在此前的报道中(摒弃传统机箱式交换机 博科另辟蹊径打造灵活园区网络),我们知道博科打造了一个不一样的园区网络方案,它是博科推出的分布式横向扩展的园区网络解决方案。
和业界较多的采用核心、汇聚、接入这样的三层网络架构,也就是单体式机箱园区网方案不同,博科园区网方案采用扁平的2层设计,一是把汇聚、接入合为一层,采用混合堆叠模式;二是把汇聚、核心堆叠,采用分布式机箱模式。博科称它为HyperEdge架构,摒弃“大机箱+插板子”的模式,它的核心是随着网络增长而横向扩展网络。
博科 HyperEdge 架构
如今,博科继续扩展了“无忧网络”愿景,增强园区网方案体系,一是推出了新的企业级可堆叠Brocade ICX 7250交换机,二是推出新的HyperEdge Architecture技术——Switch Port Extender,它将通过针对ICX 交换机的共享服务和管理整合而提供更大的园区网络规模和自动化。
Switch Port Extender简化园区网络
Switch Port Extender是一大亮点,博科中国区技术经理谷增云称,可以将它视为一个堆叠的技术或架构,这一技术能够让遍布整个园区的Brocade ICX 7250, 7450, 和7750交换机服务之间共享网络服务和管理。并且,能让ICX 7250和ICX 7450交换机继承ICX 7750先进的功能特性。
园区网络的演进
Switch Port Extender提供的功能可以使不同型号的交换机混合在一起,据了解,这个组合的范围可以延伸到10公里大的区域。
通过此技术,园区网的核心、汇聚和接入将更加扁平化,和博科在数据中心网络运用的VCS技术类似,它的目标是简化网络实现自动化,并采用逻辑集中式管理,在网络中其它设备看来就像是一台交换机。这样做可以显著降低管理层复杂性,反过来则可以简化故障排除。
谷增云指出,Switch Port Extender还是基于标准的协议,也就是如果其他厂商的交换机产品如果支持该标准协议,可以纳入这个体系。
Brocade ICX 7250——入门级的10G密度可堆叠交换机
Brocade ICX 7750和7450外,新的Brocade ICX 7250交换机提供了同类交换机中业界较高的10GbE端口密度。
博科 ICX 7250 交换机
博科称,与同类交换机相比,Brocade ICX 7250的堆叠密度高50%,最多可把576个1 GbE端口整合到一个虚拟机箱和单一管理点中。为了确保企业机构能够随着用户应用的演进而轻松扩展网络服务,ICX 7250可使用完整的第三层服务,从而降低资本开支并保护现有投资。
博科还将扩展OpenFlow 1.3支持到ICX 7450和7750交换机。ICX 7250也支持服务器使用的开放标准技术,以让网络交换机知道发送数据包到何处,ICX产品组合提供2层和3层网络服务。
至此形成的博科园区网解决方案采用横向扩展、按需付费的网络,让网络拓扑更灵活,减少了管理触点,以及实现多厂商和软件网络的互操作性。谷增云称,这种分布式机箱园区网络架构让网络运营成本降低75%,并在美国市场得到很多企业客户的采用。如今在国内,这种架构应用的虽然不多,但随着其优势显现,博科在园区网将分得一杯羹。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。