微软透露,已经与多家服务器厂商合作提供原生运行Windows Server的超融合一体机。到目前为止,超融合一体机设备几乎都是vSphere的天下。但是那些在任何环境中使用vSphere的用户中有很多都在运行Windows Server。
这有点奇怪,因为微软的服务器平台包含用于计算虚拟化的Hyper-V,用于网络虚拟化的VXLAN,以及用于软件定义存储的Storage Spaces。
这三部分是任何软件定义数据中心的基础,对于任何超融合一体机来说也是如此。这并不是绕过了微软,而是微软一直忙于Azure Stack。
现在微软公布了一个名为“Windows Server Software-Defined”的计划,为通过认证的硬件合作伙伴提供“经过验证的解决方案”,这些方案将Windows Server打包成三个包,也就是:
- Hyper-Converged Infrastructure Standard:在一个集群内的计算和存储
- Hyper-Converged Infrastructure Premium:按照“盒中软件定义数据中心”的方式计费,因为它向HCI Standard中增加了软件定义网络和Security Assurance功能
- Software-Defined Storage:软件定义的存储,构建在商用服务器上,作为独立阵列替代品的方式进行收费,支持全闪存NVMe和横向扩展。
HPE、联想、富士通、超微和QCT已经签约成为合作伙伴,还有以Windows为核心的软件定义存储公司DataON。
谁会在意这个事情?
我们了解到,相比售卖任何本地运行的许可来说,微软和微软的合作伙伴售卖Azure会得到更高的费用包。而且最近微软在Azure Stack方面的声量要比Windows Server大很多。而且我们不要忘了,Hyper-V多年来一直是免费的,但是VMware在虚拟化和超融合基础设施市场占有大部分份额。
因此,我们猜测Windows Server Software-Defined将得到一些采购者的赞赏,但不会明显改变超融合基础设施市场的格局。这就是Azure Stack要做的事情。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。