全新VMware Tanzu平台增强功能、Spring连同Spring AI、Spring Boot 3.2和Data Services,推动新一代现代化应用发展
中国北京,2023年11月8日—— VMware(NYSE: VMW)今天发布领先的Java开发框架——Spring的最新更新,以及VMware Tanzu Platforms、VMware Tanzu Data Services 和 VMware Tanzu Intelligence Services 增强功能,帮助团队更加快速、经济高效且安全地开发、运营和优化性能更强大的应用。
软件开发团队身处业务创新的最前沿,他们所构建的现代化应用推动企业市场份额和收入的增加。但要快速交付集成AI和机器学习等前沿技术的应用,往往需要学习新工具、平台,并掌握更多技能。即便越来越多的软件交付职责“左移”,这些要求也会使交付过程变得复杂。生成式AI将继续重塑各个行业,为所有企业带来巨大的机遇。
VMware 高级副总裁兼现代应用和管理业务集团总经理 Purnima Padmanabhan 表示: “如今,创新速度已成为企业在竞争中脱颖而出的关键。新一代应用的价值将通过机器学习、AI等新功能以及跨任何云的可扩展性得到提升。几十年来,我们一直致力于为开发人员提供优秀的工具和体验。今年正值Spring诞生 20周年,我们的最新增强功能以及与Tanzu Platform的深度集成支持应用团队能够在新应用中充分利用AI等更多前沿技术,并且快速、安全且更有保障地将这些应用用于生产。”
通过VMware Tanzu Application Platform实现现代化数据集成和创新
现代化应用的开发和交付日益复杂,给企业造成了太多“孤岛”、低效与风险。VMware Tanzu简化底层基础架构的体验、安全性、工具、内容和数据服务以及开发人员体验,使应用和基础架构团队可以更好地开展协作,安全且大规模地向任何地点的任何云交付更高质量的应用。VMware Tanzu 在其应用平台产品中推出了以下增强功能,帮助开发人员和平台团队通过软件交付业务成果:
Spring增强功能通过AI和应用安全为开发人员提供支持
今年是最常用的Java开发框架——Spring诞生20周年,也是Spring Boot诞生10周年。Spring Boot连续五年同比增长50%1。通过 Spring,开发人员可以将创新功能集成到熟悉的Spring体验中,从而简化构建新一代应用的路径,在日新月异的技术变革中保持领先。
今天的更新旨在提升应用性能,降低成本和提高安全性,以适应云容器和无服务器等现代化运营模式,包括:
Tanzu Data Services集成机器学习(ML)和AI功能,并简化数据机群管理
数据服务(包括消息传递、缓存、处理和数据库等)是现代化应用架构驱动跨任何云的下一代工作负载所不可或缺的。Tanzu Data Services增强功能增加了新的ML/AI 功能,提高并优化了性能,实现了管理的精简化,包括:
Tanzu Intelligence Services实现主动治理和持续优化
在VMware Explore 2023 Las Vegas 大会上首次推出的Tanzu Intelligence Services帮助企业洞察、持续改进和主动治理其应用和云相关的成本、性能与安全问题,通过近乎实时的策略来适应不断变化的业务需求。新功能包括:
Tanzu平台内的功能将继续被集成到通用控制平面 VMware Tanzu Hub 中。今天,我们将发布Tanzu Hub的增强功能,包括全新的用户体验和导航;来自 Tanzu Insights 的集成可观察性解决方案;来自 VMware Tanzu Transformer 的迁移规划和评估;来自 Tanzu CloudHealth 的成本报告,包括云智能摘要、成本历史记录、合理调整和异常检测;以及 Tanzu中的智能辅助功能增强为除了环境清单外,还可搜索第三方文档等外部来源,以便更好地诊断和解决跨环境的问题。
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。
大模型时代,玛丽·米克尔(Mary Meeker)的名字可能大家不一定熟悉,但是在互联网时代,这位被可被誉为“互联网女皇”的。她是美国风险投资家和前华尔街证券分析师,专注于互联网及新兴技术领域。玛丽·米克尔(Mary Meeker)发了一份340页的《人工智能趋势报告》,粗粗看了一下,并没有非常轰动的观点,但是数据比较全面
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。