BMC Software 的 AMI Cloud Data 平台推出全新的 Cloud Data Sets 功能,通过提供直接访问云对象存储的能力,"革新"了大型机数据管理方式,无需修改现有的 JCL 或应用程序。
该供应商表示,这项升级"赋能"IT 运维团队完全用云端解决方案替代传统磁带存储,"简化"运营并"最小化"业务中断。BMC 于 2024 年 4 月收购了 Model9,并将其软件更名为 AMI Cloud。
BMC 认为,在未来五年内,大多数组织将"逐步淘汰"二级磁带存储和传统磁带软件。他们表示,大型机数据存储的未来在于基于云的对象存储,与传统虚拟磁带库 (VTL) 解决方案相比,云存储"最高可节省 12 倍成本",同时无需投入昂贵的磁带硬件。
南非的 Nedbank 正在拥抱这一演进。在 BMC 的协助下,该公司已经改造了其数据管理方式。切换到云端解决方案后,原本需要 48 小时的备份时间缩短至 36 分钟。这一转变还使 Nedbank 得以精简灾难恢复和备份流程,在降低复杂性的同时提升了安全性和数据可用性。
BMC 表示:"这一演进使 IT 运维团队无需改变运营方式即可将磁带备份重定向到云端,消除了大型机环境中采用云技术的主要障碍。"通过 Cloud Data Sets,AMI Cloud Data 支持所有主要备份工具,包括 EXCP。Nedbank 企业存储和备份 IT 经理 Ashwin Naidu 说:"我们的备份性能获得了巨大提升。例如,原本需要整个周末 48 小时才能完成的备份,在采用云端解决方案后仅需 36 分钟。"
除了显著缩短备份和恢复时间外,新版 AMI Cloud Data 还针对 CPU 消耗进行了优化。
为了提供这些服务,BMC 表示正在将其软件专业知识与包括 Hitachi、Mainline、Dell 和 AWS 在内的合作伙伴的数据基础设施相结合。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。