Author: admin

最新消息显示，Lingyang Debuts at the Qwen Conference in Singapore: Quick BI Deconstructs Enter

On May 26, 2026, the Qwen Conference, hosted by Alibaba Cloud, was held in Singapore. As Alibaba Cloud’s flagship conference for global developers and enterprise clients, this year’s Qwen Conference focused on the real-world implementation of large language models and Agent applications within enterprise scenarios. At the Agent Application Forum, Chris—a Solutions Architect representing Lingyang—delivered a keynote presentation titled “Quick BI: Your AI Data Analyst, From Insights to Action.” He provided a systematic overview of Quick BI’s product evolution in the realm of Agentic Analytics, alongside real-world scenarios and customer use cases from international enterprises. Over the past year, the number of “Agents” within enterprises has surged—customer service Agents, marketing Agents, process Agents, R&D Agents—each capable of articulating their points with impressive coherence. However, when it comes to the data itself, the underlying problems are starkly exposed: three different Agents provide three conflicting definition for the exact same “sales revenue”; regarding a single report, no one is able to effectively enforce the access boundaries between different departments; and behind those polished, eloquent responses, no one actually dares to use the output to make concrete business decisions. While general-purpose agents address the question of whether a response can be generated, what enterprises truly lack is _credibility_. This constitutes the core insight shared by Quick BI during this presentation: in the era of AI, enterprise-grade analytics is no longer a contest of model capabilities alone; rather, the true differentiator lies in who can effectively “feed” an agent with the metrics systems, access governance frameworks, and business semantics that an enterprise has cultivated over years—thereby enabling the agent to provide answers that are not only credible but also directly actionable. Over the past decade, enterprise BI has primarily addressed two issues: “data retrieval” and “report generation”—business users would simply open a dashboard, review the data, and the analysis would end there. However, in the era of Agents, this value chain has been extended: systems no longer merely answer the question of “what happened,” but must instead continuously monitor for changes within a business context, infer underlying causes, and propose actionable next steps. Quick BI summarizes this shift in a single sentence: an evolution from “Tools → Queries → Reports” to “Goals → Inferences → Actions.”There are three fundamental differences between Agentic Analytics and traditional BI: a shift from “passive report generation” to “always-on business monitoring”; a move beyond the limitations of isolated point queries to a comprehensive understanding of the enterprise’s complete business context; and an analytical process endowed with cross-session memory, enabling insights to be directly linked to action. Guided by this vision, Quick BI has constructed an underlying, AI-native analytics architecture. This architecture spans from the bottom up, encompassing foundational large language models, an AI-ready data layer, a cognitive and memory layer, and an action-oriented execution layer—thereby ensuring that when an Agent invokes Quick BI, it accesses consistent metric definitions, accurate permission boundaries, and authentic business semantics. This constitutes the most fundamental distinction between enterprise-grade analytics Agents and “general-purpose large language models.” Agentic Analytics is not an abstract concept. Quick BI breaks it down into six business domains, each corresponding to a specific job function: It has permeated the daily work of every type of business role. The three scenarios below illustrate how this capability “takes shape” within real-world enterprises. For cross-border e-commerce teams, a typical day begins like this: across multinational channels, Amazon, independent websites, and social media platforms—the data formats for sales, refunds, and ad spend differ for every single one. Product codes must be cross-checked, metrics standardized, and financial reconciliations completed—all before they can even begin to answer the boss’s inevitable question: “How were the overall market figures yesterday?” Consequently, an operations team often spends the better part of a day doing nothing more than simply making sense of the previous day’s data. With the introduction of Quick BI, this entire rhythm was completely rewritten: The ultimate result is that the workload associated with manual daily reporting has dropped by approximately 90%; the operations team no longer “misses” a single anomaly around the clock; and the speed at which issues are detected and resolved has increased tenfold. Consequently, the role of the Head of Operations has shifted from merely “organizing data” to actively “making decisions.”This is precisely the difference