革的行业中。”HPE还称赞了MapR由经销商、软件合作伙伴和集成商组成的生态系统,并称将有选择地将其整合到自己的合作伙伴网络中。
分析师也对这次收购表示认可。“MapR的技术和团队都是一流的,他们将成为未来HPE家族的一个出色的补充,”硅谷市场研究公司Wikibon首席人工智能和数据科学分析师James Kobielus这样表示。
HPE表示,MapR的技术在帮助客户跨多个内部部署和云环境组合数据管道以及在同一环境中运行多个工作负载方面具有特别重要的价值。最初MapR的定位是一家构建在Hadoop大数据平台上的服务销售商,如今,MapR将自己的技术定位为整合多个数据源的单一平台。
Kobielus说:“MapR为实时、流数据和边缘用例创建了大量的知识产权组合。HPE将这一成熟的资产纳入自己的云端产品组合是一项明智之举,同时这也为MapR的客户提供了投资安全的保证。”
Wikibon首席分析师David Vellante对此表示认同。他说:“MapR拥有良好的技术;他们的文件系统和数据库是世界一流的,HPE需要这项知识产权。我确信HPE给出了一个不错的价格。”
这一消息的公布也给从5月底开始的肥皂剧画上了一个句号。当时MapR重磅宣布,最近一个财季“业绩极差”,可能会被迫关闭公司,并将7月3日设定为寻找资金来源的最后期限,但随着该日期的到来,MapR只是表示“在战略交易方面取得了有意义的进展”。
MapR和Cloudera、Hortonworks是三家备受瞩目的初创公司,它们在大数据发展的早期阶段共筹集了15多亿美元资金。MapR首席执行官在2015年公开宣布首次公开募股计划,但客户迁移到云端的速度超出了预期,加上市场对Hadoop的整体兴趣减弱,导致这三家初创公司在积累了财富不久就陨落了。
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。