龙蜥社区衍生版浪潮信息 KOS 升级!支持最新 5.10 内核,让大模型“开箱即用”

简介: 社区衍生版KeyarchOS产品升级,实现了大模型应用的“开箱即用”。

日前,龙蜥社区迎来重磅产品升级,社区衍生版——浪潮信息服务器操作系统云峦KeyarchOS(简称 KOS)更新支持龙蜥最新 5.10 内核,新增 CXL 分层内存优化、代码多副本、增强网络收包能力等功能特性,提升了系统性能和稳定性。面对 AIGC 时代大模型应用部署需求,KOS 将复杂的安装程序及运行环境进行打包,实现了大模型应用的“开箱即用”,为用户带来了全新的使用体验。


支持龙蜥最新 5.10 内核  提升系统性能和稳定性


浪潮信息操作系统 KOS 升级版支持龙蜥最新 5.10 内核,充分发挥 Linux 及龙蜥内核优秀特性。其中,KOS 新增的 CXL 分层内存优化功能,能够根据内存的访问频率动态地将热数据保存到 DRAM、冷数据保存到 CXL 内存中,最小化影响工作负载性能,在典型内存密集型应用 Redis 使用混合内存时,性能提升达到 12%。



面对各类应用及复杂的硬件环境,全新升级的 KOS 在稳定可靠方面进行了增强,支持内核热补丁功能,在不停机状态下进行内核漏洞和 bug 的修复,保证关键业务连续运行,提供集群高可用软件栈,有效支撑了应用高可用部署、故障无感切换,LTP(LinuxTest Project)测试通过率达到 98%,RAS 性能达到业内领先水平。


信通院此前发布的用户调研显示,用户意愿迁移至龙蜥操作系统的比例超过半数达 53%,排名第一。KOS 在社区版本基础上,在一云多芯、人工智能、虚拟化、云原生等方面都得到了增强,并实现规模化部署。



整合系统环境及组件  简化大模型应用部署

本次 KOS 升级版的另一大亮点是支持大模型应用的“开箱即用”。高效部署大模型并开发相关应用成为许多企业和开发者的迫切需求,但传统的部署方式存在依赖库安装复杂、环境配置繁琐等诸多不便,限制了大模型应用的快推广。KOS 升级版通过整合系统环境及相关组件,极大简化了大模型部署复杂度,让大模型应用部署变得简单高效。


以智能 AI 助手 YuanChat 安装为例,KOS 将 NV 底层组件、Miniconda 相关 Linux 命令及研发所需环境、源 2.0 大模型及运行的依赖软件、容器相关组件以及 YuanChat 官方软件分别打包为 rpm 包,融入基础 ISO 镜像中,固化默认最优配置,形成开箱即用的 YuanChat 的 ISO 镜像。相比原来复杂繁琐的安装流程,实现了极度简化,让大模型应用变得简单易部署。


内置安全防御组件  构建内生安全体系

浪潮信息操作系统 KOS 通过内置轻量化安全防御组件,提供安全检测和防御能力,提升操作系统安全性和合规性,防止黑客入侵及内部违规操作;同时使用可信增强模块,基于可信度量功能,构建从服务器上电到操作系统启动的信任链。



为了进一步提升操作系统的安全性,浪潮信息牵头成立了龙蜥社区系统安全特别兴趣小组(SIG),该 SIG 深入研究系统安全领域,不断完善操作系统安全基础,加强安全知识的共享和交流。

截至目前,KOS 累计装机量突破 25 万台,广泛服务于金融、教育、能源、通信等关键行业,为用户提供稳定可靠、安全易用、高性能的操作系统底座。


附:KeyarchOS 升级版下载地址:

