甲骨文公司近日宣布推出Oracle Solaris 11.2,这是一个融合了高效虚拟化、应用驱动软件定义网络(SDN)技术以及全面OpenStack分布的现代云平台。新版本是企业级操作系统和其他组件的强大产品组合,为云计算提供了高效、符合法规遵从、安全、开放和可支付的软件平台。利用Oracle数据库、Java和Oracle应用的深入集成,企业可利用Oracle Solaris 11.2提供最可靠、高性能、高效和安全的IT服务,并可加快新部署的上市时间。Oracle Solaris是Oracle硬件业务的重要组成部分。
Oracle Solaris 11.2 是一个面向大型企业云环境且兼具全面、整合和开放特点的集成平台。它把OpenStack、SDN技术、集群、虚拟化和认证的企业级操作系统整合在一个单一的产品中。
借助该平台,客户能简化它们的IT基础架构,并为它们的终端客户以较低成本提供可靠、高性能、高效、符合法规遵从和安全的云服务。
Oracle Solaris 11.2 整合了全面的OpenStack分布,为Oracle Solaris环境带来了OpenStack功能,可在数据中心管理其他管理程序和基础架构。
Oracle Solaris 11.2 现在可让IT企业按分钟而非按周提供从“零到云”的服务,具有企业级可靠性、安全性和性能。
Oracle Solaris 11.2 比之前的版本拥有更简单、更快的生命周期管理功能。例如,与Red Hat相比,一个客户通过Oracle Solaris提高了16倍的管理者生产力。
Oracle Solaris 11.2 在SPARC和x86上为零开销的虚拟化提供了集成的管理程序,除了其现有的Solaris Zones功能之外。
Oracle Solaris 11.2包括了应用驱动的软件定义网络,可集成Oracle Java、Oracle数据库和Oracle应用,以提供应用层面的服务质量。
Oracle Solaris 11.2 是Oracle不断增长的硬件业务中最新创新系列成果之一,这些创新成果旨在帮助客户利用软硬件集成的Oracle产品来简化它们的IT,从而实现更多灵活性并且降低成本。目前,已有上千家全球客户在Oracle服务器和集成系统上运行Oracle Solaris 11。
和SPARC服务器一起,Oracle Solaris 继续利用Java、Oracle数据库和虚拟环境来创造新的性能纪录。
Oracle Solaris 11.2 通过二进制兼容性提供了投资保护,可让客户在多代Oracle Solaris上运行它们现有的应用。
客户可无缝地在几分钟内升级到Oracle Solaris 11.2上,充分享用全新的云功能。
在利用Oracle ZFS 存储设备部署时,Oracle Solaris 11.2经过集成来提供创纪录的性能和效率。
现在可通过Oracle技术网(OTN)下载Oracle Solaris 11.2 试用版。
甲骨文公司系统事业部执行副总裁John Fowler表示:“Oracle持续的创新为客户提供了业界最强大的云产品组合。通过把操作系统、虚拟化、SDN和OpenStack集成在一起,Oracle Solaris 11.2提供了全面的云解决方案。这是一个面向简单、高效、安全、符合法规遵从和开放的企业云部署平台,可帮助客户加快发展业务,充分利用云的潜力,同时降低成本。”
IDC服务器和系统软件项目副总裁Al Gillen表示:“云计算正为企业级基础架构软件创建一个全新的愿景,一旦开始提供包括操作系统、虚拟化和网络化在内的单个部分,这就是一个充分的起点,拥有集成的解决方案正成为那些寻求创建私有云企业客户的新期望。通过Oracle Solaris 11.2,Oracle提供了包括基于 OpenStack管理的企业级就绪解决方案,让企业云部署更轻松和获得更多实惠。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。