Dell推出了一个看似私有云但实际上并非真正私有云的平台,该平台支持用户基于来自 VMware、 Nutanix 和 Red Hat 的软件堆栈创建私有云。
该订阅服务为用户提供了私有云的 "validated blueprints" ,据称这些蓝图可部署到任何 Dell 服务器与存储设备上。用户可以利用一组 Dell 设备来运行一个或多个受支持的软件堆栈。虽然不同的私有云不能在单个节点上共存,但该工具可以让它们在整套服务器与存储设备上共存,并实现集中管理。
Dell 声称,使用其平台创建一个新的私有云所需步骤比其他工具减少 90%,并且新环境仅需两个半小时即可投入运行。据了解,这一切均由 "Dell Automation Platform" 实现。
Michael Dell 的服务器部门开发这一平台的原因在于,他们认为超融合基础设施主要依赖于单一超管理程序,而三层架构依然相当复杂。Dell 试图通过加速私有云部署和提供 "full lifecycle management" ,为客户带来两全其美的解决方案。
用户既可以自带许可证,也可以通过 Dell 采购许可证。有趣的是,目前在 Dell 私有云中仅提供 VMware vSphere,而非 Broadcom 青睐的 VMware Cloud Foundation。其他模板将在今年下半年陆续推出。
分析师 Keith Townsend 预览了 Dell Automation Platform,并在 LinkedIn 上形容其为 "a young vision for modular infrastructure between private cloud stacks" ,暗示其 "highlights the journey in decoupling from the VMware stack" 。值得一提的是,Dell 倾向于将此称为 "disaggregated infrastructure" 。
此外,Dell 还尝试实现边缘计算的自动化,推出了基于策略的负载均衡工具,以及虚拟机的快照、备份和迁移功能。有趣的是,"Dell Native Edge" 既可以应用于 Dell 自家的硬件设备,也可用于其他竞争厂商的产品。
这些前沿和私有云方案是在本周刚开幕的 Dell Technologies World 年会中宣布的,该大会同时还发布了面向 AI 的全新硬件产品。正如预期,Dell 确保其服务器已准备好以最新配置运行,满足 Nvidia "AI Factory" 认可的要求,并支持使用 Nvidia 与 AMD 最新的加速器。
为了保持设备良好散热,Dell 研发了 "PowerCool Enclosed Rear Door Heat Exchanger" ,据称该产品可将制冷能耗降低 60%。此外,公司还推出了 "integrated rack controller" ,提供实时温度监控和所有机架级组件的统一管理。该工具的一大亮点是具备先进的泄漏检测功能,这在液体冷却逐渐流行的今天显得尤为重要。
另一项令人瞩目的公告是 Dell Pro Max Plus 这款笔记本电脑,它搭载了拥有 32 个 AI 核心的 Qualcomm AI 100 PC Inference Card。Dell 宣称,该设备可以运行参数量达 1090 亿的模型,而这些模型目前大多数用户只能在云端运行。Nvidia 对其 DGX Spark AI 工作站也做出了类似的宣称。 (R)
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。