VMware公司已经发布其虚拟存储区域网络(简称VSAN)的新一轮beta测试版本。
虚拟巨头存储与可用性首席技术员Duncan Epping在博文中指出,VMware公司“正高度关注以下三项功能的相关反馈意见”:
• 软件闲置数据加密功能
• 面向双层延伸集群保护的跨站点与本地嵌套故障域(Nested Fault Domains,简称FD)功能
• 新的运营管理增强(vRA集成、vCenter提供的运行状态检查以及监控网络状态等等)功能
第一点很好判断:加密机制基本上不会是什么坏事,尽管其会给阵列带来一部分额外的运作负担。但考虑到VSAN运行所在的服务器至少拥有六个计算核心(在全闪存方面,VMware的建议配置为2 x 10核心CPU),设备内部应该具备完成这类工作的必要资源。另外,硬件SAN多年来一直拥有闲置数据加密能力。因此VSAN这次升级算是缩小了差距。
嵌套故障域将使得VSAN在广域配置场景中更具可靠性。正如Epping所言,这项功能“……允许大家同时在单一站点内与多个站点之间立足延伸集群实现数据保护。换句话来说:RAID-1跨站,而后再在单一站点内建立RAID-1、5或者6。”这项功能最为直观的用例就是在多站点或者灾难恢复场景下使用VSAN。
关于最后一点,Epping提到其基本上属于同VMware管理套件间的更深层集成。考虑到虚拟巨头一直希望大家全面接纳其Cloud Foundation,即将VSAN、vSphere、NSX以及vRealize Automation加以结合,此次发布的新功能自然也在意料之中。
Epping的博文同时提到,这一beta测试版还将迎来“一系列增强”。
而且根据VMware公司以往beta测试版本的操作习惯,测试客户们的意见至少还需要数个月时间才能在下一次版本升级中得到体现。
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。