云存储网关供应商Panzura公司已经在其E轮融资当中筹得3200万美元,而新任CEO Patrick Harr则证明了他在业务发展领域的突出贡献。
根据我们得到的消息,Panzura公司在2016年迎来了创纪录的良好发展态势,其新增超过100家企业客户并将销售渠道与联盟关系扩展至AWS、谷歌、IBM以及微软Azure等云巨头领域。该公司在去年年内新增超过26 PB企业存储数据,其产品则已经被部署至33个国家的多个行业与政府机构当中。
这笔发展资金由Matrix Partners牵头提供,一同参与的还有Meritech Capital Partners、Opus Capital、Chevron、西部数据以及一家未公开的战略投资方。
Harr指出:“内部存储模式已经过时、成本高昂且开始在庞大的自身规模下逐渐崩溃……我们对于新一轮融资结果感到振奋,这将使我们能够将自身业务延伸至更多新客户及市场空间处,从而帮助其通过由已然衰亡的内部存储模式转向混合云存储并借此获益。”
你们这帮还在用内部存储方案的家伙通通要死……哦等等,你们也正是混合云方案的主要受众。不管怎么样,Patrick都用实际言论表达了他的喜悦之情。
去年12月,竞争对手Nasuni公司亦完成了一轮总额达2500万美元的融资。总而言之,云存储网关业务正在不断升温,并成为市场关注的焦点所在。
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。