Google.Cloud.AIPlatform.V1 3.15.0版本发布:AI平台功能全面升级
Google.Cloud.AIPlatform.V1是Google Cloud AI平台服务的.NET客户端库,为开发者提供了访问Google AI基础设施的强大能力。本次3.15.0版本带来了多项重要更新,特别是在代码执行工具、特征视图服务账户、推理引擎等方面有显著增强。
核心功能增强
代码执行工具API开放
新版本首次向v1 API公开了代码执行工具功能。这一功能允许开发者在AI平台中直接执行代码片段,为模型训练、数据处理等场景提供了更直接的交互方式。通过此API,开发者可以构建更灵活的AI工作流,实现代码与AI服务的无缝集成。
特征视图服务账户支持
在特征视图(FeatureView)服务中,现在支持使用特定服务账户进行身份验证和授权。这一改进增强了安全性,允许更细粒度的权限控制。企业用户可以根据最小权限原则,为不同的特征视图操作配置不同的服务账户,实现更安全的访问管理。
多模态令牌计数分析
针对生成式AI API,新版本增加了按模态(token)细分的计数功能。开发者现在可以获取不同模态(如文本、图像等)的详细令牌使用情况统计。这对于成本优化和资源规划特别有价值,特别是在处理复杂的多模态AI模型时。
推理与运行时改进
推测性解码支持
在部署模型(DeployedModel)协议中新增了推测性解码(speculative decoding)规范。这项技术可以显著提高生成式模型的推理速度,通过预测可能的输出序列来减少计算延迟。对于需要实时响应的应用场景,如聊天机器人或内容生成服务,这一功能将带来明显的性能提升。
推理引擎正式发布
推理引擎(Reasoning Engine)v1版本的GAPIC正式发布。推理引擎为复杂逻辑推理任务提供了专用基础设施,特别适合需要多步推理或知识整合的AI应用。开发者现在可以利用这一功能构建更智能、更具逻辑性的AI解决方案。
笔记本运行时增强
笔记本运行时(NotebookRuntime)功能获得了多项硬件配置支持:
- 新增了machine_spec字段,允许指定运行时的机器规格
- 支持data_persistent_disk_spec,为数据存储提供持久化磁盘配置
- 网络规格(network_spec)支持,便于网络隔离和配置
- 增加了euc_config和shielded_vm_config,增强了安全性和合规性选项
同时,文档中也标注了一些即将废弃的功能,包括NotebookRuntimeTemplate中的is_default和服务账户相关字段,开发者应关注这些变化并适时调整代码。
工具配置增强
在ToolConfig v1中新增了retrieval_config配置项,为工具提供了更灵活的检索功能配置选项。这一改进使得开发者可以更精确地控制工具如何检索和使用外部数据,对于构建知识密集型AI应用特别有价值。
总结
Google.Cloud.AIPlatform.V1 3.15.0版本通过多项功能增强,进一步巩固了Google Cloud AI平台作为企业级AI解决方案的地位。从代码执行到推理优化,从多模态分析到安全配置,这些更新为开发者构建更强大、更高效的AI应用提供了坚实基础。特别是推理引擎的正式发布和推测性解码的支持,将显著提升生成式AI应用的性能和响应能力。开发者可以充分利用这些新功能,构建下一代智能应用。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00