Anyscale, Inc.
PulseAugur coverage of Anyscale, Inc. — every cluster mentioning Anyscale, Inc. across labs, papers, and developer communities, ranked by signal.
- 2026-07-30 partnership Anyscale has signed a definitive agreement to join Nscale, aiming to integrate software and infrastructure for AI workloads. 来源
- 2026-06-11 product_launch Anyscale launched new agent skills to automate the debugging of Ray workloads. 来源
- 2026-06-10 product_launch Anyscale demonstrated cost savings in LLM serving using Ray and vLLM on AMD hardware. 来源
- 2026-06-03 research_milestone Anyscale demonstrated a 20x speedup in cross-region training data reads using Alluxio and Ray Data. 来源
- 2026-06-02 product_launch Anyscale's AI compute platform has entered public preview as an Azure Native integration. 来源
- 2026-05-22 product_launch Anyscale launched a private preview of its managed service on Microsoft Azure. 来源
- 2026-04-02 product_launch Anyscale announced DP Group Fault Tolerance for vLLM WideEP Deployments with Ray Serve LLM. 来源
1 天有情绪数据
Anyscale to release new Ray features for multimodal AI data pipelines
The detailed blog post on Ray Data for scaling multimodal AI data pipelines suggests Anyscale is investing heavily in this area. We hypothesize they will release new features or tools specifically targeting the challenges of multimodal data preprocessing and streaming within the next quarter.
Anyscale actively expanding Ray's integration with major cloud providers
Anyscale has launched a managed service on Azure, indicating a strategic push to integrate Ray with major cloud providers. This move aims to simplify enterprise adoption and leverage existing cloud infrastructure for AI workloads.
Anyscale enhances Ray's observability and debugging capabilities
The launch of persistent Cluster and Actor Dashboards for Ray signifies Anyscale's commitment to improving the developer experience for large-scale AI workloads. This addresses a key pain point in debugging and monitoring complex distributed systems.
Anyscale to announce enterprise-focused Ray features within 90 days
Anyscale's recent announcements highlight a strong push towards enterprise adoption, including a managed service on Azure and enhanced monitoring tools for large-scale workloads. This suggests a strategic focus on catering to enterprise needs, making an announcement of specific enterprise-grade features or support for Ray a likely next step.
Anyscale to release benchmarks demonstrating Ray Data's performance gains within 60 days
