多云已经成为IT的新常态,其给企业带来了诸多好处,比如丰富的云服务可以带来快速的支持业务开发上线;自服务提供了简便的云消费方式,企业利用云服务也有巨大的扩展性;全球跨地域的高可能性等。
管理不同云的整体云支出、资源利用率以及应用性能、安全性与合规性可能会变得日益困难,还会导致超支、效率低下和风险增加。开发人员需要成本、性能、安全和配置数据来了解他们正在构建的应用的完整特性,而这些数据通常存在于不同的工具中。团队必须控制成本、确保性能,并在这些多样化的分布式环境中管理统一的安全策略。
在VMware Explore 2022上,VMware正式发布名为VMware Aria的多云管理产品组合,提供了一套用于管理基础架构和云原生应用成本、性能、配置与交付的端到端解决方案。
VMware Aria为云原生和多云管理带来了三个类别的新功能与扩展功能:CloudHealth驱动的VMware Aria Cost、VMware Aria Operations和VMware Aria Automation。
VMware大中华及东南亚区云平台技术总监李晓学表示,随着客户拥抱多云,更多的企业正在跨公有云和在边缘交付应用,并且他们越来越多地使用Kubernetes来管理和扩展他们的现代化应用和云原生应用。云上的应用越来越多,安全变得更加重要,从云混沌到云智能,多云管理的需求越发强烈。
VMware大中华及东南亚区云平台技术总监 李晓学
VMware Aria全新公有云管理功能的核心是VMware Aria Graph,这项基于图形的数据存储技术可以捕捉多云环境的资源和关系。VMware Aria Graph专门为应对云原生应用和环境的运营挑战而设计,能够提供一个近乎实时更新的单一数据来源。
VMware Aria Graph具有鲜明的特色:高度可扩展性——支持云原生环境;基于事件的采集——支持高变化率,可以支撑上亿个级别,甚至十亿个级别;联合和模块化架构——聚集来自任何来源的数据;统一的GraphQL API ——联邦数据平台,简化开发人员和运维团队的使用。
VMware Aria的图形数据存储和API服务使其能够与第三方解决方案(如可观察性和应用性能管理工具)无缝集成。在VMware Aria Graph中从原生公有云、本地云、VMware工具和第三方工具中收集并规范化的数据,丰富了客户现有的VMware vRealize、CloudHealth by VMware和VMware Tanzu Observability产品的运维、自动化和成本指标,除原生公有云之外,还为私有云/混合云带来应用感知管理。
VMware大中华和东南亚区云平台业务总监Mark Soo表示,不同于市面上的其他多云管理方案,VMware Aria专为多云设计,从云原生到应用环境出发,实现集成化的业务管理,为多云治理、跨云迁移和可执行的业务洞察提供了独特的价值。
VMware大中华和东南亚区云平台业务总监 Mark Soo
李晓学说,VMware Aria是平台化思维,以VMware Aria Hub为基础的VMware Aria提供管理整个多云环境的集中式视图和控制。“采用类似数据中台的概念,Aria可以进行数据整合、数据分析,通过API对外提供自动化的服务,这是Aria设计的巧妙之处。”
VMware Aria建立在VMware Aria Hub和VMware Aria Graph基础之上的三项全新的端到端管理服务:
VMware Aria Guardrails:采用一切皆为代码的方法,在多云环境中大规模地自动执行网络、安全、成本、性能和配置方面的云防护措施
VMware Aria Migration:搭配VMware HCX,通过自动评估、规划和执行,加速并简化多云迁移的过程
VMware Aria Business Insights:利用人工智能/机器学习(AI/ML)分析技术从全栈事件关联中发现相关的业务洞察
基于以上特性,VMware Aria能够提供跨云的统一应用视图,改变原有的转椅式管理模式,并可以集成已有工具和数据进行联邦管理,实现端到端的解决方案,一套平台可以解决自动化、运维、安全、合规、成本,代表了一种全新的统一云管理服务。
好文章,需要你的鼓励
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。
这篇研究论文揭示了多模态大语言模型(MLLMs)存在严重的模态偏差问题,即模型过度依赖文本信息而忽视图像等其他模态。研究团队通过理论分析和实验证明,这种偏差主要源于三个因素:数据集不平衡、模态骨干能力不对称以及训练目标设计不当。他们提出了系统的研究路线图和解决方案,包括增强视觉模态在数据集中的贡献、改变模型关注点和应用偏好优化策略。未来研究方向则包括开发更客观的评估指标、探索更多模态组合中的偏差问题以及应用可解释AI技术深入分析偏差机制。
ComfyMind是香港科技大学研究团队开发的一个协作式AI系统,旨在解决当前开源通用生成系统面临的稳定性和规划挑战。该系统基于ComfyUI平台,引入了两项关键创新:语义工作流接口(SWI)和带本地反馈执行的搜索树规划机制。SWI将低级节点图抽象为语义函数,而搜索树规划将生成过程视为分层决策任务。实验表明,ComfyMind在ComfyBench、GenEval和Reason-Edit三个基准测试中均大幅超越开源基线,并达到与GPT-Image-1相当的性能,为开源通用生成AI开辟了新路径。
这项研究介绍了一种名为"热带注意力"的新型注意力机制,专为解决神经网络在组合算法推理中的困境而设计。传统注意力机制使用softmax函数产生平滑的概率分布,无法精确捕捉组合算法所需的锐利决策边界。