联想数据中心业务集团(DCG)今日宣布推出一系列全新升级的超融合基础架构(HCI)解决方案和联想云服务,助客户应对不断变化的业务需求。随着远程办公成为智能新常态,企业需要调整混合云战略,并实现数据中心基础架构的现代化。为此,联想携手Nutanix、微软和VMWare,推出了无与伦比的开放式超融合基础架构(HCI)解决方案平台,并基于联想XClarity加强了软件定义系统管理能力。
超融合基础架构(HCI)解决方案在提供虚拟桌面基础架构(VDI)方面具有独特优势,可支持教育和医疗等众多行业的远程工作需求。联想与业界领先的混合云软件提供商合作,专注于提供可即时部署的超融合基础架构(HCI)解决方案,让客户能够部署和管理从边缘到云的全部环境,并具有方便更新、易于扩展和按需付费等优点。
搭载AMD EPYC处理器和Nutanix软件,借力联想ThinkAgile HX达到性能与效率的新高度:
联想与Nutanix和AMD合作,宣布推出由AMD EPYC处理器提供支持的全新联想ThinkAgile HX HCI解决方案,从而使客户能够运行其虚拟桌面工作负载并保持一致的性能(以相同的1U尺寸形式),最多可减少原本50%的服务器。
o 联想ThinkAgile HX AMD 2S现可提供较之前增加2.3倍的核心数量,以满足应用需求;每个单元配备两个GPU,内存带宽增加45%,可提供更强大的虚拟化和VDI整合功能,帮助优化总体拥有成本(TCO)。
o 工厂预安装的Nutanix软件,将为客户持续的多云旅程提供更多灵活性。它能够提供简化的操作,以实现更高的工作负载密度、更强大的数据保护以及跨云的无缝应用程序,最终构建真正的混合架构。
o 本产品计划在11月下旬作为一体机或经过认证的节点上市。
借助联想ThinkAgile VX和VMware,提高关键任务型应用的敏捷性:
联想与VMware共同发布全新联想ThinkAgile VX HCI解决方案,提高了SAP HANA数据库部署的敏捷性和可靠性。
o 联想ThinkAgile VX HCI解决方案配备经过4S认证的节点,使客户能够通过整合联想XClarity Management软件和全新的vSphere Lifecycle Manager(vLCM)工具,来升级其高端数据库解决方案和SAP HANA的基础架构,从而提高敏捷性并简化vSAN环境的生命周期管理。
o 联想XClarity是联想ThinkAgile HCI解决方案的管理控制台,它提供了自动挖掘和资产管理,以及基于策略的跨硬件与软件的固件更新,并且是领先的ISV管理工具(包括vLCM)的集成接口。
o 联想ThinkAgile VX 4S解决方案提供了两倍的SAP HANA数据库内存并直接连接NVMe,以缩短响应时间,加快业务洞察力并改善总体拥有成本(TCO)。
o 本产品本月底前上市。
联想数据中心业务集团副总裁兼服务器、存储和软件定义基础架构总经理Kamran Amini表示:“实现数据中心现代化,打破长期数字壁垒,是当今许多企业迈向智能新常态的战略。我们与领先的HCI供应商合作,所提供的大量敏捷和预配置的边缘到混合云解决方案,能助力客户充分发挥云的灵活性、可扩展性、和云的经济效益。为推动向更智能的新常态转型,客户可以利用我们的规划研讨会,向我们业务精湛的解决方案工程师寻求免费服务。”
为指引企业领导者制定和实施云战略,联想出资举办研讨会,将客户与联想专家顾问团队(Principal Consultants)一一配对,帮助客户梳理和简化多个云平台的诸多选择。联想专业服务团队将为客户设计定制化的混合云解决方案组合,以实现最终的业务灵活性。在Nutanix、微软、VMware等合作伙伴的支持下,客户可以获得最优且经过测试和预配置的云基础架构解决方案。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
大模型时代,玛丽·米克尔(Mary Meeker)的名字可能大家不一定熟悉,但是在互联网时代,这位被可被誉为“互联网女皇”的。她是美国风险投资家和前华尔街证券分析师,专注于互联网及新兴技术领域。玛丽·米克尔(Mary Meeker)发了一份340页的《人工智能趋势报告》,粗粗看了一下,并没有非常轰动的观点,但是数据比较全面
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。