VMware将与新的合作伙伴一起致力于推动一项名为“Certifier Framework for Confidential Computing”的开源项目,该项目旨在克服采用机密计算的一些最大障碍。
VMware目前正走在机密计算开发的最前沿。机密计算是指对正在处理中的数据进行加密的技术。尽管对于服务器中闲置的数据或通过网络传输的数据已经存在强加密,但在使用这些信息时没有任何东西可以保护这些数据。当应用需要访问数据时,信息必须解密为原始的、可读的形式,这意味着在处理信息时特别容易受到黑客的攻击。
机密计算旨在改变这一现状。它基于一种被称为“可信执行环境”的新兴处理器概念,当数据部署在可能由第三方运营的云基础设施或者是边缘服务器的时候,它能够保持数据的机密性和完整性。
通过Certifier Framework for Confidential Computing,VMware和其他芯片制造商的目标是实现易于使用的、独立于平台的应用编程接口标准化,以构建和运行机密计算应用。这个框架让开发人员可以更轻松地创建隐私保护应用,包括基于多个来源聚合的敏感信息的机器学习和数据经济工作负载。VMware表示,该框架为创建和执行保护第三方服务器基础设施(包括公有云、主权云和边缘环境)工作负载所需的信任策略提供了独立于平台的支持。
这些合作伙伴预计,他们在该框架方面的工作最终将通过在x86、Arm和RISC-V处理器架构上实现机密计算而使整个计算行业受益。
VMware表示,有充分的理由希望加速机密计算的发展,因为数据加密对于多云部署至关重要。VMware 表示,出于安全考虑,许多企业工作负载无法运行在云中。此外,机密计算可以在保护人工智能和机器学习新应用中使用知识产权和专有数据方面发挥关键作用。 VMware公司首席技术官Kit Colbert表示,机密计算显然是市场需要的,但除非开发人员能够更轻松地构建此类应用,否则机密计算不会被广泛采用。
他解释说:“机密计算有潜力保护工作负载,无论是在哪里运行,包括在多云和边缘环境中,但挑战在于如何帮助客户轻松地采用和实施该标准。Certifier Framework框架不断发展的贡献者生态系统所做出的集体努力,将有助于为ISV、企业客户和主权云提供商带来这些好处,让他们能够更轻松、更有效地使用这一新兴技术。”
Constellation Research分析师Holger Mueller认为,看到VMWare率先推广机密计算是令人鼓舞的,因为VMware是虚拟机领域的行业领导者,为绝大多数应用工作负载提供了动力。Mueller表示:“VMware正在招募AMD、三星和RISC-V厂商等合作伙伴,以确保硬件级别的虚拟化工作负载是安全的。这对企业来说非常重要。随着越来越多的工作负载转移到云端,他们需要一种更好的方法来保护这些工作负载,而机密计算可以做到这一点,可以在恰当的设备上安全可靠地运行恰当的应用。”
VMware于近日在美国旧金山举行的2023年机密计算峰会上公布了这一新的合作伙伴关系,并在大会上展示了许多涉及机密机器学习应用的技术演示。
AMD公司数据中心生态系统和解决方案公司副总裁Raghu Nambiar表示:“与VMware等行业合作伙伴合作,这对于加速采用机密计算和保护云中工作负载来说是至关重要的。无论组织的规模或技术复杂程度如何,或者工作负载部署在何处,Certifier Framework都将帮助更多客户从机密计算中受益。”
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。