Arcitecta 正在推出一款面向媒体制作专业人士的实时内容传输和媒体管理解决方案。
总部位于澳大利亚的 Arcitecta 提供分布式数据管理软件——通用数据系统 (Universal Data System),支持文件和对象数据存储,具有单一命名空间和分层功能,覆盖本地 SSD、磁盘和磁带以及公有云,配备 Livewire 数据移动器和元数据数据库。其 Mediaflux Multi-Site、Mediaflux Edge 和 Mediaflux Burst 产品使地理分布的工作人员能够在正常和高峰使用时段更有效地访问共享数据进行协作。Mediaflux Real-Time 加快访问速度,提供几乎即时的媒体内容数据访问。
Arcitecta 的 CEO 兼创始人 Jason Lohrey 表示:"Mediaflux Real-Time 是一项革命性的技术,将推动实时制作的未来发展,支持实时视频流等文件的持续扩展,使编辑人员能够实时处理这些文件,即使这些文件仍在创建中。"
他说,Arcitecta 的 Livewire 数据传输模块"能以光速安全地移动数百万或数十亿个文件"来加速工作流程。"在预发布预览中,广播公司称赞 Mediaflux Real-Time 是直播广播、体育直播和媒体娱乐制作的'游戏规则改变者'。"
Mediaflux Real-Time 不受硬件、文件类型和编解码器限制,提供集中化的内容管理、网络优化、协作工具、安全性和成本效益。客户可以组织存储和元数据以便于访问和检索,拥有可靠的大文件传输基础设施,并使用版本控制和集成反馈系统。他们可以实时与多个位置共享内容,并通过实时内容扩展文件。内容可以通过加密和访问控制进行保护。
Arcitecta 的目标用户是体育制作、广播和媒体娱乐环境中需要访问不断增长的视频文件内容的编辑人员,"用于实时制作和快速的赛后工作流程。远程工作的编辑人员经常因传输和回放速度慢而遇到延迟,这延长了最终成品的制作时间。"远程编辑可以协作工作,几乎可以立即创建精彩片段或编辑直播画面,"大大缩短后期制作时间"。
Mediaflux Real-Time 支持实时编辑,提供更快的内容传输,消除基于单一位置的工作流程瓶颈,增强远程协作。内容可以在不同站点间实时回放。它"无需为每个编辑位置购买和配置专用流或连接,只需一个流就可以将数据传输到多个站点——降低成本和基础设施要求"。
我们询问 Arcitecta Mediaflux Real-Time 与 2024 版 Livewire 的区别。Lohrey 告诉我们:"Mediaflux Real-Time 是一个文件系统 (shim),它拦截所有文件系统流量,并使用 Livewire 实时将更改传输到其他位置/文件系统。"
"Livewire 是一个系统/结构,可以将一组数据从 A 传输到 N 个目的地。这里的不同之处在于我们正在实时传输文件系统操作。为此,我们的文件系统端点位于数据路径中,并使用 Livewire 将更改/修改分发到其他端点。也就是说,我们通过处于数据路径中来截取文件系统,并在发生更改时进行转发。"实际上,这意味着:
创建文件 -> 传输 重命名文件 -> 传输 写入文件 -> 传输 删除文件 -> 传输 (尽管接收端可能决定不执行)
Mediaflux Real-Time 现已推出。它是 Mediaflux 和 Livewire 套件的一部分,可与各种存储和基础设施解决方案及协议无缝配合。
Arcitecta 和 Dell Technologies 将在 4 月 6-9 日拉斯维加斯会展中心举行的 NAB Show 上,在 Dell Technologies 展台 #SL4616 展示结合 Dell PowerScale 和 ECS 的 Mediaflux Real-Time。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。