北京 – 2021年10月18日 –近日,全球企业数据保护领域的领导者Veritas Technologies于2021 KubeCon + CloudNativeCon北美峰会上,正式宣布了该公司领先的软件定义基础设施高可用性解决方案Veritas InfoScale 的新一代进化版。这将使客户能够在原生Kubernetes平台上(包括红帽OpenShift)将InfoScale以容器方式进行部署。通过原生部署,状态化的Kubernetes关键工作负载将更容易获得InfoScale在高可用性、持久化存储和存储优化这三个方面的支持。
Veritas公司产品管理副总裁Karthik Ramamurthy表示:"容器化正在彻底改变数据中心,让应用程序爆发的同时减少进程数量,从而做到降低成本和实现可扩展性。然而,许多企业对将关键任务应用程序进行容器化仍存有顾虑,因为这些程序长期依赖持久存储运行。但这对支持Kubernetes原生部署的InfoScale来说不足为惧——其特有功能让企业有信心将最重要的应用程序迁移到类似OpenShift的环境当中。InfoScale作为一款颠覆性产品,让企业不再需要Kubernetes部署中的辅助措施,并在真正重要的地方带来成效。"
InfoScale 8作为首个进化版新品,将在今年年底前推出,该产品可帮助企业客户和DevOps工程师将以下InfoScale功能部署为容器:
● 软件定义的存储卷管理
● 动态和静态持久化存储配置
● 持久卷的无中断扩展
● 持久卷的无中断迁移
● 用于第三方集成的REST APIs
● 持久卷快照
● 容器生命周期管理
可一键部署的InfoScale 8,也将首次作为红帽认证的容器应用和OpenShift认证运营商,被纳入红帽生态系统目录中。
红帽公司平台业务部高级副总裁Joe Fernandes表示:"容器和云原生应用对企业数字化转型变得更为关键,我们的客户正力图拓宽能够支持这些环境和工作负载的技术选择范围。对于那些希望为OpenShift环境提高韧性和存储优化的客户来说,Veritas InfoScale 8提供了新的认证选择。Veritas作为红帽公司合作伙伴生态系统中的一环,我们非常高兴能与其达成合作,共同帮助客户选择最能满足其独特需求的解决方案,这些解决方案全都在业界领先的企业级Kubernetes平台上得到了认证。"
结合近期InfoScale和Veritas NetBackup支持容器化的更新升级,这次宣布使Veritas成为了跨越物理、虚拟、云和容器环境的全方位数据保护供应商。
了解更多详情,请登录Veritas官方网站。
关于 Veritas
Veritas Technologies 是全球企业备份和数据恢复解决方案领域的领导者。超过八万家企业级客户, 包括 87% 的全球财富 500 强企业,均依靠Veritas化解 IT 复杂度并简化数据管理流程。Veritas多云数据服务平台可提供自动化的数据保护,无论何处都能协调数据冗灾恢复,确保关键业务数据及应用的7x24实时稳定运行,同时也为企业提供数据洞察,实现数据合规。Veritas在可靠性、扩展性以及灵活按需部署方面拥有很好的声誉,支持超过800种数据源,100 多种操作系统, 1400多种存储设备以及60类云平台。欲了解更多详细信息,请访问 www.veritas.com或关注 Veritas 官方微信平台:VERITAS_CHINA(VERITAS中文社区)。
Veritas,Veritas标识、 以及NetBackup 是 Veritas Technologies LLC 或其附属机构在美国和其他国家/地区的商标或注册商标。其他名称可能是其各自所有者的商标。
红帽、红帽标识以及OpenShift是红帽(有限)公司或其子公司在美国和其他国家的商标或注册商标。
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。