思博伦通信今天正式发布了业界第一个用于验证高速以太网系统和网络的100G以太网损伤测试解决方案 - Spirent Attero 100G。这种100G以太网损伤生成器将使设备制造商和服务商能够以高精度、准确和可重复的方式,仿真出某个网络或网络组件。这种极具创新的高速测试解决方案可用于仿真各类传输、路由、交换和缓存延迟。
网络时延或延迟可能大幅降低吞吐量,并影响传输某些特定应用的高速网络连接,例如实时游戏、流视频和金融交易活动,进而招致消费者的不满和恶劣的商业影响。Spirent Attero 100G可仿真出超过5万千米的100 Gbps光纤,并评估网络拥塞、队列问题或多径衰减对设备性能造成的影响。
思博伦通信负责市场和产品策略的副总裁Neil Holmquist指出:“网络中的时延是一个大问题。因此,在开发高精度网络产品时,设备厂商和服务商在真实网络条件下对时延等性能指标进行验证至关重要。Spirent Attero 100G是第一种能够提供全线速模拟,执行100G以太网一致性规定的测量项目。”
当Spirent Attero 100G与思博伦的100/40G以太网测试模块结合使用时,用户可以对完整的网络流量、交换、路由和应用场景执行仿真和损伤操作,实现全面的端对端测试。思博伦的100/40G以太网测试解决方案可提供市场上最高的密度,能够仿真多个网络协议层,并且通过扩展的方式对数百万统计数据执行实时因果分析。思博伦的测试解决方案可建立真实场景的模型,验证数千个流上的服务质量(QoS),并且对交换机和路由器上各种复杂的路由、数据中心和接入协议进行测试。
Spirent Attero-100G解决方案的一些重要特性可支持:
• 完整的线速网络模块,其中包含精确的全线速延迟,在40G以太网条件下为640毫秒,在100G以太网条件下为256毫秒。
• 基于Web的用户界面,其中包含可直接从PC机或平板设备上操作的内建控制器。
• 通过引入丢失、乱序、错误和重复包来模拟各类损伤。
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。