Veeam正式宣布推出托管数据云(Data Cloud)产品,将以收购而来、基于Azure的Cirrus备份即服务(BaaS)软件来保护各微软服务。
Veeam于去年10月从合作伙伴CT4处买下了Cirrus软件,借此首度进军BaaS领域。该公司之前一直通过各Veeam云与服务提供商(VCSP)合作伙伴,向市场提供托管备份与灾难恢复服务。产品的应用目标涵盖Microsoft 365、各公有云(亚马逊云科技、Azure以及Google Cloud),以及托管与异地备份BaaS。2022年10月,Veeam Backup for Salesforce正式亮相。现如今,Veeam进一步扩大自身业务,又推出了面向Microsoft 365与Azure环境的,基于Azure的云原生Veeam数据云(VDC)。
公司CEO Anand Eswaran在一份声明中表示,“作为全球排名第一的数据保护与勒索软件恢复服务商,以及Microsoft 365备份领域的领导者,我们正在以「即服务」的形式为Microsoft 365以及微软Azure带来更多值得依赖的功能。”
SaaS保护业务的总体规模正在迅速扩大。除了Asigra之外,还有Metallic推出的Commvault Cloud、Druva、HYCU、Keepit,以及与Cohesity合作的OwnBackup等等。
目前的SaaS保护主要分两种方法。第一就是像Veeam这样,由备份供应商自主编写连接器软件来接入SaaS应用程序,重点关注客户方面各种主要SaaS应用(例如Microsoft 365)。第二种则是鼓励SaaS应用程序提供商或其客户自行构建连接器,通过这种方式将其SaaS应用程序与保护服务连接起来。Asigra和HYCU就是后一种的典型代表,也因此能够覆盖市面上更多的SaaS应用程序。HYCU甚至为客户提供基于生成式AI的连接器构建方案。
Veeam数据云使用Azure Blob存储来保存备份。作为一项一体化服务,其中包含备份软件、基础设施与存储部分。各备份副本将持续接受版本控制与维护,Veeam数据云在设计上还严格遵循零信任理念。
Veeam的VDC for Microsoft 365是以现有Veeam Backup for Microsoft 365为基础构建而成,目前已经发布独立服务选项,能够为Exchange Online、SharePoint Online、OneDrive for Business和Teams提供备份与恢复支持。VDC for Azure则是一项全托管、预配置的
服务,负责为Azure VM、Azure SQL和Azure Files提供备份与恢复,且支持可定制的恢复点目标(RPO)与恢复时间目标(RTO)。
我们向Veeam公司询问了Veeam Backup for Salesforce与Veeam数据云之间的结合点。该公司产品战略高级总监Rick Vanover解释称,“我们其实不乏将Veeam数据云扩展至其他Veeam产品的机会。我们对于扩大服务交付规模有着强烈的意愿,相关计划也正在推进当中。”
按目前的情况看,基于Azure的SaaS应用程序应该也将受到保护,而且Veeam数据云有可能会进一步向亚马逊云科技和Google Cloud扩展。客户既可以选择使用同类最佳的独立SaaS应用程序保护产品,例如Keepit和OwnBackup,也可以现有全面备份服务商的支持范围进一步扩展到SaaS应用程序领域。总的来讲,顶尖SaaS应用程序保护产品已经具有一定领先地位,而现有产品则努力迎头赶上并希望夺取部分市场份额。
最后,Veeam数据云服务现已正式上线。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。