between enterprise-grade agents and general-purpose agents: only when they provide accurate, consistent responses will business teams truly feel confident entrusting their decision-making to them. For the manufacturing sector, “going global” presents a distinct set of complexities. A typical manufacturing enterprise operating internationally often simultaneously manages a network of factories across multiple countries, alongside a production and sales portfolio comprising tens of thousands of distinct products. Underlying these operations are various disparate systems—including Enterprise Resource Planning (ERP), warehouse management, logistics management, and supplier portals—that frequently lack seamless integration.Whenever sales decline in a specific market or yield rates fluctuate on a production line, the business team is tasked with answering “why.” This often requires analysts to sift through numerous spreadsheets and reconcile data definitions across multiple systems—a cross-border attribution exercise that, more often than not, takes a full week to complete. Quick BI acts like an “always-on business analyst”: From a business perspective, the most tangible change is this: cross-border sales attribution—a task that previously took a full day or even a week to complete—can now be handed off to an AI Agent by an analyst, yielding conclusions and actionable improvement recommendations within mere minutes. Furthermore, during weekly operational meetings, the head of supply chain can—for the very first time—engage in discussions with international subsidiaries based on a unified set of metrics and a single source of truth. This precisely encapsulates the value of an enterprise-grade data foundation: it not only accelerates individual tasks but also empowers the entire organization to make decisions grounded in a shared reality. For many enterprise IT and data leaders, the greatest obstacle to transitioning from traditional BI to Agentic Analytics is not the choice of a new platform, but rather the immobility of the legacy system: thousands of reports, complex metric processing logic, and hundreds of business users long accustomed to the original environment—any disruption in service would trigger immediate complaints from the business departments. The solution offered by Quick BI is an AI-driven migration pathway: it begins with assessment and strategy formulation, followed by automated migration and AI-driven data validation; next, a dual-run phase on both the old and new platforms ensures zero business interruption; finally, AI capabilities are continuously rolled out on the new platform. The feedback from a client who has already completed this journey is straightforward: “Alibaba Cloud’s intelligent migration process enabled us to complete a complex data platform migration in a very short timeframe; business continuity remained unaffected, while the accuracy and efficiency of our analytics actually improved significantly.” The benefits for the business side are clear: the manual verification workload previously required of the technical team during report migration has dropped by over 50%. Furthermore, business departments experienced no disruption; on the contrary, they gained capabilities on the new platform that they previously lacked—specifically, automated attribution, cross-metric linkage, and AI-agent-assisted analysis. Consequently, BI modernization has transformed from a “disruptive, root-and-branch overhaul” into a seamless evolution that delivers incremental capabilities without any perceptible impact on business operations. At the Qianwen Conference, a consensus is taking shape: while general-purpose Agent platforms are becoming increasingly powerful, the true differentiator—the capability that gives enterprises the confidence to actually deploy AI—lies not in the models themselves, but in whether the data, metrics, access controls, and business semantics accumulated by the enterprise over years can be effectively “digested” by the AI.This constitutes the fundamental distinction between Quick BI and general-purpose Agent platforms: while general platforms address the ability to “speak,” Quick BI focuses on ensuring that the output is “correct, precise, and actionable.” At a time when everyone else is racing to pursue ever-more-powerful models, Lingyang has chosen to invest its deeper efforts in a path that is more challenging—yet offers far greater barriers to entry—namely, enterprise-grade data capabilities. AI has not devalued data; on the contrary, it has—for the first time—made it possible for enterprises to “directly leverage” the data assets they have accumulated over the past decade or more. This is the true value that Quick BI aims to amplify in the era of AI.Leveraging its presence across nine overseas availability zones and a base of tens of thousands of enterprise clients, Quick BI is continuously extending its “hard skills” for enterprise-grade analytics—including trusted metrics, semantic governance, and access complianc

