无线网络提供商Aruba公司推出的室内定位与营销技术可以广泛应用于零售商、体育场以及任何其他厂商的Wi-Fi网络中。
前不久,Aruba公司推出了Aruba Sensor,它是Aruba Mobile Engagement产品线的最新成员,该产品集成了定位跟踪、Wi-Fi以及应用开发等软硬件技术。
被惠普公司收购的Aruba公司提供Mobile Engagement解决方案来拓展Wi-Fi室内定位市场。从体育场、飞机场到医院、博物馆等场所都可以基于用户的位置向他们的移动电话上推送消息或促销活动。用户要访问该场所的服务需要下载APP。
确保Beacon技术能够运行在任何网络上
移动设备的通信是通过Beacon技术实现的,需要使用电池,火柴盒大小并且支持BLE(低功耗蓝牙)射频的设备发射信号可以达到100英尺。有了Aruba Sensor,Aruba的Beacon技术只能在厂商自己的Wi-Fi网络上运行。
Aruba Sensor差不多扑克牌大小,在BLE基础上采用Beacon技术。Sensor使用常驻Wi-Fi网络来连接到Aruba的在线Beacon管理平台,该平台还提供各种工具,用于创建传输基于地理位置的服务的应用程序。
Gartner公司的分析师Mark Hung表示,利用Wi-Fi网络连接到管理和安全软件在Beacon技术制造商中是一个趋势。用不了多久,市场上就会出现其它类似的解决方案。
Aruba Sensor标价195美元,通过Beacon技术通信范围可以达到半径80英尺。用户可以直接把它插到交流电源插座上。
Beacon定位管理分析平台
Aruba公司的管理平台可以识别不工作的Beacon。还可以改变电源功率,调节设备的射频半径。
Aruba会向平台添加Beacon数据,包括携带各种类型的设备的用户和他们的位置。该软件还可以跟踪场馆里移动设备的运动。为了确保私密性,Aruba会汇总数据,这样企业就可以从整体上跟踪用户的活动,而不是每个人。
Aruba Beacon的用户包括Levi's Stadium、Nebraska Furniture Mart、奥兰多国际机场(Orlando International Airport)、美国自然历史博物馆(American Museum of Natural History)。
虽然很多场馆都部署了定位技术,但是其它一些Nordstrom和Philz Coffee等零售商考虑到购物者的隐私问题就不得不放弃该技术。在去年OpinionLab的一项调查发现,80%的购物者都不想商店通过手机跟踪他 们。超过40%的用户表示他们不太可能在商店使用定位技术。
但是,Aruba公司希望开发人员可以更方便的为其产品创建应用程序,来扩大用户群。除了Aruba Sensor,该公司还推出了合作伙伴计划,可以让开发人员下载一个软件开发工具包,用来把他们的APP连接到Aruba Beacon上。另外,Aruba还希望应用程序制造商合作伙伴出售他们的产品。
Aruba的产品营销经理Jeff Hardison表示:“转售方式使得开发人员更愿意在一些初创企业或是竞争对手的产品上使用我们的Beacon技术。”
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。