Anyscale's detailed explanation of Ray Data's benefits for multimodal AI data pipelines, focusing on overcoming I/O bottlenecks and improving GPU utilization, suggests they have performance data to back these claims. Releasing formal benchmarks would be a logical next step to validate these improvements and attract users facing similar scaling challenges.
-
开发者在 Together AI 速率限制下寻找推理提供商
一位独立开发者在测试多种大型语言模型（包括 Llama 3.3 70B 和 Qwen 2.5）用于代理存储库索引工具时，遇到了 Together AI 的速率限制。该开发者正在寻找提供更多慷慨的 API 积分供实验而无需企业级收入的替代推理提供商。几家主要的人工智能公司和推理平台被提及为潜在选择。
-
Anyscale 的 Azure Kubernetes 架构详解
本文详细技术性地解释了 Anyscale 在 Azure Kubernetes Service (AKS) 上的架构。它概述了双平面 Azure 设置，并描述了 Ray Data、Train 和 Serve 管道。文章还阐明了 Anyscale 的托管服务与底层 Azure 基础设施之间的操作边界。
-
MiniMax AI的H3模型在Ray峰会上整合文本、图像、视频和音频
MiniMax AI的H3模型，一个能够处理文本、图像、视频和音频的33B开源模型，在旧金山的Ray峰会上进行了展示。演示详细介绍了H3如何将多种模态整合到单一上下文中。此外，讨论还涵盖了开发人员如何对H3进行微调、评估和部署，并提到了与Anyscale、DigitalOcean、NVIDIA、Infact和Nous Research的合作。
-
Anyscale 为 Kubernetes 事后调试推出 Ray History Server
Anyscale 推出了 Ray History Server，这是一项旨在为在 Kubernetes 上运行的 Ray 集群提供事后可观测性的新功能。该工具解决了当集群是临时性的（即使用后即终止）时调试失败作业的挑战。History Server 从存储在对象存储中的遥测数据中重建 Ray Dashboard 界面，使用户即使在集群关闭后也能访问日志、任务状态和错误跟踪。此功能目前在 KubeRay v1.7 中处于测试阶段，包括一…
-
Anyscale 将原生沙箱集成到 Ray 框架中
Anyscale 在其 Ray 框架中引入了原生沙箱功能，从 2.58 版本开始。这项与 Google 合作并利用 gVisor 开发的新功能，允许直接在 Ray 集群内创建和管理隔离的执行环境。这些沙箱可以使用现有的 Ray 原始组件进行调度和扩展，从而简化了需要运行大量执行模型生成代码的隔离环境的代理强化学习工作负载。该集成提供了用于简单隔离执行的高级 API 和用于构建自定义沙箱服务的低级原始组件，由 Ray 处理编排，gVis…
-
Anyscale 改进 Ray Data shuffle 引擎，提升速度和稳定性
Anyscale 为其 Ray Data 框架推出了 Shuffle V2，这是对其 shuffle 引擎的一次重大重新设计。新版本通过将 shuffle 中间结果物化到对象存储中，而不是累积在长生命周期的聚合器 actor 中，解决了 Shuffle V1 的局限性。这一改变增强了稳定性，允许数据在内存满时溢出到磁盘，并通过使引擎能够同时运行更多任务来提高可扩展性。此外，Shuffle V2 还引入了诸如向量化聚合和跨 shuffl…
-
Anyscale 推出 GPU 健康可观测性以诊断硬件故障
Anyscale 已推出其 GPU 健康可观测性工具的私有预览版，旨在弥合 GPU 集群中应用级故障与底层硬件问题之间的差距。这一新的可观测性层与 KubeRay 和 Kubernetes 集成，将 XID 错误和 ECC 内存计数等关键硬件信号与正在 GPU 上运行的特定 Ray 作业和工作区相关联。此前，诊断硬件故障需要手动关联来自不同工具的数据，导致工程时间大量损失。
-
KubeRay v1.6 和 v1.7 通过 History Server 和安全性增强 Kubernetes 上的 Ray
Anyscale 发布了 KubeRay 1.6 和 1.7 版本，为在 Kubernetes 上运行 Ray 框架带来了重大增强。这些更新包括 History Server 的 Beta 版本，用于访问已删除 Ray 集群的日志和事件；改进的安全功能，如 NetworkPolicy 支持和自动 mTLS 证书管理；以及 RayService 在增量升级和回滚能力方面的进步。这些版本还为 RayJob 和 RayCluster 带来了…
-
Anyscale 通过 GPU 原生运算符提升 Ray Data 以支持 AI 工作负载
Anyscale 增强了其 Ray Data 引擎，引入了 GPU 原生运算符，并与 NVIDIA 合作集成了 cuDF 和 RapidsMPF。这些更新允许数据处理任务直接在 GPU 上执行，为 AI 工作负载带来显著的性能提升。新功能包括将 cuDF 作为一流的批处理格式以及 GPU 原生 shuffle 后端，与基于 CPU 的解决方案相比，在特定数据整理任务中，总拥有成本最多可降低 3 倍。
-
Anyscale 概述用于构建专有 AI 智能的“学习循环”
