Обновления MWS Cloud Platform: новые ИИ-модели, быстрое хранилище и удобные базы данных

Что нового в MWS Cloud Platform: краткий обзор

Облачная платформа MWS выпустила пакет обновлений, который затрагивает три ключевых направления: каталог ИИ-моделей, инфраструктуру хранения и управляемые базы данных. В GPT Model Hub добавлены новые модели, включая GLM 5.2, Kimi K2.6, Qwen 3.6, Gemma 4 и GPT OSS. Для нагруженных проектов запущен «тёплый» класс хранения на NVMe-дисках. В Managed PostgreSQL появились гранулярные роли, роль MIGRATOR и поддержка timescaledb. Managed Kafka получил комбинированный режим с экономией более 40% для dev-сред. Дополнительно платформа представила превью L4-балансировщика Network Load Balancer, переименовала снимки дисков в резервные копии и добавила поддержку VMDK-образов.

Все изменения направлены на ускорение рабочих процессов, снижение затрат и упрощение управления облачной инфраструктурой. Разберём каждое обновление подробно.

GPT Model Hub: новые ИИ-модели для ваших задач

Каталог GPT Model Hub расширился пятью универсальными моделями и набором специализированных решений. Все они доступны через OpenAI-совместимый API на собственных серверах MWS, что обеспечивает конфиденциальность данных и отсутствие зависимости от внешних провайдеров.

GLM 5.2 и Kimi K2.6: фокус на производительность

GLM 5.2 отличается улучшенной логикой рассуждений и поддержкой длинного контекста. Модель подходит для аналитических задач, обработки больших документов и сложных цепочек рассуждений. Kimi K2.6 оптимизирована для высокой скорости генерации, что делает её практичным выбором для чат-ботов и сервисов, где важна быстрая реакция на запрос пользователя.

Qwen 3.6 и Gemma 4: открытые альтернативы

Qwen 3.6 уверенно работает с китайским и английским языками, что полезно для международных проектов и двуязычных сервисов. Gemma 4 - компактная модель от Google, которая требует меньше вычислительных ресурсов и подходит для ограниченных сред, включая небольшие виртуальные машины и локальные развёртывания.

GPT OSS и специализированные модели

GPT OSS - открытая модель, совместимая с OpenAI API. Она позволяет переносить существующий код без значительных изменений. Помимо универсальных моделей, в каталоге появились реранкеры для RAG-систем, которые улучшают поиск релевантных документов в больших массивах данных, и голосовые модели для распознавания и синтеза речи.

Если вы следите за развитием ИИ-моделей, обратите внимание на обзор ключевых релизов недели, где разбираются GPT-5.6, Grok 4.5 и другие новинки.

Доступ к моделям через OpenAI-совместимый API

Все новые модели в GPT Model Hub работают через API, совместимый с OpenAI. Это означает, что разработчики могут использовать существующие библиотеки и код без переписывания интеграций. Достаточно изменить базовый URL и указать нужную модель.

Пример запроса на Python:

from openai import OpenAI

client = OpenAI(
    api_key="ваш_ключ",
    base_url="https://api.mws.cloud/v1"
)

response = client.chat.completions.create(
    model="glm-5.2",
    messages=[
        {"role": "user", "content": "Объясни разницу между SQL и NoSQL"}
    ]
)

print(response.choices[0].message.content)

Модели работают на собственных серверах MWS. Данные не покидают контур платформы, что важно для компаний с требованиями к конфиденциальности и хранению информации в определённой юрисдикции.

Новый тёплый класс хранения на NVMe: скорость для нагруженных проектов

MWS запустила «тёплый» класс хранения на NVMe-дисках. Это промежуточный вариант между быстрым «горячим» хранилищем и дешёвым «холодным» архивом. NVMe-диски обеспечивают низкую задержку и высокий IOPS, что критично для баз данных, аналитики в реальном времени и задач машинного обучения.

Тёплый класс подходит для проектов, которым нужна стабильная производительность без переплаты за максимальную скорость. Примеры использования: хранение промежуточных результатов обучения моделей, работа с часто запрашиваемыми данными в аналитических системах, обслуживание высоконагруженных веб-приложений.

