通过这些新进展，红帽进一步增强企业加速AI采用所需的能力，并在混合云环境中推动生成式AI（Gen AI）的生产部署，为客户带来更多选择与信心。

根据Forrester的研究，开源软件将成为加速企业AI发展的关键动力。随着AI格局日益复杂和动态变化，红帽AI推理服务器与第三方验证模型，为企业提供了高效的模型推理能力，和一套经测试、在红帽AI平台上优化性能的AI模型组合。

结合Llama Stack和模型上下文协议（MCP）等生成式AI（gen AI）智能体开发新API的集成，红帽正致力于简化部署复杂性，帮助IT主管、数据科学家和开发者以更高的控制力与效率推动AI项目落地。

红帽AI推理服务器：在混合云中高效推理

红帽AI第三方验证模型：经过测试和优化

通过Hugging Face提供的红帽AI第三方验证模型，使企业更容易找到适合其业务需求的AI模型。红帽不仅提供一套经验证的模型，还提供部署指导，增强客户对模型性能和结果可复现性的信心。

部分模型经由红帽进一步优化，采用模型压缩技术以缩小模型体积、提升推理速度，从而减少资源消耗和运营成本。持续的模型验证流程也帮助客户在生成式AI创新方面保持领先。

Llama Stack与MCP：用于AI应用与智能体开发的标准化API

红帽AI正集成由Meta最初开发的Llama Stack以及Anthropic提出的MCP（模型上下文协议），为用户提供构建与部署AI应用和智能体的标准化API。Llama Stack目前已在红帽AI中作为开发者预览版提供，支持通过统一API访问vLLM推理、RAG（检索增强生成）、模型评估、防护机制和多种类型的智能体，可适配任意生成式AI模型。MCP提供了标准接口，使模型能够与外部工具连接，在智能体工作流中对接API、插件和数据源。

红帽OpenShift AI 2.20：面向规模化AI模型的能力增强

新版红帽OpenShift AI（v2.20）进一步增强了对生成式和预测型AI模型在构建、训练、部署与监控方面的能力，主要新增包括：

• 优化模型目录（技术预览）：可通过Web控制台快速访问红帽及第三方经验证模型，并在OpenShift AI集群上部署与管理其生命周期。

• 分布式训练能力：通过KubeFlow Training Operator调度并执行InstructLab模型调优及其他基于PyTorch的训练任务，支持GPU跨节点分布式执行，配合RDMA网络提升性能并优化资源利用率。

• 特征存储（技术预览）：基于Kubeflow Feast项目，提供集中式存储与管理训练与推理数据的能力，优化数据流转，提升模型准确率与复用性。

红帽企业Linux AI 1.5：大型语言模型开发平台新版本

红帽企业Linux AI 1.5版本为大型语言模型（LLM）提供新的开发、测试和运行功能，关键更新包括：

• 上线Google Cloud Marketplace：继AWS与Azure后进一步扩展公有云部署选项，简化在Google Cloud上的AI工作负载部署与管理。

• 多语言能力增强：借助InstructLab支持西班牙语、德语、法语和意大利语等语言的原生定制，并可引入用户自有“教师模型”，提升特定语言和场景下的训练控制力。未来还将支持日语、印地语与韩语。

红帽AI InstructLab on IBM Cloud正式上线：这一新云服务进一步简化模型定制流程，提升可扩展性与用户体验，使企业更轻松、自主地利用自身独特数据进行训练与部署。

红帽AI愿景：任意模型，任意加速器，任意云

AI的未来应当充满无限机遇，而不应受到基础设施孤岛的限制。红帽认为，未来，企业可以在任意云环境中的任意加速器上部署任意模型，提供卓越且更加一致的用户体验，而无需高昂的成本。为了释放生成式AI投资的真正潜力，企业需要一个通用推理平台——一个用以推动当下以及未来数年中，更加无缝、更高性能AI创新的标准。