
今天上午在AWS re:Invent 2014大会上,我听了亚马逊CTO Werner Vogels在1个半小时的演讲中穿叉着AWS的7、8个美国企业级用户的演讲,我边听边对中国用户有10个不明白:
[video]uu=dfa091e731&vu=2446fe51ec&auto_play=0&width=600&height=450[/video]
1、为什么美国企业级用户这么推宠AWS,中国绝大部分企业级用户不接受公有云?
2、美国软件开发商说是他们的生产型、销售型用户要求开发商帮助自己的信息管理方式、数据资源从私有云向公有云转移,中国用户为什么不?
3、一个美国用户1年在AWS平台上执行6500万笔文案、上传70亿小时的视频,难道中国绝大多数的企业级用户的数据更多吗?
5、一位澳大利亚用户原在私有云上要用10天的时间完成的任务,用了AWS只需要4小时完成,难道中国用户比澳大利亚用户更有时间吗?
6、美国用户用Lambda不需关心配置、只需填写参数就可实现云服务,难道中国用户更需要关心自已应用以外的配置吗?
我在AWS re:Invent 2014现场
7、美国一个叫GILT的用户用EC2 Comtainer将7个应用创新、扩展到了300项微应用,难道中国用户希望自已的创新应用少吗?
8、美国一个天气数据的用户用了AWS云服务完成了私有云不可能完成的1.7亿次/每天下载任务,中国气象数据量比美国多得多吗?
9、谷歌眼镜能用AWS完成自己的创新,难道中国IT厂商有比谷歌眼镜更高级的产品、云不能满足创新吗?
10、AWS re:Invent 2014的PPT为什么闪的那么快?我产品名字都没来得及看清,就没了。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。