至顶网CIO与CTO频道 07月27日 北京消息:全球领先的可扩展企业级图数据库TigerGraph,宣布正式在Microsoft Azure上提供TigerGraph Cloud服务。作为业界首个以及唯一的分布式原生图数据库即服务,TigerGraph Cloud可帮助企业利用图的强大能力,快速、轻松地构建和运行适用于高度关联和复杂数据集的应用程序。该公司最近发布了TigerGraph 3.0版本,在提供核心平台功能的同时,能够轻松实现无代码(no-code)高级图分析。TigerGraph通过大规模高级图分析帮助企业获得新洞察,并带来更好的业务成果。TigerGraph Cloud允许客户自由选择云供应商,现已支持亚马逊云(AWS)以及Microsoft Azure。
TigerGraph首席运营官Todd Blaschka 表示:“TigerGraph Cloud持续化解多个行业企业的痛点,包括医疗、金融服务和政府等。在分析关联数据时,图数据可以解决关系型数据库无法完成的任务,图分析将是未来正确的选择。企业过去不得不依靠数据科学家来设计图分析解决方案,但是TigerGraph Cloud带来了变革,使得所有人都能使用图。TigerGraph Cloud开始支持Azure,使我们成为市场上首个真正的多云图数据库即服务。”
作为易于使用的云端图服务,TigerGraph Cloud提供了理想的云服务来完成分析、事务和实时工作负载的建模、搜索和关系遍历。TigerGraph Cloud允许用户在数分钟内上手,在数小时内建立概念验证模型,并在数天内将解决方案部署到生产环境中,无需安装、配置或管理服务器、安排备份或查找安全漏洞等。TigerGraph Cloud允许用户将其图解决方案扩展到数十TB,并在单一机器上每秒支持超过100,000个实时深度链接分析查询。
TigerGraph Cloud的使用简便,其弹性定价方式意味着用户只需按照使用时长付费。TigerGraph Cloud用户可以使用20个入门套件(TigerGraph Starter Kits)就能在短短数小时内建立完整的概念验证。这些入门套件涵盖了真实的用例,例如客户360度画像、欺诈检测、个性化实时推荐、信息枢纽或意见领袖分析、供应链分析、神经网络以及网络安全等等。入门套件包含针对特定用例的样本图数据模式(schema)、数据集和查询,如欺诈检测、实时推荐、机器学习以及可解释的AI等用例。
TigerGraph Cloud最新版包括用于分布式图和副本实例的配置,以实现高可用性。订阅用户可以为大型生产数据集配置分布式TigerGraph服务,并可以选择部署高可用性TigerGraph服务。TigerGraph Cloud在全新的TigerGraph Enterprise 2.6平台上运行,该平台配备有Spark连接器、模式匹配和更多内置
的数据处理功能。用户可以免费试用,并随着数据增长而扩展云服务。TigerGraph能够执行类似SQL的数据库计算以及ACID兼容交易,使得用户的总体拥有成本较其他平台更低。
Microsoft Azure上的TigerGraph Cloud现已正式可用。
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。