近日,GlobalData公布最新的全球私有云解决方案评估报告,浪潮云海OS在全球同类产品中晋升为最高“Leader”评级,超过Cisco CloudCenter Suite、Oracle Cloud at Customer和VMware vCloud Suite。
GlobalData是全球权威咨询公司,40多年来持续为IT、通信、金融、医疗等领域输出客观的行业研究、厂商研究报告,其报告多次被英国金融时报、彭博社、华尔街日报等全球主流新闻机构引用。
GlobalData针对私有云平台的评估体系包括软件、硬件、管理、服务、兼容性五大方面,综合上述五个方面的表现得出该产品的整体性能评级,“Leader”为最高级。GlobalData的测评结果显示,浪潮在整体以及软件环境、硬件环境和管理环境三个细分项中,评级均为“Leader”,成绩全面领先其他厂商。这是继2019年浪潮云海获得“Very Strong”评级后,在短短一年时间内评级再度提升,展现出浪潮对私有云领域的持续技术投入和创新力。
对人工智能、大数据、边缘计算等新兴技术的集成与融合,进而形成云融数智的全栈能力,是浪潮云海OS获得“Leader”评级的核心原因之一。目前,云海OS具备最广泛的异构计算、网络、存储资源的池化能力,可实现X86、ARM、MIPS、Power等多类型通用芯片及GPU、FPGA等不同协处理器的统一调度管理,同时通过虚拟机、裸机或容器环境的构建,以软件定义实现跨技术平台的云环境灵活切换,从而满足不同业务场景对IT资源的个性需求。
与此同时,强大的多云和混合云管理功能也是浪潮云海OS获得私有云平台最高评级的另一重要原因。浪潮云海OS通过InCloud Manager实现了强大且完善的数字基础设施管理功能,包括完整的堆栈服务管理、精细化运营管理、增强的混合云管理、协作的云边管理、自动化管理、多云(OpenStack/K8S/边缘云)管理、跨云迁移等,可以帮助客户轻松管理日趋复杂多变的云环境。与此同时,云海OS也可提供丰富的AI全堆栈服务,从AI资源池化、AI训练环境构建、AI推理部署到AIOps自动化管理等层面提供完整的AI资源调度和管理服务。
GlobalData分析师认为,“浪潮云海OS是‘交钥匙’的私有云解决方案,提供了一系列必要且完整的软件堆栈,具备显而易见的市场竞争优势。未来,浪潮云海OS可能受益于浪潮对边缘计算基础设施的持续投资,边缘计算可优化组织的核心私有云部署。”浪潮最近的一项边缘举措包括在2020年5月推出一种新的边缘计算服务器NE5250,用于计算密集型人工智能(AI)应用程序,包括自动驾驶汽车、智慧城市和智慧家庭。
浪潮云海OS得到数以千计全球客户的广泛认可与高度评价,也有力证明了浪潮云海OS的领导地位。目前,浪潮已在政府、能源、电信、环保、教育、企业等多个行业,累计拥有8500+行业用户。在广电行业,浪潮设计实施中国最大的广电云平台,单一集群规模超过1000节点、总规模近1500节点,在OpenStack实现大规模集群部署上做出了重要的探索和突破;在金融行业,浪潮实施了国内最大规模基于OpenStack部署的金融生产云,创新实现互联网金融业务与OpenStack开源云平台的深度结合;在大型企业市场,浪潮为国内某企业成功构建基于OpenStack的CI/CD持续集成环境,实现开发、运维、GPU加速处理与大规模并行计算的融合。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。