ZD至顶网CIO与应用频道 05月23日 北京消息:企业级基础云服务商青云QingCloud(qingcloud.com)日前宣布推出资源编排(Resources Orchestration)服务,可以使用户在QingCloud控制台通过丰富、自由的方式创建资源编排模板,用所见即所得的方式规划资源组合并构建系统。通过资源编排服务,开发运维人员能够通过图形化的界面创建系统架构,并一键自动生成所需资源和服务,进一步提升云服务的便捷性和易用性。
资源编排功能用于生成一组具有拓扑关系的QingCloud IaaS/PaaS资源组合的模板,是一种对云资源及相互关系进行抽象建模和生命周期管理的方法。资源编排模板描述了资源的详细配置和关联关系,应用模板可以生成拥有该配置和关系的资源。通过该功能用户可以快速地复制一整套环境,规划和评估系统架构,并实现资源结构跨区域的复用。
资源编排服务可以帮助企业快速构建起一套自己所需的系统环境,特别适合于以下类似场景:
场景一:接收自定义结构、配置的资源申请-- 资源申请部门通过资源编排服务可以按解决方案申请资源组合,资源管理人员可以直观的看到申请者提交的资源配置。
场景二:多套环境的快速复制-- 如果用户已有一套开发环境,在应用上线前需要复制一份成为测试环境就可以使用资源编排快速复制一套架构。应用上线后还可再复制一份成为线上环境。
场景三:系统规划与构建--如果用户需要规划一套系统,需要验证在云上能否搭建出这套系统并核算成本,也可以使用资源编排来实验。资源编排模板可以实时看到资源组合所需费用,而无需真实付费。
场景四:跨区域的拓扑复用-- 如用户在QingCloud北京2区已有一套复杂系统,想要在广东1区复制一份完全相同的结构,保持拓扑关系,利用资源编排服务可以快速将模板复用到新的区域,并生成资源实例。
资源编排服务有如下亮点:
快速的系统构建:使用资源编排,用户可以在短短几分钟内迅速复制一套已存在的、拥有复杂拓扑的系统;或者迅速规划系统架构并评估成本;还可以实现资源拓扑的跨区域复用。
丰富的模板创建方式:在控制台中,用户可以从无到有构建模板;也可以从系统推荐的常见模板入手创建,或基于已经创建的模板继续完善;还可以将已经存在的资源抽取出一套拓扑关系成为模板。
开放式的图形化操作:模板的创建采用可视化的交互,用户可以选择左侧导航的资源图标,自由拖拽到中央绘图区域添加资源;并支持删除、复制资源的操作。
完整直观的资源配置:配置区可以看到选中资源的配置,并对它的各项配置进行编辑。资源之间的关联关系,如路由器端口转发、负载均衡器后端等,可以实时显示出映射线路。
全生命周期的API支持:API按实体视图、资源抽象视图返回模板配置,支持配置的实时校验以及包含建模、资源创建、修改、回收等整个资源编排生命周期的管理。
资源价格实时可见:通过资源编排服务创建的模板,可以实时看到所需资源的具体价格。模板不计费,价格是模板中资源生成实例后产生的价格。
青云QingCloud CTO 甘泉表示,资源编排服务是一种对云资源进行管理的全新方式,能够大幅提高运维效率,降低服务门槛。接下来,QingCloud将在资源编排的基础上,将重点转向应用和服务的编排,为企业提供一站式的应用服务支持平台。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。