Google Cloud Storage
PulseAugur coverage of Google Cloud Storage — every cluster mentioning Google Cloud Storage across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
nRouter AI 网关将日志传输转移到应用程序标头
nRouter AI 网关不会直接将请求日志发送到 Datadog 或 Langfuse 等平台。相反,关键的遥测数据,包括使用的模型、令牌计数、延迟和成本,都包含在响应标头中。用户被指示在应用程序内捕获这些标头,然后将结构化数据转发到他们选择的可观察性工具。这种方法将凭据保留在用户的环境中,并确保网关不会记录敏感的提示或响应文本。
-
云服务提供商应对冗余数据存储成本
Amazon Web Services、Microsoft Azure 和 Google Cloud 等云服务提供商正在提供解决方案,以降低冗余数据存储成本。这些服务旨在识别和消除重复文件,从而优化存储效率并可能降低用户的费用。重点在于智能数据管理,而不是简单地增加存储容量。
-
埃隆·马斯克因成本问题限制 Grok Bot;Revolut 通过自托管 GLM 削减开支
据报道,埃隆·马斯克因不可持续的高昂运营成本而限制了对 Grok Bot 的访问,导致用户使用量大幅增加。相比之下,Revolut 已将约 2,000 名工程师转移到自托管的 GLM 来执行编码任务,并报告了显著的成本降低和工程交付时间的缩短。文章还澄清,Qwen 的改进是通过基于 Python 的练习题集实现的,而非仅通过直接权重调整,并讨论了在 Cloud Run 上将 Cloud Storage 与 SQLite 数据库一起使用的局限性。
-
Qdrant 1.20 将 BM25 关键字排名集成到向量数据库索引中
Qdrant 发布了 1.20 版本,对其开源向量数据库进行了重大增强。此次更新将 BM25 关键字排名直接集成到全文本索引中,无需为关键字搜索单独使用嵌入模型和管道。新版本还具有用于改进标识符匹配的代码分词器、用于加速嵌套过滤操作的每个元素索引,以及两种新的 TurboQuant 数据类型(Turbo16 和 Turbo8),可在对召回率影响最小的情况下减少向量存储。通过对 peer gRPC 端口默认启用内部身份验证来增强安全性,…
-
Databricks 提供 BigQuery 到 Lakehouse 迁移框架
Databricks 推出了一个战略框架,帮助组织将其数据和分析工作负载从 Google BigQuery 迁移到 Databricks Lakehouse 架构。该框架强调分阶段进行,侧重于流程、技术和人员,以确保顺利过渡。它旨在统一治理、整合 BI、ETL 和 AI 工作负载,并提供更高效、为 AI 做好准备的数据基础,具有可预测的性能和降低的运营成本。
-
Weaviate 向量数据库集成混合搜索和多租户
Weaviate 是一款向量数据库,提供全面的功能套件,包括内置向量化、混合搜索和多租户,旨在简化用户的部署。它将词汇搜索 (BM25F) 与向量搜索相结合,并直接在数据库内支持生成式搜索功能。然而,管理自托管的向量化模块需要单独的容器和资源,并且模式更改(尤其是针对向量化器)需要重新导入数据。
-
Google's Gemma 4 models repacked for enhanced performance on single TPU v5e
一份技术指南详细介绍了如何重新打包Google的量化感知训练(QAT)Gemma 4模型,以提高在单个Google Cloud TPU v5e芯片上的性能。重新打包后的模型,特别是12B参数版本,与bfloat16版本相比,在吞吐量和准确性方面具有竞争力,其中12B模型成为能装入该芯片的最大模型。这种优化允许在单个TPU v5e上部署各种大小的Gemma 4模型,从E2B到26B,为高效部署这些模型提供了一种实用的方法。
-
Databricks Unity Catalog 强调用户对数据存储的控制权
Databricks 详细介绍了其在 Unity Catalog 中管理数据存储的策略,强调用户控制和开放格式。该平台允许用户将托管表数据存储在他们自己的云存储账户中,例如 Amazon S3、ADLs 或 Google Cloud Storage,从而确保数据所有权和可见性。Unity Catalog 支持 Iceberg 和 Delta 格式,可自动进行数据布局、调优和清理,同时允许 Apache Spark、Flink、Trin…
-
僵尸工作负载耗尽数据中心效率,云支出高达30%
僵尸工作负载,即被遗弃的计算资源,如作业、实例和存储卷,严重消耗数据中心的效率和云支出。这些“孤儿”或“流浪”资产可能消耗高达13%的云使用量,一些估计将整体云浪费推高至25-30%。虽然 FinOps 工具和按需缩减配置有助于管理这些资源,但 GPU 密集型 AI 和微服务架构的兴起给识别和消除这些昂贵的低效问题带来了新的挑战。
