下一代数据中心基础架构解决方案提供商Nutanix公司日前宣布推出一个全面计划,为虚拟桌面基础设施(VDI)管理交付简捷性和可预测性。该解决方案是业界首创也是唯一一款VDI高性价比解决方案,Nutanix客户可藉此为每个桌面购买先进的网络规模基础设施,并降低其VDI投资风险。
购买用于VDI的传统服务器和存储设施非常复杂,而且如果大小或设计不合理,还会对用户体验造成伤害。因此,业界已经开始试验DaaS(桌面即服务)方案,旨在实现更强的可预测性,同时关注实际的终端用户桌面体验。很遗憾,这些基于云的方案难以满足本地部署方案的安全性和长期总拥有成本(TCO)需求。Nutanix Per Desktop Program助力企业以可预测的公共云服务方式购买并部署桌面基础设施。这种方式实现了最低的长期成本,并且保留了本地部署的控制与管理优势。
作为此次全新方案的一部分,Nutanix提供VDI Assurance以确保每个虚拟桌面都能接收足够的服务器和存储资源,从而交付始终如一的高品质体验。VDI管理人员无需费力估算CPU、内存和存储资源,这些数据往往在整个项目过程中会随不同用户配置文件而发生明显波动和意外变化。IT管理人员现可轻松确定其环境中VDI用户的类型和数量,并将评估基础设施需求的风险交给Nutanix。Nutanix推出该方案实行了基于每个桌面的VDI采购形式,从而简化了虚拟桌面项目,为IT管理人员带来100%的性能和成本上的可预测性。
该方案可最大限度地支持广泛的VDI用户配置,例如设备, 任务, 知识和超级用户,以确保企业精确支付其用户所需的资源。该方案可用于基于VMware Horizon或 Citrix XenDesktop的VDI项目,最少150个桌面,可无缝扩展到10,000或更多桌面。Nutanix此款方案可明确支持真实的VDI图像并可确保基础设施资源,因而赋予IT团队长期保持虚拟桌面最低成本的能力。
对于预算宽裕且部署灵活的企业,Nutanix制定基于时间的Per Desktop购买方案。因此,企业可轻松获得所需的基础设施,但是只需支付与所用时间相对应的费用。之前只有公共云方案可用的长期或定时消耗模式,现在企业也可用以支持任何VDI项目。
美国加州圣马特奥市首席信息官(CIO)Jon Walton谈到:“Nutanix推出的此款全新保障计划,可满足巨大的市场需求。IT团队一般都了解购买和支持传统PC的成本,本解决方案可轻松预测VDI项目。Nutanix在交付的技术和商业模式上持续创新,成为虚拟计算平台VDI的理想选择。”
借助荣获大奖的Nutanix Prism架构,Nutanix交付一系列强大的VDI优化,包括MapReduce除重, VMCaliber快照与压缩, 影子克隆以及简捷的一键式管理性。通过集成易管理性,丰富的技术功能和VDI Per Desktop Program,Nutanix已再次印证了它是任意规模VDI部署的最佳选择。
Nutanix全球销售与业务部门高级副总裁Sudheesh Nair说到:“不准确的测算、不充分的资源以及较高的TCO持续为运行在传统数据中心基础设施上的VDI项目带来挑战。我们深思熟虑,仔细分析问题,从而提出了一个全新的采购模式,这将颠覆VDI市场,为客户降低风险。借助VDI Per Desktop Program,我们的客户可以像他们购买微软、思科和VMware等企业的软件一样,购买桌面基础设施。”
Nutanix正在Citrix Synergy 2014大会上展示其解决方案
Nutanix现正于5月6日至8日期间在美国安那罕会展中心举行的Citrix Synergy 2014大会300号展位上展示其VDI解决方案。届时,Nutanix技术专家将亲临现场讲述面向XenDesktop和XenApp的VDI Assurance Program 和 Citrix Validated Solution。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。