Ray
PulseAugur coverage of Ray — every cluster mentioning Ray across labs, papers, and developer communities, ranked by signal.
- 2026-08-23 product_launch Ray version 2.58 was released, introducing KV cache routing. 来源
- 2026-08-19 research_milestone Anyscale details critical vulnerability CVE-2025-62593 in Ray, patched in version 2.52.0. 来源
- 2026-07-20 product_launch Ray released version 2.55 with official Google Cloud TPU support. 来源
- 2026-06-09 product_launch Luma Labs released version 3.2 of its Ray platform. 来源
- 2026-05-22 partnership Anyscale's Ray framework is joining the PyTorch Foundation. 来源
9 天有情绪数据
Ray Ecosystem to See Increased Integration with Specialized ML Libraries
The detailed example of integrating Ray with Optuna and MLflow for hyperparameter tuning suggests a growing trend. We hypothesize that Ray will see further integrations with specialized ML libraries and frameworks, enabling more robust and streamlined end-to-end MLOps pipelines.
Ray's TPU Support Accelerates Cloud-Native AI Development
The recent addition of Google Cloud TPU support in Ray 2.55, coupled with KubeRay's automated provisioning, indicates a significant push towards making complex AI workloads more accessible and efficient on major cloud platforms. This integration lowers the barrier for developers to leverage specialized hardware for distributed training and inference.
Anyscale's Resource Isolation to Drive Enterprise Adoption of Ray
Anyscale's new Resource Isolation feature, which improves stability and performance for intensive AI workloads, is likely to be a key driver for increased enterprise adoption of Ray. By mitigating common failure points and improving resource utilization, this feature addresses critical concerns for production AI deployments.
-
DeepSeek 削减 AI 模型价格，Ray 2.58 增加 KV 缓存路由
DeepSeek 已大幅降低其 AI 模型定价，旨在提高可访问性。此外，Ray 2.58 版本引入了 KV 缓存路由，这是一项旨在优化 AI 工作负载成本和延迟的功能。
-
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…
-
CISA 要求紧急修复 Ray RCE 漏洞；Peacock 提高价格
CISA 已发布一项指令，要求联邦机构在三天内修补 Ray 软件中的关键远程代码执行 (RCE) 漏洞。如果被利用，此漏洞可能允许攻击者通过针对开发人员的网络钓鱼和恶意广告活动访问私有公司网络。另外，Peacock 将提高所有套餐的订阅价格，其中带广告的 Select 套餐每月将上涨 1 美元。
-
CISA命令联邦机构修复被积极利用的Ray RCE漏洞
CISA已发布一项指令，要求联邦机构在三天内修补Ray中一个关键的远程代码执行（RCE）漏洞。该漏洞目前正被积极利用，构成重大的安全风险。该公告警告称，攻击者可能利用此漏洞通过针对开发人员的网络钓鱼和恶意广告活动来访问私有公司网络。
-
Ray 的 Olud Pulse 采用率得分降至 74
