AWS在一年一度的存储日线上大会期间,推出了数据存储产品组合的新增项,其中包括了与NetApp合作围绕OTNAP文件系统服务的Amazon FSx for NetApp ONTAP新服务。
NetApp ONTAP是一套主流的文件系统,企业可以用它来管理关键任务应用生成的信息。这个文件系统让应用可以更轻松地访问执行业务任务所需的数据,可以在后台执行各种相关任务如压缩记录以释放存储容量等等。
之前AWS云上就已经在支持NetApp ONTAP,但是企业必须自行设置部署,然后在内部管理日常维护。这次AWS新推出的Amazon FSx for NetApp ONTAP服务承诺将大幅减少使用ONTAP所涉及的工作量。AWS表示,该服务让管理员在几分钟内就可以设置好部署,并自动执行一系列维护任务。
Amazon FSx for NetApp ONTAP将可以帮助很多企业加速向云端的迁移。很多企业依靠本地NetApp ONTAP文件系统部署来管理部分或全部任务关键型业务数据,此次推出的新服务让企业可以更轻松地在云中运行ONTAP,从而降低与将本地数据工作负载移动到ONTAP平台所带来的复杂性,从而促使更多企业进行切换。
AWS公司首席布道师Jeff Barr详细解释说,Amazon FSx for NetApp ONTAP“可配置文件服务器和存储卷、管理复制、安装软件更新和补丁、替换不合适的基础设施组件、管理故障转移等等”。
除了这项新服务之外,AWS还公布了Amazon S3对象存储服务的两项更新。
第一个更新是引入了一项名为Amazon S3 Multi-Region Access Points的功能,旨在构建多区域应用,或者那些把信息多个副本存储在多个不同AWS数据中心的应用,因为保留多份记录副本可以确保即使一个数据中心发生中断、应用仍然可以使用。
企业还可以通过构建多区域应用提高性能。如果工作负载信息有多个副本,那么企业可以让每个用户从离他们最近的数据中心加载信息,从而降低延迟。
此前,S3上创建的多区域应用需要编写大量代码来管理不同数据副本所涉及的工作,而借助Amazon S3 Multi-Region Access Points,可以大幅减少所需的代码量。
“借助Amazon S3 Multi-Region Access Point,你可以使用单个区域中相同的简单架构来构建多区域应用,”AWS开发者倡导人Alex Casalboni在一篇博文中这样写道。
第二项更新是对S3 Intelligent-Tiering存储服务的现有功能进行了一系列更新。现在,那些将数据保存在该服务中的可以,从价格不同、性能不同的多个存储硬件层中进行选择。S3 Intelligent-Tiering 会自动将企业数据放置在最合适的硬件层上以达到优化成本的目的。
除此之外,今天AWS还宣布取消小于128KB数据对象相关的某些S3 Intelligent-Tiering监控和自动化费用,以及取消了对象存储最少使用30天的要求。
AWS表示,正在Amazon EFS文件存储服务中实施类似于S3 Intelligent-Tiering的功能,这个Amazon EFS Intelligent-Tiering功能与S3 Intelligent-Tiering有些类似,都可以自动将企业数据放置到最合适的基础设施层上。
AWS还在此次存储日在线大会期间推出了一些较小的增强功能,例如Amazon EBS的升级项可以让企业使用块存储服务来创建包含多达64 TB数据的工作负载云备份。反过来,用于将数据移动到AWS云端的AWS Transfer Family服务已经通过低代码功能得到增强,可以减少将信息复制到云端所需的手动操作工作量。
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。