甲骨文在计费时向来只认处理器、不认核心数量,所以蓝色巨人决定把核心增加到三倍。
IBM悄然筹划着一款24核心的Power 10处理器,似乎是想让服务器能够以更加经济高效的方式运行Oracle数据库。
在12月13日的硬件公告中,蓝色巨人在Power S12014服务器的“总体方向声明”中正式披露了这款芯片:
IBM将发布一款用于IBM Power S1014系统(MTM 9105-41B)的高密度24核处理器,以改善应用程序环境对于Oracle数据库标准版2(SE2)许可模式的支持。新方案旨在将强大的计算吞吐量与IBM Power平台的卓越可靠性/可用性相结合,同时遵循Oracle Database Se2许可指南。
外媒要求IBM分享计划中CPU的更多详细信息,特别是为什么有必要专为SE2许可开发一款CPU。这家IT巨头并未做出回应,但从甲骨文对于SE2许可模式的描述已经基本能够找到答案。甲骨文公司在产品宣传中指出:
Oracle Database SE2许可支持最多双插槽服务器。考虑到双插槽服务器的核心数量会随时间推移而增加,因此我们不对核心数量做出限制,客户的许可义务也不会受此影响。使用Oracle Database SE2,无论插槽内的核心数量如何,客户的许可成本都将保持不变。
Power S1014是一款单插槽4U设备,IBM为其搭载的处理器模块包含四个或八个Power 10核心。
对于那些之前一直在使用单核服务器的Oralce加Power客户来说,此次跃升至24核意味着容量的显著提升,同时又不会带来额外的Oracle数据库使用成本。
IBM的决定不禁让人想到联想公司于2019年发布的ThinkSystem SR655服务器,这套单插槽设备配备的是64核AMD Epyc 7002处理器。联想非常重视多核设备,认为这是在VMware服务器虚拟化产品下运行大量虚拟机的好办法。这里抓住的,恰好是虚拟巨头按插槽计算产品许可,而不对核心数量做要求的规定。可以想见,在服务器处理器领域,很少有哪款产品能跟Epyc系列的核心数量相提并论。买家们也很喜欢这个思路,因为从理论上讲,64核芯片确实能用更少的处理器服务更多客户。
VMware显然不太喜欢这个空子,因此迅速变更了自家许可证,要求将CPU上超过32核心的部分作为额外插槽进行计费。
但IBM这次作法的不同之处,在于甲骨文SE2许可明确提到增加核心数量不会增加许可费用。而当初联想选用Epyc时,VMware的许可条款并没有这样的表述。
然而,甲骨文向来以最大程度压榨客户收益而臭名昭著。由于Power S1014在当初发布时并没有24核选项,所以这次一口气将核心数量增加到三倍可能会对SE2许可模式造成冲击,迫使甲骨文变更许可条款。
若IBM回应了关于芯片细节的置评请求,我们也将第一时间带来更新消息。
备注:SE2许可证并不提供对于全部Oracle数据库功能的访问权限。Oracle的EE许可才包含更多、更强大的功能访问许可。这也让IBM的声明定位有些奇怪:为什么要刻意为低端数据库提供更强大的CPU?答案可能要到IBM做出回应后才会揭晓……
好文章,需要你的鼓励
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。
这项研究提出了"思想家"(Thinker)任务,一种受人类双重加工理论启发的新型AI训练方法。研究者将问答过程分解为四个阶段:快速思考(严格预算下给出初步答案)、验证(评估初步答案)、慢速思考(深入分析修正错误)和总结(提炼关键步骤)。实验表明,该方法使Qwen2.5-1.5B模型的准确率从24.9%提升至27.9%,DeepSeek-R1-Qwen-1.5B模型从45.9%提升至49.8%。显著的是,仅使用快速思考模式就能达到26.8%的准确率,且消耗更少计算资源,证明了直觉与深度推理作为互补系统的培养价值。
这项由ELLIS研究所和马克斯·普朗克智能系统研究所的科学家进行的研究,揭示了大语言模型安全测试的根本规律:越狱攻击成功率由攻击者与目标模型间的能力差距决定。通过评估500多个攻击者-目标组合,研究团队发现:更强的模型是更好的攻击者;当目标能力超过攻击者时攻击成功率急剧下降;社会科学能力比STEM知识更能预测攻击成功。基于这些发现,研究者建立了预测模型,表明随着AI进步,人类红队测试可能逐渐失效,提示需要发展自动化安全评估方法及更全面地评估模型的说服和操纵能力。
华中科技大学和香港中文大学研究团队提出SATORI-R1,一种通过空间定位和可验证奖励增强多模态推理的新方法。该方法将视觉问答任务分解为图像描述、区域定位和答案预测三个可验证阶段,解决了自由形式推理中注意力分散和训练收敛慢的问题。实验证明,SATORI-R1在七个视觉问答基准上一致提升性能,最高达15.7%,并展示出更聚焦的视觉注意力和更低的训练方差。