开源框架 Ray 本周的 Olud Pulse 采用率得分下降了 3 分，目前为 74/100。Olud Pulse 得分是用于跟踪各种工具采用情况的指标，并提供实时细分以显示影响 Ray 当前排名的因素。
-
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。
-
新框架通过LLM指导的测试增强AI程序验证
研究人员开发了一个名为定向神经符号随机执行（DNSSE）的新框架，以解决分布式并行AI程序的可靠性问题。这种混合测试方法结合了大型语言模型（LLM）指导的调度预测、符号约束求解和随机变异。DNSSE将AI执行建模为非确定性系统，并使用线性时序逻辑指定正确性，证明了其健全性和完备性。在PyTorch和Ray中的实现表明，与现有方法相比，在分布式AI基准测试中提高了错误检测和分支覆盖率。
-
Tencent Cloud 推出 AI DLC 以统一数据处理和 Agent 应用
Tencent Cloud 推出了其 AI DLC，一个智能数据湖计算平台，旨在简化从数据处理到 Agent 部署的整个 AI 应用生命周期。该平台集成了 Spark 和 Ray，允许在单一环境中无缝进行数据处理、训练和推理。AI DLC 采用无服务器架构，具有弹性扩展和异构资源池，旨在显著缩短 AI 工作负载（包括自动驾驶和具身智能领域）的处理时间和计算成本。
-
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。
-
新的RAY方法解决了统计推理中的非单调缺失数据问题
研究人员开发了一种名为受限方差分析层级（RAY）的新统计方法，以解决处理非单调缺失数据时的参数估计和推理挑战。该方法通过揭示数据中的层级结构，为有效估计量提供了可计算的近似。RAY估计量设计为具有任意填充函数的无偏估计量，并在特定条件下可达到理论效率界限，而自适应版本提供了进一步的改进。其适用性扩展到一般的Z估计问题，并在模拟和一项单细胞多组学研究中得到了证明。
-
Ray 库简化 TPU 上的分布式 AI
Ray 发布了其 Serve、Data 和 Train 库的更新，旨在简化在张量处理单元 (TPU) 上运行分布式 AI 工作负载的过程。这些增强功能旨在抽象化与 TPU 相关的复杂性，使开发人员更容易管理多主机模型调度、克服数据加载瓶颈以及简化 AI 训练和部署的跨切片协调。
-
Ray 2.55 为分布式 Python 工作负载增加了 Google Cloud TPU 支持
Ray 发布了 2.55 版本，现已包含对 Google Cloud TPU 的官方支持。此次更新允许开发者通过 Ray 现有的 API 在 TPU 上执行分布式 Python 工作负载。KubeRay 通过自动化多主机切片的配置，进一步简化了集成。
-
NVIDIA NeMo 集成 vLLM；腾讯发布量化 Hy3 模型
NVIDIA 的 NeMo 团队已将 vLLM 集成到其新的以代理为先的 RL 框架 Molt 中作为发布引擎。另外，腾讯发布了其拥有 295B 参数的旗舰模型 Hy3 的 1 位和 4 位量化版本。
-
使用 Ray、Optuna 和 MLflow 构建的用于分布式超参数调优的 MLOps 平台
本文详细介绍了分布式超参数优化平台的构建过程。作者概述了他们如何集成 Ray、Optuna 和 MLflow 来创建一个能够并行模型调优的系统。该平台设计为具有弹性，能够处理工作节点崩溃，并确保模型仅在满足特定性能标准时才被提升。
-
Ray：用于分布式 AI 应用程序的开源框架
Ray 是一个开源框架，可简化分布式应用程序的创建和部署。它因处理复杂计算任务的能力而被机器学习和人工智能社区广泛采用。
-
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。
-
社交媒体帖子提及“Ray”和“股东价值”，并带有幽默标签
此条目似乎是一则社交媒体帖子，以幽默的语境提及“Ray”和“股东价值”，可能与一个梗或内部笑话有关。它包含#鹅、#梗和#鹅图等标签，暗示其意图轻松或讽刺，而非事实新闻报道。
-
Anyscale 使用 Ray 实现可扩展的机器人策略评估
Anyscale 已经开发了一种新的方法，通过在其托管平台上利用 Ray 和 Isaac Lab 来评估机器人基础模型。这种方法通过分离 GPU 绑定工作负载来解决机器人仿真和策略推理中的挑战。该系统允许仿真和策略推理独立扩展，从而能够在无需为每次试验重新加载模型的情况下实现数百次并行运行。
-
Anyscale 详解 PyTorch 和 Ray 中的 FSDP，用于训练 Qwen3-TTS
这篇博文详细介绍了 PyTorch 中的完全分片数据并行（FSDP）技术，这是一种在多个 GPU 上高效训练大型 AI 模型的技术。它涵盖了 FSDP 的内部工作原理，演示了如何分片模型参数、梯度和优化器状态以最大限度地减少每个 GPU 的内存使用。文章包括实际示例，例如使用 PyTorch 和 Ray Train 训练 Vision Transformer 和微调 Qwen3-TTS 语音克隆模型。
-
Anyscale 推出 AI Agent Skills，自动化 Ray 工作负载调试
Anyscale 推出了新的 Agent Skills，旨在自动化其平台上的 Ray 工作负载调试。这些技能可通过 Anyscale CLI 访问，并与流行的编码代理集成，以简化识别和修复错误的过程。平台技能包括检查代码和实时工作负载、运行配置以及自动调试和修复失败作业的功能，旨在减少在复杂 AI 管道故障排除上花费的手动工作和时间。