从人工智能、大数据、物联网等技术带来的海量数据,到数据本地落地的合规要求,云在外部变化的驱动下也在发生显著的变化。过去两年来,行业数字化转型对于分布式云的需求日益凸显,“大集中式”的云建设层出不穷,越来越多企业认识到,只有在架构、代码、接口等层面实现全面统一的分布式云,才能让数据的流转、业务的创新效率更进一步,真正释放出云计算在数字化转型中的价值。
在分布式云的建设上,分布式节点是不容忽视的一部分。而在分布式节点的数字基础设施选择上,超融合架构以强大的性能、简化的管理以及可控的总体成本,成为了数字化平台建设的理想之选。日前,紫光股份旗下新华三集团更带来了新一代超融合UIS 8.0,在紫光云全面推出新一代分布式云的大背景下,UIS 8.0成为了分布式节点的“最优解”,更是驱动紫光云加速创新和迭代的全新引擎。
超融合:为引领分布式云变革而生
在新华三集团看来,“分布式云”不是一个简单的概念,而是一项涉及算力、存储、数据库乃至应用的全面改造的系统性工程。在这一过程中,分布式节点就像是分布式云的四肢,不仅需要感知信息和数据,更要承担“大脑”发出的指令,节点侧的创新在极大程度上影响着分布式云的整体性能。
从过去的多云管理平台,到同构混合云,再到分布式云,紫光云在日积月累中逐步实现了技术、架构、应用以及运维运营上的全面统一,让用户在不同节点上获得一致的体验。与此同时,紫光云也借助向分布式云的转型,为云原生理念的应用营造了一个良好的底座和平台,让容器、微服务、应用等可以在更广泛、更深层次上实现统一管理和调度,更好地发挥云计算弹性和分布式的优势和价值。
但在节点侧,紫光云又该如何让这种更具价值的分布式云延伸到百行百而言的场景中去呢?全新的UIS 8.0成为了这一问题的最好回应。过去十年,伴随着底层算法和架构的持续更新,UIS超融合也实现了持续的进化,肩负起了“公有云的入口”、“私有云的基石”、“边缘云的中心”的重要使命。
UIS 8.0:分布式云的价值之选
面对分布式云的新需求、新标准,新华三集团以市场和客户导向为驱动,以前沿技术实现了超融合在性能、智能体验、适用性等方面的全面升级,推出了新一代的UIS 8.0。这一超融合的“新世代”产品集合了“DPU即超融合、云原生内核、全无损存储”三大架构创新,实现了核心技术、业务连续性、智算能力、云边融合以及解决方案五大能力升级,提升了超融合系统本身的创新性、实用性、易用性。
对于分布式云的创新而言,UIS 8.0一方面从形态上全面升级,自研的赤霄智能加速卡实现了计算、存储、网络、安全组件的高度集成,开创了“一张智能加速卡就是一个完整的超融合系统”的全新形态,大大简化了分布式节点的部署;另一方面,UIS8.0更顺应云原生的创新趋势,将以虚拟化为核心的传统超融合内核,升级为以安全容器为核心的全新云原生内核,提供对沙箱容器和多状态业务的支持,并在最底层操作系统层面,实现容器、虚拟机和裸金属服务器的统一运行态。同时,云原生超融合内核中更内置了全无损网络,从而可以进一步优化分布式云的性能表现。
与此同时,UIS 8.0五大能力升级中的云边融合更为用户提供了ROBO管理平台、混合云备份、边缘容器、云边协同等一系列创新能力,从而让UIS 8.0更适合分布式节点的部署和应用,真正成为分布式云的“价值之选”。
云边协同,在实践中印证价值
伴随着分布式云在百行百业中的普及,新华三集团的UIS超融合也在这一过程中打造出了众多具备参考价值的应用案例。比如,在刚刚过去的一段时间内,UIS超融合就成为了众多方舱医院分布式云建设的首选。在智能边缘云引擎的加持下,UIS超融合在北向与云端对接,南向与设备联接,支持设备管理、云边协同等诸多业务。同时,UIS还可提供传统虚拟化、容器、Serverless等云原生能力,资源占用仅为云端的十分之一,并支持应用协同、数据协同、服务协同和资源协同四大云边协同能力。利用云边统一架构的优势,UIS将能力延伸到边缘,全面助力多地方舱医院数据中心快速开局,并以高效的信息资源利用率、高度的业务可靠性保障,实现了方舱医院系统的良好运行。
面对分布式云逐渐普及的当下,新华三集团全面整合了超融合、桌面云、虚拟化、数据库以及存储等各个层面的创新,将这些能力集成为云平台的组件,以需求为导向提供公有云、私有云、边缘云等全方位解决方案。未来,新华三仍将在“云智原生”战略的指引下,推动超融合在云化转型中的智能进化,以更贴合场景需求的超融合系统,加速百行百业的数字化变革进程。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。