Veeam公司已经对其Microsoft 365备份方案做出更新,使其具有不变性与可扩展性,并宣称将为用户带来更佳性能表现。
Veeam Backup for Microsoft 365 v8.0紧随2022年推出的主要版本v7而来。上个版本带来了集中监控与报告、电子数据展示功能、实时警报及服务水平协议(SLA)报告等升级。而v8.0则可在恶意软件感染后执行恢复,对规模更大的Microsoft 365环境进行备份,并提高速度及可扩展性以避免服务器堵塞。Veeam公司表示,其Microsoft 365备份保护伞已经覆盖超2100万用户。
Veeam公司销售主管John Jester表示,“在Microsoft 365当中,关键数据、文件乃至通信数据的丢失对于任何组织都会造成灾难性的后果。如今,最新版本拥有最全面的Microsoft 365备份不变性,包括一套专为提高效率及规模水平所设计的新架构,以及直接基于客户请求的额外支持选项。”
v8版本添加了不可变备份以及不可变备份副本。这些备份可以存储在Amazon S3、Wasabi S3以及Azure Blob当中。不变性期限可以设置为特定日期,也可以设置为存储库的整个保留持续时间。
Proxy Pools代理池引入了可扩展性与性能提升,通过在多个代理之间分配流量以提高备份处理速度。客户可以将最多150个备份代理整理至单一代理池当中,从而保护多达100万个对象,从而实现基于CPU和RAM消耗量的自动负载均衡及Microsoft 365限制控制。代理池可以动态扩展,每个代理池亦可同时也多个对象存储库配合使用,且同时囊括Linux及Windows备份代理。
新版本还引入了另外26项变更,包括但不限于支持私有及共享Microsoft Teams频道。
今年8月,微软宣布与合作伙伴一同推出Microsoft 365备份服务,而Veeam正是官方指定的合作伙伴之一。
当时有报道称,“Veeam Data Cloud建立在Azure之上,负责为Microsoft 365提供备份即服务(BaaS)……该公司表示,其身为Microsoft 365备份存储的发布合作伙伴,Veeam Data Cloud for Microsoft 365使用的也正是微软的365备份存储产品。这项新的微软备份技术被嵌入在Veeam的Microsoft 365备份服务当中。”
我们还就Veeam Backup for Microsoft 365 v8是否使用了微软的365
备份存储产品,向该公司进行了求证。
Veeam方面解释道,“具体就Microsoft 365备份存储来说,Veeam已经将Microsoft 365备份存储整合至Veeam Data Cloud for Microsoft 365产品当中,并计划面向Express和Premium用户发布。Veeam Data Cloud使用到了Microsoft 365备份存储,但Veeam Backup for Microsoft 365则没有使用。Microsoft 365备份存储并不适用于VCSP能力计划或者可安装的Veeam Backup for Microsoft 365方案。”这里提到的是VCSP,是Veeam发布的云与服务提供商计划。
关于更多细节信息,请参阅此处的正式“新增功能”文档(https://www.veeam.com/veeam_backup_m365_8_whats_new_wn.pdf)以及此处的发行说明(https://t.co/0mrUV5ULSi)。
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。