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的游戏服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：监控软件 pcTattletale 开发者认罪，承认纵容软件被用于非法监视配偶

IT之家 1 月 9 日消息，pcTattletale 是一款诞生于 2002 年的电脑与手机监控软件，由美国密歇根州一男子 Bryan Fleming 开发，该软件可对目标设备进行全程记录，并将操作视频上传至服务器供订阅者查看

业内人士指出，从表面上看，这类功能听起来颇为“骇人”，但在特定场景下也可能具备合法性，例如家长监管未成年子女，或企业对员工工作设备进行管理

业内人士指出，pcTattletale 官网早期正是以这些用途进行宣传，声称该软件曾“帮助成千上万名家长阻止子女与恋童癖者接触”，企业用户则可以借此“追踪工作效率、盗窃行为、工时流失等情况”，甚至还宣称“警方也会将其用于调查取证”

值得关注的是，然而，距离 pcTattletale 上线近 25 年之际，本周 Bryan Fleming 在美国联邦法院承认自己明知该软件被用于在未经同意的情况下监视其他成年人，却仍然持续开发并进行商业推广

从更深层次来看，换言之，pcTattletale 监控的绝大多数对象实际上不知道自己被监控，而开发者 Bryan Fleming 在这一过程中起到了推波助澜的作用

从更深层次来看，公开信息显示，弗莱明的最初商业合伙人已于 2011 年离开公司，此后他独自一人在底特律北部郊区的家中运营该业务

值得关注的是，2021 年，外媒 Vice 曾报道称 pcTattletale 存在严重的数据泄露问题，曝光了其收集的大量敏感信息

业内人士指出，相关报道引用的营销资料明确提到，该软件可用于发现“出轨的配偶”，前提是用户需要掌握对方的手机解锁密码，并在“约 5 分钟内接触到手机”，而“最佳安装时机是在对方睡着的时候”

业内人士指出，官方还提供了隐藏应用图标的教程，以避免被受害者察觉

从更深层次来看，通过 Wayback Machine 网络时光机查看 pcTattletale 网站的历史版本可以发现，截至 2022 年，该网站页脚中已加入大量与“出轨”相关的链接，并发布了多篇“如何抓住男友出轨”的博客文章，内容直接指导用户使用“男友的手机解锁码”安装所谓的“pcTattletale 间谍应用”，从而“监控他在手机上的一举一动”

从更深层次来看，其中甚至直言，被监控者一旦发现此事往往会非常愤怒，用户应当“预期他会因此反击你，这种做法可能彻底改变你们的关系”

从更深层次来看，几乎在同一时期，美国加州联邦执法机构启动了针对“跟踪软件（stalkerware）”的专项调查，pcTattletale 也被列为重点对象之一

值得关注的是，与许多运营方位于海外、难以追查的同类网站不同，弗莱明的行踪相对透明，业务完全在美国境内开展，且并未刻意隐藏身份

值得关注的是，事实上，pcTattletale 早期官网曾明确标注“Fleming Technologies”位于密歇根州布鲁斯镇

从更深层次来看，一名政府调查人员直言，许多同类网站的目标对象据信位于海外，“短期内被抓捕的可能性极低”，而弗莱明显然不在此列

业内人士指出，执法人员很快获取了弗莱明的电子邮件记录，其中包含大量技术支持请求，内容直指如何在不被察觉的情况下进行监控，例如有用户询问是否可以关闭截图提示音，因为“我丈夫知道手机在截图时会发出提示音，他已经开始怀疑手机里被装了什么东西”

业内人士指出，尽管反复得知用户是在未经同意的情况下监视他人，弗莱明仍然持续为其提供技术支持

值得关注的是，基于上述证据，美国政府部门于 2022 年底获得搜查令，对弗莱明位于布鲁斯镇的住所进行了突击搜查

从更深层次来看，而在 2024 年，pcTattletale 遭到黑客入侵，大量数据被泄露，黑客获取了该公司用于存储视频数据的亚马逊云服务账户私钥

业内人士指出，弗莱明当时表示，公司在此次数据泄露事件后“已经停止运营，彻底结束”

业内人士指出，最终，联邦检方以明知或理应知道其产品主要用于秘密截取语音、口头或电子通信为由，对弗莱明提起指控

从更深层次来看，本周，他在加州就其中一项指控认罪，目前已获准取保候审，等待法院宣判

业内人士指出，pcTattletale 这款跟踪软件至此退出市场，但遗憾的是，类似产品仍然大量存在，其背后的操作者往往更加隐蔽，也更难被追责

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的CN2线路服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，不再弹出未知开发者警告，微软将为 macOS 版 PowerShell 提供 GateKeeper 公证

IT之家 5 月 22 日消息，据科技媒体 neowin 今天报道，微软将在 macOS 版 PowerShell 更新中为安装包、tar 包提供完整 GateKeeper 公证

业内人士指出，IT之家在此援引 neowin，PowerShell 更新后，用户在安装应用时不会再频繁看到系统弹出“无法打开 XXX，因为它来自身份不明的开发者”警告