https://abmkt.ieisystem.com/keyarchos-58-sp1-u2jing-xiang-he-ji-xia-zai

—— 完 ——

相关文章
|
人工智能 自然语言处理 大数据
“后土”启动!自然资源部信息中心与阿里云联合研发大模型
“后土”启动!自然资源部信息中心与阿里云联合研发大模型
2739 0
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型新资讯】从信息蜂房到上下文工程
1. **信息蜂房**:借鉴“信息茧房”概念,倡导多元交流与群体智慧,推动内容生态协同发展。 2. **ROLL**:高效强化学习库,专为大语言模型优化,提升训练效率与多场景应用能力。 3. **AI游戏引擎**:以AI驱动生成式游戏,实时响应玩家想象,重塑游戏创作与体验方式。 4. **质陪解决方案**:融合AI质检与陪练系统,全面评估销售行为,助力企业提升服务质量与销售能力。 5. **上下文工程**:构建动态信息环境,为大模型提供任务所需完整背景,决定AI智能体成败关键。
|
6月前
|
JSON 自然语言处理 API
合合信息TextIn大模型加速器2.0发布:智能图表解析测评
随着人工智能技术的飞速发展,大规模语言模型(LLM)在自然语言处理、图像识别、语音合成等领域的应用日益广泛。然而,大模型的计算复杂度和资源消耗问题也日益凸显。为了解决这一问题,合合信息TextIn推出了大模型加速器2.0,旨在提升大模型的训练和推理效率,降低计算成本,完成智能问答与对话式交互,深度概括与定位等。本文将对合合信息TextIn大模型加速器2.0进行详细测评,重点关注其在智能图表解析任务中的表现。
208 0
合合信息TextIn大模型加速器2.0发布:智能图表解析测评
|
6月前
|
数据采集 安全 API
使用开源项目和IP代理快速获取谷歌学术论文资源并通过大模型提炼信息
使用开源项目和IP代理快速获取谷歌学术论文资源并通过大模型提炼信息
|
6月前
|
机器学习/深度学习 人工智能 文字识别
从“泛读”到“精读”:合合信息文档解析如何让大模型更懂复杂文档?
随着deepseek等大模型逐渐步入视野,理论上文档解析工作应能大幅简化。 然而,实际情况却不尽如人意。当前的多模态大模型虽然具备强大的视觉与语言交互能力,但在解析非结构化文档时,仍面临复杂版式、多元素混排以及严密逻辑推理等挑战。
191 0
|
10月前
|
机器学习/深度学习 人工智能
大模型合成数据机理分析,人大刘勇团队:信息增益影响泛化能力
中国人民大学刘勇团队研究了合成数据对大型语言模型泛化能力的影响,提出逆瓶颈视角,通过“通过互信息的泛化增益”(GGMI)概念,揭示了后训练模型的泛化能力主要取决于从生成模型中获得的信息增益。这一发现为优化合成数据生成和后训练过程提供了重要理论依据。
270 1
|
10月前
|
存储 数据采集 自然语言处理
使用大模型时,该如何避免虚假信息的生成和使用?
使用大模型时,该如何避免虚假信息的生成和使用?
764 1
|
11月前
|
人工智能 前端开发 JavaScript
拿下奇怪的前端报错(一):报错信息是一个看不懂的数字数组Buffer(475) [Uint8Array],让AI大模型帮忙解析
本文介绍了前端开发中遇到的奇怪报错问题,特别是当错误信息不明确时的处理方法。作者分享了自己通过还原代码、试错等方式解决问题的经验,并以一个Vue3+TypeScript项目的构建失败为例,详细解析了如何从错误信息中定位问题,最终通过解读错误信息中的ASCII码找到了具体的错误文件。文章强调了基础知识的重要性,并鼓励读者遇到类似问题时不要慌张,耐心分析。
296 5
|
机器学习/深度学习 人工智能 数据安全/隐私保护
大发现!谷歌证明反学习,无法让大模型删除不良信息
【9月更文挑战第19天】最近,Ilia Shumailov等人发表的论文《UnUnlearning:反学习在大语言模型中的内容监管不足》在人工智能领域引发了热议。该论文探讨了反学习在大型语言模型中的应用,指出反学习虽能有效控制训练阶段的数据撤回,但在推理阶段仍可能执行非法行为,引入了“反反学习”的概念。这一发现对内容监管产生重要影响,但也引发了关于反学习有效性的争议。详细内容与讨论可见论文原文:https://arxiv.org/abs/2407.00106
136 1