對北美的Office 365用戶而言,這一周他們過得并不愉快。
6月23日,眾多用戶的Lync Online通信服務(wù)宕機(jī)數(shù)小時。6月24日,Office 365平臺連接Exchange Online(在線交流)故障導(dǎo)致部分用戶無法登錄或在這一天內(nèi)長時間無法及時收到他們的郵件。
6月26日,微軟Office 365工程部門副總裁拉杰什·杰哈(Rajesh Jha)在一篇博文中向眾多用戶道歉,并解釋了Office 365北美分公司數(shù)據(jù)中心產(chǎn)生故障的原因。
杰哈表示,相繼發(fā)生的Lync Online通信服務(wù)和Exchange Online在線交流服務(wù)故障之間“并不相關(guān)”。
Lync Online通信服務(wù)故障致使很多用戶無法登錄微軟的Lync Online統(tǒng)一通信服務(wù),微軟將其歸因于外部網(wǎng)絡(luò)連接失敗故障。
杰哈解釋道:“盡管鏈接故障在幾分鐘內(nèi)便得以修復(fù),但隨之而來的流量高峰導(dǎo)致若干網(wǎng)絡(luò)元素過載,繼而延長了我們一些客戶無法訪問Lync功能的持續(xù)時間。”
杰哈還承認(rèn),Exchange Online在線交流服務(wù)故障導(dǎo)致“一些用戶的外部綁定郵箱電子郵件(該公司收到和發(fā)出的郵件)延遲。”此外,一小部分用戶根本不能訪問其Exchange電子郵件服務(wù)。然而,微軟Service Health Dashboard并未向所有用戶通知該服務(wù)故障,反而顯示一切運行正常。
杰哈說道:“至于Exchange Online在線交流服務(wù)故障,主要是由一處文件目錄功能間歇性失效引發(fā)的,其間歇性失效導(dǎo)致一處目錄分區(qū)不再響應(yīng)用戶身份驗證請求。”
盡管杰哈堅稱僅“一小部分用戶”無法訪問其電子郵件,但他們無法訪問服務(wù)的時間卻是“持久的”。然而,杰哈指出:“本次故障的本質(zhì)在廣泛的郵件發(fā)送系統(tǒng)中引起了意想不到的問題,由于未知的代碼漏洞導(dǎo)致許多用戶的郵件流延遲。”
微軟團(tuán)隊最終將郵件發(fā)送系統(tǒng)與其失效的目錄分區(qū)分離開來,繼而解決導(dǎo)致其目錄分區(qū)失敗的根本問題。杰哈表示,微軟正“致力于對這種模式的進(jìn)一步強(qiáng)化”。
杰哈表示,微軟還計劃在用戶Service Health Dashboard中發(fā)布一個“事后報告”(PIR),其間將包含本次故障的詳細(xì)分析,和微軟對此做出的回應(yīng),以及公司將來會采取哪些措施來防止類似問題的發(fā)生等。
目前為止還未有消息表明微軟正計劃做什么,如果有,那或許會與對本周受到影響的用戶進(jìn)行經(jīng)濟(jì)賠償相關(guān)。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強(qiáng)于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。