华云数据凭借其丰富的云计算经验和领先的技术创新理念,为无锡地铁提供面向服务的私有云解决方案,帮助无锡地铁解决数据中心面临的高成本、低效益问题,建设业务发展的重要战略信息平台,构筑卓越绩效的基石。
上云前
传统轨道交通IT系统痛点多多
• 资源利用率低
• 单点故障隐患严重,恢复时间长
• 缺乏全局化灾备部署,数据安全堪忧
• 缺乏完善的监控机制,资源用度无感知
• 设备分散,品牌、类型众多,管理困难
• vSphere和OpenStack两套环境,缺乏统一平台全局调度
• 跨Hypervisor迁移成本高
• 数据爆炸式增长,性能滑坡式下跌
上云后
华云CloudUltra打造统一管理云平台,带来深刻改变
• 资源池化:统一调度管理,对于暂时不使用的设备可暂时关闭。
• 多重可靠性保障:提供应用程序高可用,系统级灾备机制以及磁盘持续数据保护功能(CDP),多可用区容灾,故障自动恢复一系列高级功能保障业务连续性。
• 全局监控:物理、虚拟资源使用情况一目了然、尽在掌握。即时告警,确保对轨道交通业务7x24的不间断支撑。
• 统一管理:一个平台,即可提供全方位自助式服务,自动化部署实现,包括且不限于:物理设备、虚拟资源池、镜像管理、资源模版、申请流程、权限分配、监控告警、计量计费、应用及数据库部署等。
• 异构兼容:前端支持VMware/KVM等多种虚拟化,后端兼容分布式/SAN/对象存储,可融合软、硬SDN,高效整合异构资源,以一当千合理策略,提升资源使用率。
• 可迁移:实现VMware与KVM间全自动迁移
• 高性能优化:CloudUltra提供最新SDN/NFV方案,相较于OVS方案提升8倍网络性能;独家开发细粒度CPU特性透传,大幅提升计算性能;调整参数,优化基于SSD的存储集群操作性能等,轻松应对轨道交通高实时性、高负载需求。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。