Anyscale, Inc. 提出了“学习循环”的概念，作为企业利用其专有数据构建差异化智能的战略方法。这包括数据策展、定制模型训练和推理的循环，随着大型语言模型（LLMs）和代理系统的发展，这一过程变得更加复杂和资源密集。该公司概述了采用学习循环的三步成熟度曲线：首先是提示词所有权，然后是模型权重和运行时的所有权，最终是优化整个循环以实现更深层次的业务差异化。
-
Anyscale 提升 Ray 在大规模 AI 训练集群中的性能
Anyscale 已显著增强其 Ray 框架，以更好地支持大规模 AI 工作负载。最近的改进解决了驱动程序性能和 Actor 调度中的瓶颈，从而显著加快了批处理推理和数据混洗任务的速度。这些优化使 Ray 能够处理更大的训练集群，扩展到 10,000 个节点并支持多达 40,000 个 Actor，与之前的能力相比有了显著提升。
-
Anyscale Connect 集成 Kubernetes Ray 部署
Anyscale 推出了 Anyscale KubeRay Connect，这是一款旨在将 Anyscale 平台与现有 Kubernetes Ray 部署集成的新产品。该新产品允许用户在利用 Anyscale 的可观测性和编排功能的同时，继续维护其现有的 KubeRay operator 及相关工具（如 Kueue 和 Argo CD）。Connect 产品通过在准入时将轻量级 sidecar 注入现有的 KubeRay 规范，从而…
-
Anyscale 详细介绍 Ray 漏洞 CVE-2025-62593，已在 v2.52.0 中修复
Anyscale 详细介绍了影响其 Ray 框架 2.52.0 版本之前版本的严重漏洞 CVE-2025-62593。该漏洞已在 2025 年 11 月 26 日发布的 2.52.0 版本中修复，它允许通过 DNS 重新绑定和可绕过的 User-Agent 标头检查组合，在用户机器上执行任意代码。CISA 于 2026 年 8 月 17 日将此 CVE 添加到其已知被利用漏洞目录中，要求联邦机构在 2026 年 8 月 20 日之前进…
-
Anyscale 详细介绍了用于视频索引服务的 Ray Serve 异步推理
Anyscale 详细介绍了其 Ray Serve 中异步推理功能的一个实际实现，并展示了其在视频索引服务中的应用。该服务利用 Redis 或 RabbitMQ 等消息队列进行后台处理，能够高效地处理视频分析等长时间运行的任务，而不会阻塞客户端请求。该架构包括用于入口、视频消费和分块以及基于 GPU 的嵌入的独立部署，并根据队列深度和 GPU 负载进行自动扩展。
-
Anyscale Ray 优化 NVIDIA GB300 NVL72 的 NVLink 域放置
Anyscale 为其 Ray 框架引入了 NVLink 域感知放置组，旨在优化 NVIDIA GB300 NVL72 系统的性能。这些新的放置组确保紧密耦合的 actor 被调度在同一个 NVLink 域内，NVLink 域是一个连接 72 个 NVIDIA Blackwell GPU 和 36 个 NVIDIA Grace CPU 的机架级互连。这种拓扑感知调度原语旨在最大化 GPU 通信并保留系统意图，它建立在先前节点级放置策略的基础上。
-
新的LLM研究涵盖开发者交互、隐私、自建模和HPC
近期研究探讨了大语言模型（LLM）开发和应用的各个方面。一项研究调查了用于软件开发的动态LLM对话，发现主动指导可以提高开发者的满意度。另一篇论文提出了一种使用偏好优化来平衡LLM对齐中的隐私、效用和安全性的方法，表明隐私-偏好混合可以减少记忆信号。进一步的研究深入探讨了LLM的自建模能力，开发了一个基准和合成数据管道来提高这些技能，并探索了用单个token替换长系统提示以提高效率的技术。此外，一项调查检查了LLM在高性能计算（HPC…
-
Runway ML宣布将于今年9月在旧金山举办首届AI峰会
Runway ML宣布其首届AI峰会将于今年9月在旧金山举行。此次活动将汇聚机器人、自动驾驶汽车、生命科学和基础设施等多个领域的行业领袖，共同探讨AI的变革性影响。目前已公布的知名演讲者包括Anyscale, Inc.的Anastasis Germanidis和Robert Nishihara，以及来自Nvidia和The Bot Company的代表。
-
Nscale 以 16.5 亿美元收购 Anyscale，以加强 AI 计算堆栈
AI 新云公司 Nscale 已以 16.5 亿美元收购了专注于扩展 AI 工作负载的初创公司 Anyscale。此次收购旨在通过整合 Anyscale 用于管理和扩展大型语言模型及其他 AI 任务的平台，来加强 Nscale 在 AI 计算堆栈中的地位。Anyscale 由 Project Ray 框架的创建者创立，将继续以自有品牌运营并保留其员工。
-
Anyscale 将加入 Nscale，增强 Ray 与基础设施的集成
以其分布式计算框架 Ray 而闻名的 Anyscale 公司宣布已签署最终协议加入 Nscale。此次收购旨在深化 Anyscale 的 Ray 软件优化与其数据中心和 GPU 容量等物理基础设施之间的集成。合并后的实体计划在 PyTorch 基金会下，通过成为白金会员的 Nscale 来增强 Ray 在先进硬件上的性能，并保持其开源战略。
-
Anyscale 通过资源隔离增强 Ray AI 框架稳定性
Anyscale 为其 Ray 框架引入了新的资源隔离功能，旨在提高内存和计算密集型 AI 应用的集群稳定性。该功能利用 Linux 内核控制组 (cgroup-v2) 来防止工作负载争用资源，从而避免节点和作业失败。该实现已在处理大型视频数据管道等先前不稳定的工作负载上显示出高达 1.5 倍的加速，并消除了故障。