“宏杉科技发布MOSS最新软件版本”
这是在对超级量子计算机MOSS进行产品升级?
MOSS真的走出了科幻电影,成为现实了吗?
MOSS有哪些形态?
在电影《流浪地球》中,MOSS是一款拥有自主意识的超级计算机。它坚定执行着延续人类文明的使命,能在最短的时间内做出最正确的决定,是趋于完美的智慧体。
当电影照进现实,近日,复旦大学推出一款名为“MOSS”的对话式大型语言模型,与ChatGTP类似,MOSS可以帮助人类完成自然语言处理领域的绝大部分任务,包括机器翻译、信息抽取、纠错等,甚至可以在学习使用外部工具后,与外部世界进行交互、创作。
你以为这就是MOSS的所有形态吗?其实早在2018年,宏杉科技就已发布了MOSS“超级分布式对象存储”,它拥有海纳数据力,能够完成超大规模的横向扩展、实现对海量对象数据的高效管理。
而本次宏杉科技针对MOSS发布的最新软件版本,分别从数据安全、存储成本、数据管理等层面对MOSS进行了全方位优化。
强化海纳数据力与数据保护力
随着产业数字化进程的加快,海量数据存储与数据安全成为重要议题。万象MC27000-MOSS(下文简称“万象”)新版本软件通过对锁功能、多存储池、双活、压缩等功能进行更新,进一步帮助用户高效利用存储空间、保护数据安全。
01超级锁功能,有效防止数据篡改
在全新的万象MOSS系统中,对象将拥有三种锁功能状态,全面保护用户数据安全:
(1)未开启锁功能时,对象处于未保护状态:对象允许被修改和删除,对象可读。
(2)开启锁功能后,对象处于保护状态:对象不允许被修改和删除,对象仍可读。
(3)超出锁功能有效期以后,对象处于保护过期状态:对象不允许被修改,但可被删除;同时,对象可读。
此外,锁功能除了支持基于桶设置外,还支持对对象设置锁功能保护期,用户可按需配置不同对象保护期,配置更灵活,更贴合实际业务需求。
02多存储池功能,支持多维度扩容、故障隔离,为数据筑就安全堡垒
万象支持多存储池功能,客户可基于不同存储介质创建多个存储池。不同存储池可以按需配置独立的冗余策略,支持多维度扩容,满足不同扩容需求。该功能在满足用户多样化需求的同时,亦可解决故障域过大问题,真正实现资源隔离、故障隔离。
03支持桶级别双活,实现跨数据中心级可靠
新版本能够为用户提供更安全的对象存储双活解决方案,实现桶级别双活,配置更灵活。当任一站点故障,对端站点将自动接管业务,保障业务连续性,实现跨数据中心级可靠。
04压缩功能,节约50%以上存储空间
新版本采用数据“无损压缩”的存储方式,支持多种压缩算法。新版本可以在确保数据不丢失的前提下,通过压缩算法对数据进行重新组织,节约50%以上存储空间,降低用户TCO。
重视数字资产,提高数据管理力
万象新增桶策略、桶清单、桶通知、桶日志等功能,用户可对存储数据实行精细化管理,进一步盘活数字资产。
01桶策略,权限配置更高效
桶策略完善了万象权限管理机制,可以给账户和IAM用户赋权,提供多种桶策略配置模板,管理粒度更精细,并且支持批量赋权,大大提升了权限管理效率。
02桶清单,快速掌控数据资产状态
新增的桶清单功能能够帮助用户高效管理桶中对象。系统将根据用户选择特定对象数据,定期生成相关信息文件,帮助客户快速掌握对象数据大小、类别、保护期等状态,实现对相关业务工作流程及大数据作业的简化与增效。
03桶通知,即时推送数据变动讯息
面对快速增长的数据,如何快速感知桶内对象数据的状态变化?桶通知功能提供了极佳的解决方案:该功能可按用户的实际需求,向订阅终端主动推送消息,帮助用户及时掌握桶内发生的操作变动;在提高提升数据处理效率的同时,还可及时发现病毒文件并防止传播,有效保护用户的数据资产安全。
04桶日志,为日志审计与数据分析提供记录支持
桶日志功能可用于请求分析或日志审计,支持自动保存桶的访问日志。用户可以通过访问日志文件,深入分析访问该桶的用户请求性质、类型或趋势,高效盘活数据资产。
近期,宏杉科技万象MC27000-MOSS已完成全面升级,从数据安全、数据管理、便捷运维等多个维度出发,让数据资产存有所用、用有所值,助力千行百业的数字化转型。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。