值得关注的是，据悉，微软将对 PowerShell 的库文件、二进制文件进行加固，满足苹果 macOS 系统的 GateKeeper 公证要求，同时满足微软内部的安全标准

值得关注的是，同时，新版本 PowerShell 将修复 tar 压缩包权限问题，从此以后用户安装应用时，不再需要寻找 Gatekeeper 绕过方法，或手动前往系统偏好设置，修改应用安装限制

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的大带宽服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，苹果 iOS 27 爆料：用 Gemini 训练本地 AI，部分 Siri 请求转向谷歌云

IT之家 5 月 29 日消息，科技媒体 The Information 昨日（5 月 28 日）发布博文，深度披露苹果和谷歌在 AI 方面的合作细节

业内人士指出，在部署策略方面，苹果始终围绕着隐私优先原则，深耕本地端侧 AI 处理方案，使用“蒸馏”（Distillation）方案，基于谷歌 Gemini 模型来训练轻量端侧 AI 模型

值得关注的是，IT之家注：知识蒸馏，是指将大模型（教师模型）的知识迁移到小模型（学生模型）的技术，让小模型获得接近大模型的表现，从而大幅降低推理成本

从更深层次来看，消息称苹果 AI 团队正从充分调用谷歌 Gemini 模型，“教”出一个更轻量的版本，让它能在 Apple 设备端运行

业内人士指出，对于用户而言，在端侧运行 AI 模型响应更快，且用户数据不必默认上传到云端，更符合 Apple 近年反复强调的隐私路线

值得关注的是，苹果公司还在积极物色寻找初创公司，帮助压缩模型规模

从更深层次来看，消息称苹果公司曾考虑收购 Liquid AI

值得关注的是，后者是一家位于美国马萨诸塞州剑桥的初创公司，方向正是让 AI 模型在设备本地运行

从更深层次来看，在云端部署方面，完整 Gemini 模型拥有数万亿参数，对算力要求极高，苹果自家的 Private Cloud Compute 基础设备难以承接所有运行要求

从更深层次来看，消息源称，为了减轻苹果服务器压力，在 iOS 27 版 Siri 中，部分用户提出的请求会转到 Google Cloud，并调用授权版本的 Gemini 模型处理

业内人士指出，为了尽量守住隐私承诺，苹果最近几周据称批准采用 NVIDIA 的“机密计算”技术

业内人士指出，该技术会在 GPU 处理数据和模型时加密内容，代价是云端 AI 查询速度会略微变慢，但能提高敏感信息的保护强度

业内人士指出，如果最终落地，苹果在云端跑部分 AI 功能时，可能会同时依赖 Google Cloud 与 NVIDIA AI 芯片

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的GPU服务器租用，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，贾跃亭：FF 机器人五月出货 69 台，超三四月总和

IT之家 6 月 1 日消息，法拉第未来创始人贾跃亭今日透露，FF 机器人五月出货 69 台超三四月总和，并且公司已经正式向 SEC 提交了针对非法做空及市场操纵行为的监管调查线索函，持续打击非法做空

业内人士指出，他表示：“5 月机器人终端销售出货量创新纪录，标志着 FF EAI 机器人销售和部署的爬坡节奏持续加快，让我们对首个交付季 200 台、全年 1500 台的出货目标更有信心

业内人士指出，更重要的是，这标志着 FF 多形态 EAI 机器人终端路线已经取得了初步成效

值得关注的是，” IT之家注意到，法拉第未来于 2 月 5 日举办美国国家汽车经销商大会（NADA），活动中法拉第未来公布了旗下首批具身智能机器人产品

业内人士指出，其中，Futurist 系列是全尺寸职业型具身智能人形机器人；Master 系列是运动型具身智能人形机器人；Aegis 系列是安防和陪伴型专业四足具身智能机器人，标配四足结构，同时可选四轮版本

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的跨境电商服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：AI日报：小米上线招聘Agent；腾讯发布AI创作平台Craft；抖音严

欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用

从更深层次来看，新鲜AI产品点击了解：https://app.aibase.com/zh 1、小米上线招聘Agent:基于xiaomimimo大模型，支持简历精准匹配与校招咨询 小米招聘Agent的上线标志着其在AI技术应用上的重要进展，通过智能求职助手提升校园招聘效率，并展示了大模型在企业服务场景中的潜力

