北京,2020年4月29日:云数据管理™备份解决方案的领导者Veeam® Software(卫盟软件)今天发布全新的云备份和恢复解决方案Veeam Backup for Microsoft Azure。这一新产品将助力客户和服务提供商将更多的应用程序和数据迁移至Azure,以更低成本轻松保护Azure中的云应用程序和数据安全无虞。此外,Veeam的便携式备份格式全面支持多云环境中的云移动(Cloud Mobility),包括备份、恢复和迁移。
客户采用Microsoft Azure等公有云基础架构即服务(IaaS)作为IT生产工作负载的比率继续保持快速增长。即便使用公有云IaaS,由服务提供商保证基础架构的运行时间,客户仍然要对数据负责,并且还要保护这些数据免受各种威胁和风险,包括勒索软件、意外删除、数据损坏、恶意用户等,就像保护其本地数据一样。凭借全新的Veeam Backup for Microsoft Azure,Veeam通过一个全面的企业级解决方案扩展了其广泛的平台支持,增加了对Azure虚拟机上的Azure应用程序和数据的备份和恢复控制。
“根据Veeam云数据管理报告,云数据丢失是所有组织都面临的问题,”Veeam首席技术官 Danny Allan表示。“无论是由于错误、意外删除、勒索软件和恶意软件等安全威胁,或者是由于长期保留的需要,客户都有责任对其数据进行保护,无论是在本地还是在云中。我们的解决方案通过提高可靠性、降低成本和缩短恢复窗口,消除了IT专业人员面临的挑战和复杂性。全新的Veeam Backup for Microsoft Azure可以帮助客户进一步降低成本,同时还能通过保护和管理Azure以及客户的云端、虚拟和物理环境中的应用程序和数据,让客户的云数据尽在掌控。”
全新Veeam Backup for Microsoft Azure能让组织更有信心将更多应用程序和数据迁移至云,因为他们在其本地环境中使用和信任的Veeam平台现在可以无缝拓展到Azure。其优势包括:
定价和可用性
Veeam Backup for Microsoft Azure提供免费版和付费版,都可以通过Azure Marketplace轻松部署。免费版支持最多10个Azure VM的备份,对恢复没有限制。付费版可以用Veeam Universal License(VUL)进行授权,并与Veeam Backup & Replication™集成,可让用户从单个平台获得灵活的云数据管理解决方案。
支持引言
“Veeam Backup for Microsoft Azure为企业提供了更多功能选项,从而可以在几分钟内轻松地将丢失的云数据从任何场景中恢复。通过与Azure Lighthouse的集成,Veeam BaaS提供商将能够在其基于Azure的备份产品中构建跨客户管理功能,帮助客户降低成本并加速他们的上云进程。”——微软公司Azure存储、媒体和Edge副总裁Tad Brockway
“为了避免供应商陷入财务困境、以低成本运营,企业不断拓展基础架构,使其更加多样化。他们需要值得信赖的供应商随时随地为其工作负载提供支持。随着Veeam Backup for Microsoft Azure的发布,Veeam将继续支持动态基础架构,不断满足客户的日新月异的需求。”——ESG高级分析师Christophe Bertrand
“作为托管服务提供商,我们的客户依靠Brainlink来提高他们的生产力和效率,同时保护其数据以确保安全无虞。Veeam提供的广泛支持及其与Microsoft Azure的集成提供了无与伦比的产品组合,使我们能够通过在Azure中以合理成本进行超快速备份和恢复来实现我们的战略。我们很高兴Veeam再次拓展这一支持,全新的Veeam Backup for Microsoft Azure使我们能够进一步拓展我们的产品组合,为Azure虚拟机提供原生保护,并能在安全和成本效益方面满足客户预期。”——Brainlink首席技术官Raj Goel
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。