2020年10月23日,由知名云计算服务提供商UCloud(优刻得)主办的Think in Cloud(TIC)峰会在上海举办。宁畅信息产业(北京)有限公司(以下简称“宁畅”),作为UCloud定制服务器产品主要提供商之一,受邀参加本次大会。
图说:TIC2020峰会现场
UCloud成立于2012年3月,是基础云计算服务提供商,中立的云计算服务平台。目前UCloud已为上万家企业级客户在全球的业务提供云服务支持,行业涉及制造、零售、金融、游戏、直播等。
“UCloud对第一时间部署新架构服务器、智能运维,以及后期服务响应上要求很高。这就要求宁畅除提供定制化服务器外,做好服务、预研等内功,满足用户对定制服务器产品的全栈需求。”宁畅工程师说。
助云主机超前“上新”
作为云计算基础与核心产品的“云主机”承担了大部分计算任务,其性能和稳定性决定了云计算用户的体验。
为满足用户海量数据运算、高性能数据库、高并发网络集群等应用场景。UCloud云主机配置与性能不断升级,产品“更新换代”频率位于行业前列。
作为UCloud服务器产品主要供应商之一,宁畅团队依托15年行业积累,以及全产业链的“合作布局”可超前为用户规划、设计、研发基于新一代CPU、GPU架构的服务器产品。
“在新一代CPU、GPU产品未正式发售前,宁畅凭借与产业链伙伴的深入合作,可研制出采用新CPU架构并符合用户标准的可靠服务器。”宁畅工程师表示,这些预研产品使得用户可在新款CPU、GPU发售的第一时间,批量获得基于此的定制服务器,保证性能更佳的“云主机”及时“上新”。
图说:搭载A100GPU卡的宁畅人工智能服务器X640
宁畅工程师介绍,从预研产品到批量交付定制服务器,产品和研发团队往往只有一两周时间,这时可靠、先进的产品平台以及完善的质量体系,是保证及时交付产品的关键。
如UCloud采购量较大的宁畅双路R620系列服务器,就可提供IntelDCPMM、NVMe存储扩展,以及OCP网络扩展,依托QAT、VNNI等多种计算技术,以适配不同业务场景需求,此外R620已打破24项SPEC世界纪录,在相同配置下宁畅R620计算性能更佳,用户可获得额外算力满足业务需求。
图说:宁畅机架式服务器R620
定制“智能运维”标准接口
面对日益庞大的数据中心,以及海量的服务器产品,“智能运维”是云计算用户的不二选择,而定制并统一运维接口、标准是实现自动化、智能化运维的基础。
宁畅工程师介绍,在覆盖RedFish、IPMI、SNMP等多种管理协议,提供健康状态监控和报警功能基础上,通过深入BIOS和BMC接口与函数定制,宁畅服务器可满足云计算用户的“智能运维”统一标准需求,有效降低用户TCO(整体拥有成本)。
除可定制符合用户标准的运维接口与函数,对缺少大型数据中心智能运维技术的用户,宁畅可提供涵盖“全生命周期”管理服务的在线智能运维平台,为数据中心运维人员提供7×24小时的在线SAAS级服务。
图说:宁畅产品聚焦先进计算架构
除“智能运维”外,对后期定制服务器出现的问题,宁畅产品售后团队也可做到“随时响应”解决硬件层面突发情况。
如今,凭借过硬的技术实力以及全面的定制服务,宁畅服务器产品已中标涵盖搜索、视频、云计算等诸多互联网行业用户集采项目。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。