值得关注的是，🧠 小米招聘Agent通过AI技术实现简历精准匹配与校招政策解答

业内人士指出，🚀 基于xiaomimimo大模型，支持复杂任务处理和跨会话记忆能力

从更深层次来看，📊 展示了垂直领域大模型从技术框架开源到业务落地的范式

业内人士指出，2、腾讯发布 AI 创作平台“代号 Craft”：自然语言即可“一键生成”游戏世界 腾讯发布全新AI游戏创作平台‘代号 Craft’，通过自然语言驱动和AIGC工具链，大幅降低游戏开发门槛，实现从创意到落地的快速转化

业内人士指出，该平台不仅提供丰富的美术资源，还支持多类型游戏开发，标志着游戏行业向AI原生时代的转型

从更深层次来看，🎮 自然语言驱动游戏开发，简化流程 🎨 提供万种预制美术资源，降低门槛 🔄 推动游戏开发模式变革，进入AI原生时代 3、科大讯飞发布讯飞AI眼镜:内置GlassClaw助理，售价4299元 科大讯飞发布讯飞AI眼镜，内置GlassClaw AI助理，支持多场景实时翻译与独立工作流处理，标志着端侧AI向消费级硬件的深度延伸

业内人士指出，🧠 内置“龙虾助手”GlassClaw AI助理，支持独立完成复杂工作流

从更深层次来看，📶 支持122种语言实时翻译，覆盖通话、面对面及视觉场景

业内人士指出，🚀 超轻机身集成强劲端侧AI算力，推动端侧AI向独立算力平台演进

值得关注的是，4、抖音生活服务交出“消保”成绩单：先行赔付 2.4 亿元，严打 AIGC 违规带货 文章详细介绍了抖音生活服务在过去一年在消费者权益保护和平台体验提升方面的显著成果，包括低质内容治理、先行赔付机制以及针对AIGC技术的专项治理

值得关注的是，这些举措展现了平台从“流量扩张”向“品质深耕”的战略转型，并为行业树立了技术合规的标杆

值得关注的是，5、国产具身大模型 Wall-OSS-0.5 重磅开源：预训练即可“零样本”部署 国产具身智能领域迎来重大突破，自变量机器人开源了VLA模型Wall-OSS-0.5，实现了无需任务特定微调即可在真实机器人上进行‘零样本’部署

值得关注的是，该模型在多个任务中表现出色，展现了强大的泛化能力和技术优势

业内人士指出，🧩 零样本部署能力：Wall-OSS-0.5在未经微调的情况下，成功完成多项任务

值得关注的是，🚀 微调效率提升：相比行业标杆，Wall-OSS-0.5在同等数据预算下表现更优

从更深层次来看，🧠 能力重塑：高强度动作训练后，模型的多模态感知能力得到提升

从更深层次来看，6、阿里语音大模型霸榜国际权威榜单，夺得国产语音 AI“三冠王” 阿里巴巴凭借语音大模型 Fun-Realtime-TTS-Preview 在全球语音排行榜中斩获第五、国产第一的佳绩，展现了其在语音AI领域的强大实力

值得关注的是，🧠 阿里语音大模型在ASR、Chat和TTS三大核心赛道中均登顶国内榜首

从更深层次来看，⚡ Fun-Realtime-TTS-Preview 实现了实时化跨越，具备毫秒级延迟下的高自然度语音效果

值得关注的是，🚀 阿里语音技术的突破标志着国产语音AI迈向“深度智能”时代

值得关注的是，7、ElevenLabs 发布 Music v2：支持“一曲多变”与商业版权全授权 ElevenLabs 发布了其音乐生成模型 Music v2，该模型在音乐编排复杂度、歌唱表达和曲风切换能力上实现了质的飞跃

从更深层次来看，Music v2 提供了动态曲风切换、分段式创作与编辑以及专业级音效支持等功能，同时确保了全程合规和商业自由

从更深层次来看，此外，Music v2 已集成至 ElevenCreative 工具及 ElevenMusic 创作平台中，标志着 AI 音乐创作工具正从“猎奇的玩具”转向“生产力工具”

