Ray
PulseAugur coverage of Ray — every cluster mentioning Ray across labs, papers, and developer communities, ranked by signal.
- 2026-08-25 product_launch Anyscale announced the integration of native sandboxing capabilities into the Ray framework. 来源
- 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
1 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.
-
NVIDIA BioNeMo 推理运行时加速蛋白质结构预测
NVIDIA 推出了 BioNeMo 推理运行时 (BioIR)，这是一个旨在加速 NVIDIA GPU 上生物分子结构预测模型的 Python 库。BioIR 优化了 Pairformer 和 Evoformer 等模型中的特定操作，并利用 CUDA Graph 捕获进行模块优化，以及使用 Ray 进行流水线扩展。该运行时已被用于扩展 AlphaFold 数据库，为数百万个高置信度蛋白质结构预测的发布做出了贡献。基准测试显示，与标准…
-
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。
-
DGX Spark 内存管理挑战详解 LLM 服务
DGX Spark 系统配备 NVIDIA GB10 Grace Blackwell Superchip，在扣除系统进程和 CUDA 分配后，为 LLM 服务提供约 115 GiB 的可用内存。然而，管理这个共享内存池至关重要，因为驱动程序分配可能会超出进程级别的 cgroup 限制，可能导致系统冻结和自动重启循环。缓解这些问题的策略包括仔细监控内存使用情况、禁用或缩小交换空间，以及在重启前实施特定命令来更新容器重启策略。
-
初创公司寻求租用闲置游戏PC以用于AI推理任务
两家初创公司Far Labs和Evolving Edge正在开发平台，用于租用闲置的游戏PC以进行AI推理任务，目标是创建“AI的Airbnb”。这些平台将利用RTX 4090等消费级硬件，将模型拆分成更小的部分，以便在多台机器上进行处理。虽然它们承诺通过沙盒技术提供具有竞争力的延迟和安全性，但用户盈利能力以及这种分布式模型大规模运行的可行性仍未得到证实，尤其考虑到电力成本。
-
Sonos Ace Ultra 耳机可与所有 Sonos 音箱实现无缝音频切换
Sonos 发布了新款 Ace Ultra 耳机，这是其上一代产品的升级版，具有增强的主动降噪功能和更长的电池续航时间。关键的新功能允许用户通过按一下按钮即可将音频从任何 Sonos 音箱或条形音箱无缝传输到耳机，该功能目前处于早期访问开发阶段。这款耳机还拥有 8 段均衡器、改进的被动降噪功能，并支持通过蓝牙或 USB-C 进行杜比全景声和无损音频。
-
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 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…
-
AWS SageMaker HyperPod 集成新 Ray 功能以进行基础模型训练
Amazon SageMaker HyperPod 现在提供与开源 Ray 框架的增强集成，简化了基础模型的训练和部署过程。此更新允许数据科学家直接在 SageMaker Studio 中管理 Ray 集群，无需手动配置 Kubernetes 和复杂的命令行操作。该集成提供了自动容错、通过分层检查点更快地恢复作业，以及对仪表板和模型权重的简化访问。
-
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。