代码贡献将协议压缩率提高两倍,并降低大容量遥测及人工智能驱动项目的带宽成本
西雅图 — 2023年9月25日 — F5(NASDAQ: FFIV)今日宣布将继续支持云原生计算基金会OpenTelemetry项目。这是一个开源框架,旨在通过提供用于检测、生成、收集和导出遥测数据(指标、日志和跟踪信息)的标准化工具合集,帮助 IT 团队更精准地分析其解决方案的性能和行为。在与ServiceNow的开发合作中,F5已贡献约40,000行代码,将OpenTelemetry协议的可压缩性提高一倍。此项创新可降低从数据中心、云和边缘位置向遥测平台传输数据的成本,在特定的数据工作负载下可降低一半之多。为更好理解这一贡献的规模,通常软件开发人员每年需编写10,000到25,000行代码,而平均每个开源项目则需编写约35,000行代码。
通过优化指标、日志和跟踪信息等遥测数据的收集、吸收和分析,企业将能够在不断变化的IT环境中更高效且出色地提供智能的自动化响应。例如,通过将用户和应用的登录和行为特征与典型的使用模式进行对比,遥测技术可帮助安全团队发现并阻止欺诈和恶意活动。通过利用全新改进的OpenTelemetry协议,客户将此类遥测数据从公有云导出到遥测聚合系统的相关遥测流量出口成本预计将减少50%。
F5项目负责人和杰出工程师Laurent Quérel表示,“现代网络解决方案、应用和用户在日常运行过程中会产生难以估量的海量数据,因此,想要以更加经济高效的方式为更多企业带来全面的遥测优势,协议压缩率至关重要。与过去的传统企业相比,如今的企业环境更适合于收集和分析数据,但仍在有效传输、集中化和标准化方面面临挑战,正是这些挑战成为了F5倾力投资OpenTelemetry项目的原因。通过将OpenTelemetry应用在F5的产品组合中,并持续与相关企业例如ServiceNow等共同参与领先的开源项目,我们见证了无数的成功用例,这些用例展示了如何借助性能评估、提高效率和增强取证功能,使应用更好地适应不断变化的运行环境,同时将客户成本降至最低。”
F5与ServiceNow云可观测性项目(ServiceNow Cloud Observability)合作,借助Apache Arrow的技术支持进一步优化OpenTelemetry协议,以显著提高处理速度并降低带宽成本,并合作推出了OpenTelemetry Arrow项目和参考实施指南。Apache Arrow是一项开源技术,可增强大数据、分析和机器学习能力,其提供的一套标准化方式来呈现结构化和半结构化数据,使其更具可操作性和可理解性。此外,Apache Arrow还支持高级遥测功能,可用于监控和分析数据流。
对许多企业而言,高效传输和处理遥测数据需要花费掉大部分的遥测管道成本。因此,实现遥测标准化尤为重要,因为为了实现充分的可观测性和人工智能驱动的分析,这需要统一从整个 IT 堆栈中获取数据点。在开源社区内开发和完善协议增强功能和标准,这为周边行业项目和解决方案基础设施提供了强大的生态系统,以满足特定企业和用户需求的定制功能。此外,该方法允许F5客户更清晰地了解影响其应用的直接因素,从而更好地分配IT资源,以便在未来进行战略性投资。
ServiceNow云可观测性项目(前身为 Lightstep)首席架构师Daniel “Spoons” Spoonhower表示,“当Lightstep与其他合作伙伴共同创立OpenTelemetry项目时,我们的目标是在开源社区中助力企业提高可见性而无需增加额外支出。通过与F5的紧密合作,我们将继续满足企业的需求,即以更低的成本传输更多的数据。”
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。