Acronis公司今天宣布正式发布Acronis True Imagefor Mac的消息。这是唯一一款针对Mac电脑提供双重保护的全系统映像备份的解决方案。新的解决方案首次为离开本地附加存储的MacBook用户,提供完整的保护,也为所有的Mac用户提供了双重保护。该款新产品的问世,标志着Acronis屡获奖项且市场领先的个人备份和恢复技术现已适用于苹果Mac环境。Acronis安全和完整的新一代数据保护解决方案的受益者也从Windows用户扩展到了OS X用户。
双重保护已然成为了一种必须的数据保护方式,让用户能够将他们的数据同时备份和存储在本地和Acronis云,为他们提供称心如意的数据保护,方便他们能够随时随地的访问自己的数字生活。不同于其他的解决方案,Acronis True Imagefor Mac能够提供整个系统、应用程序、用户数据和设置的完整复制,支持本地和在线备份。确保在系统问题、故障或硬盘驱动器故障的情况下能够帮助用户进行有效和可靠的恢复。
Acronis True ImageMac还独家支持在运行状态下备份和恢复Parallels桌面虚拟机,确保用户可以轻松地像恢复所有Windows应用程序、文档和设置一样,恢复其整个系统。
“全新的Acronis True Imagefor Mac为在Mac电脑上运行Windows环境的Parallels Desktop 9用户带来了一个全新水平的支持,并给了他们无与伦比的数据保护。”Parallels的首席执行官BirgerSteen说。
“现如今已经有51%的美国家庭在使用Mac操作系统,我们一直致力于将Acronis在Windows PC市场领先的完整保护解决方案也提供给广大的苹果Mac用户,方便他们能够在家里和在Acronis云中享受同样的数字化生活。我们非常高兴今天宣布这款新产品的上市。”Acronis公司全球消费者业务高级副总裁兼总经理Nat Maple说,。“Acronis True Imagefor Mac的推出,使得我们成为为苹果电脑用户提供领先的全系统映像备份与双重保护的供应商。”
Acronis True Image forMac的功能:
●全系统映像备份和恢复,包括本地备份和Acronis云备份
●能够恢复一个完整的Mac图像或根据用户需要只恢复特定的文件或文件夹
●先进的Parallels桌面插件支持,能够在Parallels机运行状态下备份和恢复
●智能备份调度包括自动备份
●个人密钥加密数据,以保护隐私
●恢复媒体创作
●版本备份和增量备份
●专为Mac OS X用户设计的独特而熟悉的用户界面
Acronis True Imagefor Mac可以满足用户自定义的需求,包括允许用户自行决定数据存储的位置:本地或Acronis云。Acronis True Imagefor Mac特别支持运行在ParallelsDesktop上的Windows虚拟机的备份功能,即使虚拟机处于运行状态下,也能够确保对所有数据的完全备份。Acronis True Imagefor Mac是专为运行OS X Mountain Lion 10.8 或 Mavericks 10.9系统的用户设计的。
Acronis True Image forMac也可将苹果时间胶囊(TimeCapsule)设备作为一种可选的存储目的地,其结合了两种方案的优点。
随着这一新产品的推出,Acronis AnyData Engine将能够为Mac电脑提供完整的数据保护,确保从任何灾难中实现安全自动的Mac恢复。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。