近日,擅长帮助企业运用开源软件的SUSE,开始为Ceph开源项目贡献openATTIC存储管理框架方面的人力、概念和基础架构,目的是将其转变为Ceph新的默认内置仪表板,并用于管理和监控Ceph软件定义存储平台。SUSE将继续提供核心管理专长和开发人员,推进Ceph内部仪表板的功能开发,为所有用户简化管理。
曾是openATTIC团队创始成员、现任SUSE openATTIC和Ceph仪表板的工程团队主管Lenz Grimmer表示:“SUSE先从上游项目入手,因为这样通常可以为邻近的下游企业用户带来更好的结果。我们在为社区做贡献的同时也积极利用来自社区的创新,通过影响上游来满足我们的客户以及其他开源提供者的客户需求,这是我们交付企业级解决方案的基石。我们知道,openATTIC为Ceph贡献的资产、时间和精力将从一开始改善客户的体验和效率。我们期待未来发布的版本能够进一步增强Ceph仪表板,同时也鼓励其他贡献者和我们携手为这项工作提供支持。”
Ceph项目首席设计师Sage Weil表示:“将openATTIC提供的概念和功能纳入上游Ceph项目将为Ceph带来更强大的管理能力,并有助于扩大Ceph在企业中的应用,因为它将变得 更友好和易于管理。将我们的工作与上游Ceph整合,类似这样的开源社区协作已成为当今计算世界一个关键的创新推动因素。”
新的改进型仪表板将率先应用于Mimic版Ceph,将为项目用户尤其是缺乏深度命令行经验的用户大幅简化Ceph存储平台的管理和监控。作为主要的代码和人力资源贡献者,SUSE特别为这个项目组建了一支专职团队。
451 Research存储技术高级分析师Steven Hill表示:“虽然Ceph具备新一代企业级存储平台所应当具备的所有灵活性和功能性,但现代存储面临的真正挑战来自如何简化它的管理。利用openATTIC提供的概念和功能打造默认管理和监控环境,这样有助于提高Ceph相对于其他企业级存储方案的竞争力,并且为今后的提升和发展提供一个通用平台。”
SUSE Enterprise Storage是一款采用Ceph技术开发而成的智能的软件定义式存储解决方案,openATTIC管理框架目前属于SUSE Enterprise Storage的一部分。openATTIC管理框架让机构能够彻底革新自己的企业级存储基础架构,利用行业标准的通用服务器和磁盘,构建性价比高、扩展能力强而又十分灵活的存储解决方案,从而无缝适应不断变化的数据和业务需求。
IRIS Professional Solutions负责混合云解决方案与服务交付总监Geert Reynaerts表示:“作为服务提供商,我们需要运行平稳且安全的技术。SUSE Enterprise Storage能够在满足行业标准的商用硬件上快速提供便于管理且极具扩展性的统一块、文件和对象存储,而openATTIC这样的附加工具与SUSE提供的方法和专业支持相结合,有助于实现SUSE Enterprise Storage的顺利部署并简化它的管理。这使得IRIS Professional Solutions能够提供价格经济、性能完善的企业级海量存储服务。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
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。