专注于边缘、 ROBO 和中端市场超融合基础设施的 Scale Computing ,现已在 Veeam 数据平台内推出对其 Scale Computing 平台 ( SC//Platform ) 的支持。
Veeam 现将其备份与恢复软件描述为“平台”,称其不仅实现备份与恢复,还通过数据管理和网络韧性提升整体功能。该韧性依赖于恶意软件检测、备份不可变性和事故响应等技术。
Scale 的联合创始人兼 CEO Jeff Ready 在一份声明中表示,“Scale Computing 与 Veeam 的合作实现了双赢局面:Scale Computing 提供精简且自主的 IT 基础设施,而 Veeam 则奉献了业内最可信赖的数据韧性平台。”
他还补充道,“客户一直在期待与 Veeam 进行更深层次的集成。”
Scale 的 HyperCore 虚拟机监控程序架构将其软件、服务器和存储视为一个集成系统,具备自我修复功能,并实现了具备变更区块跟踪的快照能力。Scale 的软件通过其 SCRIBE ( Scale Computing Reliable Independent Block Engine ) 跨层级整合存储。快照利用 SCRIBE 快速创建几乎瞬时、某一时刻点的一致性虚拟机备份,捕捉虚拟磁盘、虚拟机配置,并在安装了 Guest Agent Tools 后,连同正在运行的操作系统及应用程序一并备份。
我们预计 Veeam 将以基于 SCRIBE 的快照作为 Scale 备份的基本单元,即 Scale 客户数据进入其数据保护系统的入口。
据悉,客户可以选择多种 Veeam 兼容的备份目标,包括对象存储、磁带和云,并能从 SC//Platform 对任何受支持的环境实现完整虚拟机备份及细粒度文件恢复。同时,他们还可以在 SC//Platform、 VMware vSphere、 Microsoft Hyper-V 以及主要公共云环境之间迁移和恢复工作负载。
Veeam 美洲高级副总裁兼总经理 Shiva Pillay 在一份声明中表示,“与 Scale Computing 的此次合作进一步强化了 Veeam 的使命,即赋能各组织随时随地保护并确保数据的可用性,通过为边缘 IT 独特需求量身打造的专用平台,实现网络恢复与数据便携性。”
预计在 2025 年第四季度,Veeam 数据平台将普遍支持 SC//Platform。
2025 年 4 月 21 日至 23 日期间,VeeamON 2025 会在加利福尼亚州圣地亚哥展位 #G5 展示 Scale Computing 解决方案的现场演示。
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。