我得承认,我的笔记本电脑还在使用Win 7系统。不要误会,我喜欢用Win 7,也习惯了用它。但从另一角度来说,做为生产力工具,它也的确早该升级到最新版本了。
我无意责怪公司IT人员阻止我使用微软新品,毕竟他们要照顾到公司的每一个人,确保我们使用的所有应用都能与任何新操作系统兼容。这可不是一项简单的任务。
当我询问客户他们正在使用哪个版本的Windows桌面时,他们通常会给出相同的答案:我们在用Win7系统,但过几个月会迁移到Win10。当然,有些企业已经更新了自己的桌面环境,而且普及率也在提高,但更多的人还没有采取行动。
对于选择部署微软产品的企业机构来说,选择Win10操作系统的理由可以有很多,但最主要的一个原因可以归结为两个字——安全。
安全协作才是标准
这并不是说Win 7不安全,在你开始之前,我并不是要在这里主持一场关于安全或缺乏安全性以及有关其他操作系统的辩论。但Win10在支持某些关键技术方面,超越了它的前任。其中一个主要领域就是用户协作和文件共享。传统上它使用一种被称为服务器消息块的协议,简称SMB。
大多数公司已经在数据中心更新了他们的Microsoft服务器,以便运行Windows server 2016。当Win10客户端连接到server 2016文件服务器时,他们便会自动使用协议的最新版本SMB 3.1.1。
在SMB 3.1.1中,微软包含了一个名为“预认证完整性检查”功能。是的,读起来有点拗口。说简单点,这是一种安全机制,确保在客户端和服务器之间没有第三人。当客户端和服务器启动对话时,此检查将自动进行。如果有任何证据表明客户端和服务器之间发生了篡改,那么连接将被重置,会话立即停止。这是一种相当明智的方法。
由于广域网优化设备提供的是第七层应用加速,比如RiverbedSteelHead,按照设计是可以与客户端—服务器对话进行交互的。而针对SMB 3.1.1,一种不正确的做法是让一台广域网优化设备“透传”SMB 3.1.1的流量,可这样就完全违背了初衷,同时意味着对用户生产力和广域网带宽消耗带来的负面影响。过去广域网优化设备可以强制客户端和服务器向下协商SMB1(协议的早期版本),从而避免安全检查。但这却破坏了整体安全对象,微软不仅不鼓励这种协商,还会在这些新近更新的操作系统中积极加以阻止。
优化、安全的Riverbed SteelHead
为什么以WAN优化的角度来看这很重要?原因很简单,因为当您看到网络中前三大应用正受益于广域网优化时,从我的经验来看,SMB通常与电子邮件和HTTP(S)一起使用。这就占用了广域网流量相当大一部分,如果这部分没有被优化,意味着你的用户生产力将受到影响,未优化的流量可能意味着广域网带宽正在变得越来越拥塞,这会影响所有使用链路的其他流量。
不过不要担心,Riverbed已经与微软展开紧密合作。早在2016年5月,我们的工程团队已经确保SteelHead9.2及其之后的版本能够遵从预认证完整性检查。它可为SMB 3.1.1流量提供真正的第七层优化,而不会影响客户端和服务器之间的安全性。它能够实现端到端的签名和加密。所以我们有理由说,“保持镇定,继续合作!”
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。