美光与VMware、超微以及Nexenta合作,推出一套全闪存的、专用的横向扩展产品设计。即:
- Micron Accelerated Solution for VMware Virtual SAN Ready Nodes
- Micron Accelerated Ceph Storage Solution
- Micron Accelerated NexentaEdge Solution
美光、超微和VMware已经设计了所有美光的Virtual SAN AF-4、AF-6、AF-8 Ready Nodes。他们采用重复数据删除、压缩以及Virtual SAN 6.2中的擦除编码,因此这些产品的采购价格就可以低至每GB 0.44美元(有效容量),其中包括所有服务器硬件的MSRP、软件和3年支持。
美光已经基于超微的服务器设计了全闪存Ceph存储产品,性能达到100万IOPS,吞吐量达到140Gbit/s。
Micron Accelerated NexentaEdge Solution将提供原生的块、iSCSI块、Swift和S3对象服务,面向OpenStack、VMware和基于容器的基础设施。这次合作预计成果将在2016年下半年拿出一套共同的参考架构以及来自超微的可采购的解决方案。
美光已经在德克萨斯州的奥斯汀开放了美光存储解决方案中心(MSSC),与其他提供商合作全闪存存储设计。这个中心同时也是美光加速解决方案的工程设计中心。
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。