当然,除了Amazon云自身
对象存储初创企业Cloudian公司表示其拥有傲视一切对象存储供应商的S3兼容性表现,而这种能力真的、真的非常重要。
我们就此与Cloudian公司销售副总裁Jon Ash进行了交流,探讨为何这种兼容性如此重要。
首先,需要指出的是Amazon S3并不具备行业标准,因此尚未一套规范性的S3认证流程。有鉴于此,Ash表示:
根据他的说法,S3 API拥有众多组成要素。Cloudian公司以原生方式实现完整API集成,而大多数——甚至是全部——其它供应商都需要使用S3连接器机制以模拟这种效果。Ash表示:“这套规范一直在频繁更新及改进,这使得其它无法以原生方式使用该API的厂商很难与之同步更新并保持稳定。”
Ash向我们展示了以下四个具体实例。
首先是V4SIG,其是由AWS方面于2014年1月发布的最新安全控制方案,各应用程序需要在其管理下方能与S3进行交互。
V4SIG支持已经成为全部AWS新分区的必要前提,Ash指出,而且“目前Cloudian公司是惟一一家支持V4SIG的对象存储厂商。”
第二点在于服务器端加密,其允许数据利用客户提供的密钥以加密方式存储于S3当中。这项机制能够显著提升安全性水平,而加密数据的内容亦无法被其他系统用户或者管理员所查看。AWS自2011年起提供这种能力,而Cloudian则旋即于2012年实现同等功能——但目前Swftstack、Scality乃至Cleversafe都无法提供这种完整的S3兼容性,Ash解释称。
他列举的第三个实例在于对象版本控制。其允许用户“拥有多套副本,从而保证关键性协作以及向旧有副本回滚的能力。”这项功能早在2010年即登陆AWS平台,并于2011年在Cloudian方案中实现。但截至目前其“仍然未能在Swiftstack、Caringo乃至Cleversafe方案中实现——而Scality也只能实现部分支持。”
第四项实例在于跨区域复制。这“允许跨区域镜像克隆是实现灾难恢复功能的关键所在; 2015年3月起AWS就开始提供这项功能,其亦可利用我们的Cloudian最新版本实现,但目前还没有任何其它对象存储供应商提供这项功能。”
Ash表示,Cloudian公司亦与多家使用S3连接器机制的供应商协作,其中包括Veritas与Avere。其产品所提供的内部存储方案还能够作为Amazon云中的另一存储层。其在本地保留“存根”,意味着由AWS掌握的对象仍将存在于Cloudian的对象空间当中。“没有其它厂商拥有这样的能力,”Ash宣称。
Cloudian在Veritas兼容性列表上的描述
他还表示,没有其它对象存储厂商能够彻底解决多租户环境下彼此影响的问题,这意味着单一对象存储访问者往往无法得到正确的系统资源配额。
Cloudian公司客户Schuberg Philis是一家位于荷兰的欧洲托管厂商,主要为大型金融企业提供服务。该公司评估团队成员Brenn Oosterbaan表示:“我们在寻求一项向外扩展存储服务,并审视了各家主要对象存储厂商。这份潜在选项包括Scality、Swiftstack以及Cloudian。我们最终选择了Cloudian,这主要是考虑到他们与S3规范的兼容优势以及未来继续保持这种兼容水平的承诺。”
Ash希望我们意识到Cloudian目前所拥有的卓越竞争优势:“我们在九成情况下都能胜过Scality,”而且“Cleversafe的一家规模最大的客户已经开始购买Cloudian产品。”
在未来十二个月当中,他预计Cloudian将在客户数量与营收规模方面压倒IBM Cleversafe、Scality以及Swiftstack。
这样的宣言绝对够胆,我们也将紧密关注Cloudian能否顺利达成Ash设定的宏伟目标。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。