业内人士指出，🎨 动态曲风切换：模型支持在同一轨道内无缝切换曲风，例如从华丽的歌剧瞬间过渡到重金属摇滚，并能维持稳定的节奏与连贯性

从更深层次来看，🔒 版权合规：Music v2 完全构建于合法的授权数据之上，所有生成的音乐均已取得商业使用许可

从更深层次来看，🚀 行业竞速：ElevenLabs 的 Music v2 直接对标 Google 的 Flow Music、Stability AI 及 Suno 等主流玩家，展现其向“专业化商业音乐创作工具”转型的决心

从更深层次来看，📊 平台设置最低每日预算25美元，CPC建议为3.5美元左右

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的AI算力服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，苹果 iOS 27 爆料：用 Gemini 训练本地 AI，部分 Siri 请求转向谷歌云

IT之家 5 月 29 日消息，科技媒体 The Information 昨日（5 月 28 日）发布博文，深度披露苹果和谷歌在 AI 方面的合作细节

从更深层次来看，在部署策略方面，苹果始终围绕着隐私优先原则，深耕本地端侧 AI 处理方案，使用“蒸馏”（Distillation）方案，基于谷歌 Gemini 模型来训练轻量端侧 AI 模型

业内人士指出，IT之家注：知识蒸馏，是指将大模型（教师模型）的知识迁移到小模型（学生模型）的技术，让小模型获得接近大模型的表现，从而大幅降低推理成本

业内人士指出，消息称苹果 AI 团队正从充分调用谷歌 Gemini 模型，“教”出一个更轻量的版本，让它能在 Apple 设备端运行

业内人士指出，对于用户而言，在端侧运行 AI 模型响应更快，且用户数据不必默认上传到云端，更符合 Apple 近年反复强调的隐私路线

业内人士指出，苹果公司还在积极物色寻找初创公司，帮助压缩模型规模

业内人士指出，消息称苹果公司曾考虑收购 Liquid AI

值得关注的是，后者是一家位于美国马萨诸塞州剑桥的初创公司，方向正是让 AI 模型在设备本地运行

值得关注的是，在云端部署方面，完整 Gemini 模型拥有数万亿参数，对算力要求极高，苹果自家的 Private Cloud Compute 基础设备难以承接所有运行要求

从更深层次来看，消息源称，为了减轻苹果服务器压力，在 iOS 27 版 Siri 中，部分用户提出的请求会转到 Google Cloud，并调用授权版本的 Gemini 模型处理

业内人士指出，为了尽量守住隐私承诺，苹果最近几周据称批准采用 NVIDIA 的“机密计算”技术

从更深层次来看，该技术会在 GPU 处理数据和模型时加密内容，代价是云端 AI 查询速度会略微变慢，但能提高敏感信息的保护强度

从更深层次来看，如果最终落地，苹果在云端跑部分 AI 功能时，可能会同时依赖 Google Cloud 与 NVIDIA AI 芯片

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的台湾CN2服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，开源兼容层 Wine 11.10 发布：升级 VKD3D 2.0，修复 17 个 Bug

IT之家 5 月 30 日消息，开源兼容层 Wine 目前正稳步以 2 周更迭节奏推进，官方最新推出 Wine 11.10 版本，继续服务于在 Linux、macOS 等平台运行 Windows 游戏和应用

值得关注的是，本次更新重点升级 VKD3D 至 2.0 版本，把 Direct3D 12 调用建立在 Vulkan API 之上，让更多依赖现代图形接口的 Windows 游戏能在非 Windows 系统中运行

值得关注的是，IT之家援引博文介绍，VKD3D 2.0 于上周发布，包含 HLSL 着色器处理改进、旧版 Direct3D 字节码处理优化、新的特效改进、DXIL 集成改进，以及面向 Apple 设备的实验性 Metal Shading Language 目标支持

从更深层次来看，Steam Play（Proton）中使用的是 Valve 和 CodeWeavers 下游维护的 VKD3D-Proton

值得关注的是，两者方向接近，但服务对象不同：Wine 更偏通用兼容层，Proton 更聚焦 Steam 游戏运行体验

业内人士指出，Wine 11.10 还加入了不依赖 libxml2 库的 XPath 支持，并改进 VBScript 兼容性

值得关注的是，本次更新还修复了 17 个已知 Bug，解决了多款游戏和应用运行故障

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的香港服务器租用，欢迎访问 www.isclouder.com 了解更多