Для сравнения: Microsoft добавила в Azure три типа виртуальных машин на базе AMD, ориентированных на разные этапы работы с ИИ, от подготовки данных до инференса.

Network Load Balancer: управляемый L4-балансировщик

В превью представлен Network Load Balancer - управляемый L4-балансировщик, работающий на транспортном уровне TCP/UDP. Он распределяет входящий трафик между серверами, автоматически проверяет их работоспособность и исключает неработающие узлы из ротации.

Управляемый сервис снимает с команды задачи по настройке и обслуживанию балансировщика. Автоматические проверки работоспособности повышают отказоустойчивость: если один из серверов перестаёт отвечать, трафик перенаправляется на остальные без ручного вмешательства. Сервис находится в превью, поэтому функциональность может расширяться.

Managed PostgreSQL: больше гибкости и контроля

Управляемая PostgreSQL получила три значимых улучшения: гранулярные роли на уровне баз данных, роль MIGRATOR и поддержку расширения timescaledb.

Гранулярные роли: безопасность без компромиссов

Раньше права доступа выдавались на уровне всего кластера. Теперь можно назначать роли на уровне отдельных баз данных. Разработчику можно дать доступ только к тестовой базе, не открывая продовые данные. Это снижает риски случайных изменений и соответствует принципу наименьших привилегий.

Роль MIGRATOR: простая онлайн-миграция

Роль MIGRATOR создана для переноса данных из других систем. Она имеет права на чтение и запись, но не может изменять схему базы данных. Это позволяет безопасно переносить данные без остановки работы приложения и без риска случайного изменения структуры таблиц.

TimescaleDB: эффективная работа с временными рядами

Поддержка расширения timescaledb открывает возможности для проектов, работающих с данными, изменяющимися во времени. TimescaleDB оптимизирует хранение и запросы к данным с временными метками. Примеры: метрики серверов, показания датчиков IoT, финансовые котировки, логи приложений.

Managed Kafka: комбинированный режим для экономии

Managed Kafka получил комбинированный режим, который позволяет использовать разные типы дисков для разных частей кластера. Для dev-сред можно выбрать более дешёвое хранилище для логов, сохранив производительность для критичных данных. Такой подход даёт экономию более 40% затрат на dev-окружения.

Комбинированный режим полезен командам, которые поддерживают несколько сред разработки и тестирования. Вместо одинакового дорогого хранилища для всех сред можно гибко настраивать конфигурацию под реальные потребности.

Прочие улучшения: резервные копии, VMDK, прямое подключение

Платформа переименовала снимки дисков в резервные копии. Терминология стала понятнее: резервная копия однозначно указывает на назначение функции - восстановление данных после сбоя.

Добавлена поддержка VMDK-образов. Теперь можно импортировать виртуальные машины из VMware в облако MWS без предварительной конвертации. Это упрощает миграцию существующей инфраструктуры.

Появилась возможность прямого подключения к узлам кластера PostgreSQL. Это упрощает диагностику проблем, настройку параметров и выполнение специфических операций, которые недоступны через стандартный интерфейс управления.

Заключение: как использовать обновления MWS уже сегодня

Обновления MWS Cloud Platform дают три практических результата: больше моделей ИИ для разных задач, быстрее хранилище для нагруженных проектов и удобнее управление базами данных с экономией на dev-средах.

Начать можно с тестирования новых моделей через OpenAI-совместимый API. Оцените GLM 5.2 для аналитических задач и Kimi K2.6 для чат-ботов. Для нагруженных проектов рассмотрите переход на тёплый класс хранения на NVMe. Если вы работаете с Kafka, проверьте комбинированный режим для dev-сред - экономия более 40% заметна уже в первый месяц.

Если вы хотите глубже разобраться в том, как ускорить работу ИИ-моделей, прочитайте о режиме Ultrafast от OpenAI, который выдаёт до 750 токенов в секунду. Для понимания трендов в инфраструктуре ИИ полезен разбор перехода Microsoft на собственные модели MAI.