备份专家Veeam日前推出一体化的Veeam数据平台,包括Veeam 备份与复制、监控工具VeeamONE、Veeam 业务恢复编排器自动化功能以及Salesforce和Office365的SaaS备份模块。Veeam数据平台取代了Veeam 可用性套件。Veeam 可用性套件之前曾将Veeam的所有数据保护产品捆绑在一起。
Kubernetes容器备份产品Kasten可以与Veeam数据平台一起销售,但尚未整合到VeeamOne控制台。
Veeam区域副总裁Patrick Rohrbasser表示,“我们把自己的解决方案放在一个新的平台上,以应对勒索软件、混合云和容器化的新数据安全挑战。”
Rohrbasser表示,“说起新挑战这事,现在更强调在事件发生后快速恢复的能力。”
他称,“企业不只是想要一个备份副本。他们希望更好地协调恢复正常的能力,因此就需要复杂的规划并坚持遵守监管要求。Veeam数据平台提供了自动化和监控方面的工具以及主动决策支持,可以实现这些目标。”
Veeam备份和复制层提供实时备份功能、异步复制到二级灾难恢复(DR)站点以及无延迟恢复。这些几乎涵括了所有可能的情况,例如虚拟机或物理机、本地或云、Windows、Linux或Mac,文件或数据库等等。
Veeam Veeam 备份与复制第12版与第11版相比据称多了500种新功能。这些功能包括不可改变的副本,现在扩展到所有备份的托管副本,即是说包括块、文件和对象模式的卷以及AWS和Azure的云存储数据。另一个突出的新增功能是可以无需转换直接将备份保存到对象存储。
VeeamOne层引入了自动备份测试,以确保备份是健康的和可恢复的。VeeamOne还可以检测隐藏在备份中的勒索软件,除了检测写入错误,特别是那些可能在数据库保存期间被破坏数据的错误。该软件提供快速解决这类问题的方法。最后,VeeamOne为备份引入了分析功能。客户可以定义符合自己要求所必须满足的条件的备份,并对其进行审计。
Veeam Veeam 业务恢复编排器是最后一层,允许预定义恢复场景,只需点击一下就可以启动恢复场景。该软件不只是恢复到客户想要恢复的地方,还可以测试数据,必要时清除任何感染,然后将运行数据所需的服务器重新上线。Veeam Veeam 业务恢复编排器甚至可以在事件发生前模拟各种场景。
Rohrbasser表示,“简而言之,Veeam数据平台令企业在面临新的挑战和技能短缺的情况下节省时间。”
Veeam数据平台提供三种功能级别的销售选择。最昂贵的版本(高级版)包括所有的功能,并由Veeam勒索软件保证(Veeam Ransomware Warranty)支持,Veeam勒索软件保证指在发生网络攻击时Veeam数据平台没有解决的情况下对客户进行赔偿。
高级版缺少Veeam 业务恢复编排器层,而Foundation版或多或少是Veeam 备份与复制的一个新产品。需要注意的是,现在已经不可能单独购买VeeamOne了。
Office365和Salesforce模块以及Kasten可以单独购买,或者作为Veeam数据平台的一部分购买。
Rohrbasser表示,“我们可以把这些产品作为Veeam数据平台的一部分出售。但这些都是非常理想的功能,我们可以瞄准那些还不是我们客户的企业。”
他表示,“在我们的竞争对手客户群中,Kasten特别成功。其中一个原因是,Kasten除了备份还是一个在不同Kubernetes集群之间迁移容器的好工具。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。