在“互联网+”的浪潮下,广电行业唯有紧扣时代脉搏、贴近用户需求,才能防止用户流失,才能找到新的利润增长点。北京歌华有线电视网络股份有限公司(以下简称“歌华有线”)携手锐捷网络升级视频承载网,采用锐捷“牛顿”云数据中心交换机,打造高清互动电视网承载核心,不仅为首都用户提供了个性化的智能电视收视服务,更可以在雾霾频发的天气里,利用高清互动的平台,让学生在家听课学习,从另一个角度抵抗雾霾!
高清互动业务遭遇技术瓶颈
歌华有线成立于1999年9月,是北京唯一一家负责全市有线电视网络建设、管理和经营,并从事广播电视节目收转传送、视频点播、网络信息服务、基于有线电视网的互联网接入服务以及互联网数据传送增值业务的运营商。同时,歌华有线也是国内有线网络首家上市公司、国内第一批三网融合广电试点企业。
歌华有线的网络建设一直保持行业领先,在北京市的光缆铺设5万余公里、电缆24万公里,除总前端机房外,拥有一级传输机房15个、二级传输机房200余个、小区接入机房上千个,面向560万注册用户超过(其中高清交互数字电视用户超460万,双向交互用户数居全国广电首位)、40万个人宽带用户提供数字电视节目175套(其中高清电视节目26套)、18套数字广播节目和多种交互数字电视应用服务及互联网业务。
然而,在“三网融合”和“宽带中国”的背景下,随着宽带用户接入带宽不断提升、互联网视频业务内容不断丰富,歌华有线传统的视频业务也面临了较大的压力。面对竞争,歌华有线在推进有线电视数字化整体平移时,以双向为基本要求、以高清为发展方向、将高清交互机电视顶盒作为标配终端发给用户,最终建成了国内最大的高清交互数字电视网络。在公司战略加速转型的关键阶段,歌华高清视频点播、时移电视、电视院线和云平台等交互数字电视业务逐渐受到用户喜爱。歌华有线的视频承载网也产生了新的需求:
由以上需求可看出,只有全面升级数据中心核心交换设备,建设更高性能的以太视频承载网,才能为数百万高清互动用户打造高品质的服务。
牛顿助力歌华视频承载网升级
歌华有线交互数字电视网络建设于2012年,经过短短的两三年发展,原先的网络遇到了万兆端口密度低、无法继续扩容的问题,并且一直存在的丢包问题也没有得到解决。因此,2015年歌华有线启动了视频承载网的升级工作,由此吸引了国内众多网络厂商参与项目竞争。
最终,锐捷 “牛顿”系列RG-N18010云数据中心交换机在激烈的竞争中脱颖而出,并且在歌华有线严格的业务测试和实际运行中取得了良好的效果。“牛顿”的超强性能、高密度设计和扩展性满足了歌华有线业务拓展需要,其特性与需求对接情况如下:
“停课不停学”,推流网不惧雾霾
项目正式上线以来,依托成熟稳定的云计算数据中心解决方案,RG-N18010不仅满足了视频业务后台系统南北与东西向大流量数据的传输,更解决了分中心高性能接入性难题,网络运行稳定、视频业务顺畅。尤其是在割接上线过程中,RG-N18010的开放性与兼容性再次得到验证,无阻碍地为推流服务器和缓存服务器提供了高速互联。
值得一提的是,在北京红色雾霾预警期间,歌华有线高清交互平台“北京数字学校”发挥平台资源优势,配合北京市教委保证首都中小学生能够在家通过电视机学习,做到“停课不停学”,总访问量超过380万次,单日访问峰值达到135.7万余次,让教学高清视频流畅穿越重重雾霾,送到了每个孩子的眼前。
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。