-
MCP Python SDK 从 1.x 更新至 2.x,需要服务器迁移
MCP Python SDK 已从 1.x 版本(FastMCP)更新至 2.x 版本(MCPServer),现有 Python MCP 服务器需要进行迁移。此次更新包括将 FastMCP 重命名为 MCPServer,并对 API 进行更改,涉及传输机制和依赖项。开发者需要更新代码以使用新 SDK,或将项目固定到旧版本以保持兼容性。迁移过程涉及识别受这些更改影响的代码(如工具定义和传输协议),并调整依赖项(如将 httpx 更改为 …
-
指南:在 Cloud Run 上使用 NVIDIA L4 GPU 部署 Gemma 4 模型
本文详细介绍了在 Google Cloud Run 上部署 Gemma 4 E2B 模型的分步指南,利用 NVIDIA L4 GPU。部署由 Python MCP 服务器管理,该服务器已更新为使用 MCP SDK 2.x。此设置允许自动暂存模型权重、部署服务、健康检查和基准测试,Cloud Run 提供了一个无服务器环境,在空闲时可扩展至零。
-
人口普查局面临政治干预;MacBook 备份工具受关注
据报道,美国人口普查局正经历政治干预,损害了美国的统计系统。另外,用户可以使用 MacBook 的内置备份工具 Time Machine,作为付费云存储解决方案的替代方案。
-
Google DeepMind 发布 WeatherNext 3 AI,实现超高精度每小时天气预报 · 跟踪 8 个来源
Google DeepMind 推出了 WeatherNext 3,这是一个用于全球天气预报的先进人工智能模型。该新模型通过直接从实时卫星观测中学习,绕过了传统的基于物理的模拟及其固有的数据延迟,从而显著提高了准确性和分辨率。WeatherNext 3 以 5 公里的分辨率生成每小时预报,比其前代产品提高了五倍,并正在集成到包括 Search、Gemini 和 Maps 在内的各种 Google 产品中。
-
RAG 详解:LLM 如何访问和使用特定数据来生成答案
检索增强生成(RAG)是 LLM 应用中用于让模型访问其训练集之外的特定、最新数据的一项技术。RAG 流程包括一个检索器从文档中查找相关文本块,然后将这些文本块作为上下文供 LLM 生成答案。生产系统通常包含额外的步骤,如解析、分块、嵌入生成、索引、重排序和构建最终上下文,以提高答案的质量和准确性。
-
AI代理将使用“查询后变更”来进行基础设施变更
提出了一种新的方法,称为“查询后变更”,用于AI代理如何与基础设施即代码(IaC)工具进行交互。该方法强调在进行任何更改之前读取实时云状态,这与依赖缓存快照的Terraform等传统IaC工具形成对比。该模式包括查询当前基础设施状态,将其与定义的策略进行比较,然后仅变更不符合这些策略的部分,最后进行验证。这确保了代理能够使用最新信息进行操作并遵守安全限制,使其适合在动态环境中持续运行。
-
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…
-
开放表格式:Iceberg、Delta Lake 和 Hudi 详解
开放表格式,如 Apache Iceberg、Delta Lake 和 Apache Hudi,对于数据湖至关重要,它们支持在对象存储中存储的数据上进行 ACID 事务、模式演进和时间旅行。这些格式将文件集合转化为可查询的表,弥合了数据湖和数据仓库之间的差距。Apache Iceberg 源自 Netflix,专注于大型、不断演进的表的高效元数据管理。Delta Lake 由 Databricks 开发,使用事务日志来实现 ACID …
-
Google 向瑞典大学学生提供免费 AI 服务和云存储
Google 通过向瑞典大学学生提供一年免费 AI 服务和额外云存储,大力投资教育领域。该计划还包括旨在简化教学和学习过程的工具。
-
Gemini 代理钩子在错误时未能阻止工具调用
Gemini 代理钩子由 Google 于 2026 年 7 月推出,旨在允许自定义脚本拦截并可能阻止托管代理发起的工具调用。然而,该实现存在一个严重缺陷:钩子脚本中的任何失败,包括崩溃、超时或格式错误的响应,都会导致工具调用继续执行。这意味着钩子更多地起到审计和提示机制的作用,而不是强大的安全边界。建议开发人员实施严格的网络规则并使用令牌限制作为主要的安保控制措施,将钩子视为第二层防御。
-
Google Cloud 的无边界湖仓一体整合 AWS、Databricks、Snowflake 的数据
Google Cloud 推出了新的“无边界湖仓一体”计划,旨在消除跨不同云平台复制数据的需求。该服务目前处于预览阶段,允许数据管道和代理通过 Iceberg REST 目录直接访问位于 AWS Glue、Databricks Unity Catalog 和 Snowflake Horizon 中的数据。此外,Google 还为跨云数据传输提供统一费率定价层,并发布了一个开源 Data Agent Kit,该套件与 Model Con…