RespuestasPublicado17 fuentes
Red Hat AI 3.5: controles, GPUs compartidas e inferencia híbrida para escalar la IA
Red Hat anunció la disponibilidad general de Red Hat AI 3.5 como una actualización orientada a operar la IA como infraestructura empresarial gobernada y observable en nubes híbridas. EvalHub permite evaluar modelos, flujos RAG y agentes antes del despliegue, con pruebas centradas en riesgos como la inyección de prom...
Publicado porImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- Red Hat anunció la disponibilidad general de Red Hat AI 3.5 como una actualización orientada a operar la IA como infraestructura empresarial gobernada y observable en nubes híbridas.
- EvalHub permite evaluar modelos, flujos RAG y agentes antes del despliegue, con pruebas centradas en riesgos como la inyección de prompts y los jailbreaks.
- La versión añade controles para repartir capacidad de GPU, priorizar servicios y medir el uso por usuario, con el objetivo de evitar que un equipo monopolice recursos costosos.
- Red Hat AI Inference 3.5 ofrece imágenes optimizadas para aceleradores de NVIDIA, AMD, Google, Intel e IBM, y admite inferencia distribuida con llm d en AKS y CoreWeave Kubernetes Service.
Prompt de IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Red Hat announce with the general availability of Red Hat AI 3.5 on September 11, 2026, and how does the release—including its inte. Article summary: Red Hat announced the general availability of Red Hat AI 3.5 as an enterprise AI platform update focused on making AI a governed, observable, multi tenant production service across hybrid environments—not merely a collec. Topic tags: general web, ai safety, llm, agents, ai. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
Red Hat anunció la disponibilidad general de Red Hat AI 3.5 el 11 de septiembre de 2026. La propuesta no se limita a facilitar experimentos con modelos: busca que las empresas puedan ejecutar IA como un servicio de producción gobernado, observable y multiinquilino en infraestructura híbrida. Para ello, combina validación previa al despliegue, uso más eficiente de GPU compartidas y mecanismos repetibles para desplegar aplicaciones e inferencia. 16
8
Del piloto a un servicio de IA controlado
El problema que Red Hat intenta resolver es el salto entre un prototipo de ciencia de datos y una operación empresarial sostenida. En ese tránsito, las organizaciones necesitan decidir qué modelos son aceptables, controlar quién consume aceleradores, vigilar la calidad del servicio y llevar las cargas a distintos entornos Kubernetes sin reconstruir el proceso en cada plataforma.
La pieza central para la confianza es EvalHub, disponible de forma general. Sirve para automatizar evaluaciones de seguridad orientadas al riesgo y generar certificaciones de cumplimiento auditables para modelos desarrollados o personalizados por clientes, canalizaciones de recuperación aumentada por generación (RAG) y agentes de IA. Entre los escenarios de prueba figuran la exposición a inyección de prompts y a jailbreaks antes de poner una aplicación en marcha. 13
8
Red Hat también amplió su catálogo con más de 20 modelos validados de proveedores como Google, NVIDIA y Alibaba Cloud. La información reportada incluye señales sobre seguridad, exposición de datos personales identificables (PII) y riesgo de toxicidad. En la práctica, el objetivo es que los equipos de plataforma elijan modelos con evidencia disponible, en vez de crear desde cero un proceso de evaluación para cada iniciativa. 3
4
GPUs compartidas: prioridad, reparto y medición
La IA generativa suele concentrar el coste operativo en las GPU. Red Hat AI 3.5 incorpora programación de reparto justo, servicio sensible a prioridades, control de admisión y enrutamiento de solicitudes basado en prioridad. Estos controles pretenden impedir que una sola carga o área absorba la capacidad disponible de aceleración. 4
5
