5月16-20日,CNCF年度旗舰峰会KubeCon+CloudNativeCon Europe 2022在西班牙瓦伦西亚及线上同步举行。会上,华为与来自全球的云原生开发者共论持续通过云原生技术创新加速全球数字化转型,通过主题演讲、展览等为全球的云原生开发者分享华为开源项目的最新进展及在各行各业的成功应用。
华为首席战略官、CNCF理事会成员Bryan Che在以创新持续探索云原生边界为题的主题演讲中表示:“在华为,我们一直在努力延伸云原生的边界,将云原生推向更广阔的领域,推向比以往任何时候都更广泛的规模,以及运行AI和机器学习等更高级别的工作负载。而且,我们一直在与其他公司合作,以扩大云原生社区。”
主题演讲:Exploring the Frontier of Cloud Native
大会上,华为专家也分享了KubeEdge、MindSpore在卫星增量学习场景中的应用。近地轨道卫星(LEO)是近年的热门话题之一,华为云研发的智能边缘计算平台KubeEdge成功地将云原生带入了太空。通过几颗配备KubeEdge的小型研究卫星,在宇宙深处试验了人工智能的边缘计算。将云原生边缘机器学习套件 KubeEdge Sedna 与 TinyMS(一个用于MindSpore深度学习框架的高级API工具包)结合起来,使卫星能够进行增量学习,以完成遥感和地球观测等任务。
KubeCon+CloudNativeCon Europe 2022华为展区
事实上,华为对于云原生开源社区的重视与支持由来已久。2015年,华为作为创始会员之一,与Google、RedHat、IBM等企业共同发起并创立CNCF,华为在CNCF社区的代码贡献量亚洲第一。华为持续将积累的云原生能力开放给业界,陆续向CNCF捐献多个开源项目,包括批量计算项目Volcano、智能边缘项目KubeEdge、多云容器编排项目 Karmada。其中, KubeEdge于2020年9月16日正式晋级为CNCF孵化项目;Volcano于2022年4月7日正式晋级为CNCF孵化项目。
KubeEdge目前对于固定边缘场景已经支持良好,正在增强对可移动边缘的支持。并进一步应用在卫星、汽车、能源等场景。机器人、云原生车等成为新的应用研究方向。新增DMI、节点分组、动态中继、EdgeMesh等新特性。Volcano目前在互联网、金融、能源、生命科学、交通等行业都已经有成功应用,其关键特性包括Spark on Kubernetes默认调度引擎、支持CPU Numa感知、支持GPU虚拟化、支持GPU Numa感知、支持Gang Scheduling等高级调度算法集、支持基于应用感知的调度、支持作业弹性伸缩管理等。Karmada致力于满足多集群管理、多集群CICD、应用跨域部署/地域亲和、多集群服务治理、集群容灾/故障迁移、多集群应用弹性伸缩等场景的应用,目前已可以支持30万节点100集群规模。
经过全球众多组织、企业和开发者的共同努力,云原生技术得到快速的发展。Gartner预测:2025年基于云原生平台的数字化业务比例将达到95%。华为云正是洞察到这个必然的发展趋势,早在2020年底,华为云即率先提出“云原生2.0”。云原生已经成为企业实现高质高效数字化转型的必然选择。任何企业都能通过云原生化成为新云原生企业。华为在云原生领域持续投入与创新也得到来自各行各业客户的信赖,华为云连续三次蝉联中国容器市场份额第一。让我们一起加入到云原生技术蓬勃创新和应用的浪潮中,共同加速迈入智能世界。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。