智能无线网络公司优科无线(Ruckus Wireless,Inc. 纽交所代码:RKUS)日前宣布,推出一系列创新的智能Wi-Fi 技术,以应对用户针对基于 Wi-Fi 的高品质 IP 语音呼叫(Wi-Fi 呼叫)不断增长的需求。
Ruckus新技术创新被作为标准功能集成到 Ruckus 的智能Wi-Fi 产品组合中,确保在最具挑战性的 Wi-Fi 环境下提供清晰的 Wi-Fi 呼叫音质。Ruckus 将在西班牙巴塞罗那世界移动通信大会(Ruckus 的展位 #5E41)上首次展示这些技术创新,这些创新已经成功通过了美国两家最大的移动网络运营商 (MNO) 的测试。
优科无线首席运营官Dan Rabinovitsj表示:“我们的创新将提高Wi-Fi呼叫应用的可靠性和质量,让服务提供商和企业都能从他们的 Wi-Fi 基础设施中获得更大价值。 虽然Wi-Fi语音并非新兴事物,但迄今为止还没有服务提供商能够提供运营商级的 Wi-Fi 语音服务。”
Ruckus 的智能 Wi-Fi 创新适用于 Wi-Fi 呼叫,可应对重要的漫游和服务质量 (QoS) 要求。这些创新支持实时、双向语音呼叫,此类呼叫需要网络的少数操作参数以确保最高品质的 Wi-Fi 呼叫体验。Ruckus智能Wi-Fi最近的创新成果包括一系列新的专利功能,如基于容量的客户端访问控制、Wi-Fi 多媒体准入控制、定向漫游,以及自动启发式数据包流。利用这些以及其他集成到 Ruckus 产品中的智能 Wi-Fi 创新,企业现在能够确保 Wi-Fi 语音通信的最佳性能。
当推行 “Wi-Fi优先”这一开创性理念的移动运营商Republic Wireless公司的Wi-Fi网络在测试环境下遭遇到严重性能问题时,他们的开发者们意识到Ruckus在支持高质量语音服务方面上这一系列创新的价值所在。 他们转向Ruckus寻求解决方案,并安装智能Wi-Fi网络以最大限度的优化其传送语音和数据的服务。Republic Wireless 的联合创始人及首席执行官David Morken说道:“作为一家 ‘Wi-Fi优先’ 智能电话技术领域中的先锋企业,我们要求我们的无线网络合作伙伴具有最高级别的性能表现。Ruckus帮助我们搭建的Wi-Fi环境,满足了我们工程师所提出的要求,使我们可以持续的为客户提供新的服务和更多的功能。”
基于更加智能 Wi-Fi 下的清晰语音
Ruckus 针对运营商级 Wi-Fi 呼叫进行了技术创新,它们覆盖了很多方面的进步。这些改进可为延迟敏感的语音流量优化漫游和服务质量 (QoS)。 其中包括:
自动 启发式 QoS
这是指查看 IP 报头中智能手机设置的服务类型(ToS),或使用自动数据包流启发式不断检查任何流中加密或未加密数据包的大小和频率,从而划分 Wi-Fi 呼叫流量优先级的功能。
基于容量的客户端访问控制
如果过多的新设备尝试连接到给定的 Wi-Fi 接入点,那么原来已连接的客户端可能会遭遇服务质量下降。为了保持现有客户端的用户体验水平,Ruckus ZoneFlex™ 接入点现在可实施基于容量的客户端访问控制算法,以减少来自新客户端的连接请求。该新特性让企业能够在重负载时段保护用户体验。
定向漫游
利用 802.11v 标准,将客户端定向到另一个能够提供更好用户体验的 Wi-Fi 接入点,确保整个无线网络的整体用户体验水平。如果信号低于用户可定义的信号强度 (RSSI) 或吞吐量阈值,Ruckus ZoneFlex AP可自动提供一系列替代接入点,并请求客户端移动到更近的AP。这能够解决客户端一个日益严重的问题,即当它提供的不再是最佳连接时,不会仍然与给定的接入点连接或粘附在这个给定的接入点上。
Wi-Fi 多媒体 (WMM) 准入控制
WMM 准入控制可防止带宽过度签约,为进行实时语音和视频服务而改进 Ruckus 智能 Wi-Fi 网络的性能。客户端需要在连接到给定 的Ruckus ZoneFlex AP之前先请求特定数量的带宽,每个 AP 的带宽管理会先考虑网络负载和信道连接,之后才会允许客户端进行连接。
在与 Ruckus BeamFlex™ 技术相结合后,这些创新提供了必要的服务质量,用以支持 Wi-Fi 呼叫应用。
通过对Wi-Fi 信号的集中和适配在性能最佳的信号路径上,客户端能够以更高的数据速率进行连接,并减少接入 Wi-Fi 介质的竞争时间,为每个传输的数据包动态调整天线模式。这将大幅减少射频信道的竞争、冲突可能性(增加时基误差),或丢帧以及数据包的重新传输(增加延迟)。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。