La medición de tokens por usuario añade una base para priorizar niveles de servicio y para modelos internos de imputación o visualización de costes por equipo. Además, los nuevos paneles de observabilidad muestran señales sobre la salud de la inferencia, la utilización de GPU y el rendimiento del modelo, para detectar problemas de capacidad, disponibilidad o calidad mientras el servicio está funcionando. 4
16
RAG multilingüe y despliegue en infraestructura híbrida
Para los equipos que construyen aplicaciones sobre datos corporativos, AutoRAG incorpora soporte multilingüe para colecciones documentales no inglesas o de idiomas mezclados. Incluye detección de idioma, configuración de experimentos, estrategias de fragmentación adaptadas a escrituras como CJK, cirílica y latina, y modelos de embeddings multilingües en el espacio de optimización. 4
Red Hat también posiciona estas capacidades para recuperación sobre datos empresariales, pruebas conversacionales y aplicaciones basadas en agentes. Las plantillas de AI Hub ofrecen arquitecturas iniciales para casos como revisión de código, procesamiento documental e investigación. 1
13
En la capa de inferencia, Red Hat AI Inference 3.5 proporciona imágenes de contenedor optimizadas para modelos de lenguaje de gran tamaño en aceleradores NVIDIA CUDA, AMD ROCm, Google TPU, Intel Gaudi e IBM Spyre. También contempla arquitecturas s390x de IBM Z y ppc64le de IBM Power. 1
3
La inferencia distribuida con llm-d puede desplegarse en Azure Kubernetes Service (AKS) y CoreWeave Kubernetes Service (CKS). Amazon Elastic Kubernetes Service (EKS) también aparece en la documentación, pero su programación consciente de inferencia está clasificada expresamente como Technology Preview: no cuenta con los acuerdos de nivel de servicio de producción de Red Hat y no se recomienda para uso productivo. 5
8
Qué aporta la integración con NVIDIA
Dentro de Red Hat AI Factory with NVIDIA, las capacidades de la versión forman una capa operativa estandarizada sobre infraestructura acelerada por NVIDIA. La combinación permite validar modelos, distribuir la capacidad de GPU, supervisar el servicio de inferencia y desplegar cargas en infraestructura híbrida mediante un enfoque común basado en Kubernetes. 16
3
Esa estandarización es la vía con la que Red Hat busca reducir la brecha entre la experimentación de los equipos de datos y la operación que requieren los departamentos de TI: menos procesos aislados para cada proyecto y más controles reutilizables para llevar servicios de IA a escala.
Un matiz importante sobre la disponibilidad
La disponibilidad general no se aplica de la misma manera a todas las funciones. Las imágenes de inferencia y los despliegues de llm-d documentados para Azure y CoreWeave forman parte de la oferta admitida, mientras que la programación de inferencia en Amazon EKS sigue siendo una vista previa tecnológica. 8
4
Por separado, IBM y Red Hat colaboran con LTM en Lightwell, una iniciativa para identificar, priorizar y corregir vulnerabilidades en dependencias de software de código abierto mediante IA. El proyecto se centra en proporcionar correcciones validadas para entornos de producción y responde a una línea más amplia de reducción de riesgos en operaciones de software. 16
13
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Red Hat AI 3.5: controles, GPUs compartidas e inferencia híbrida para escalar la IA"?
Red Hat anunció la disponibilidad general de Red Hat AI 3.5 como una actualización orientada a operar la IA como infraestructura empresarial gobernada y observable en nubes híbridas.
¿Cuáles son los puntos clave a validar primero?
Red Hat anunció la disponibilidad general de Red Hat AI 3.5 como una actualización orientada a operar la IA como infraestructura empresarial gobernada y observable en nubes híbridas. EvalHub permite evaluar modelos, flujos RAG y agentes antes del despliegue, con pruebas centradas en riesgos como la inyección de prompts y los jailbreaks.
¿Qué debo hacer a continuación en la práctica?
La versión añade controles para repartir capacidad de GPU, priorizar servicios y medir el uso por usuario, con el objetivo de evitar que un equipo monopolice recursos costosos.