ZD至顶网网络频道 02月21日 编译:Arista网络公司在最近一个财季里的表现超过分析师预期,收入增长达40%。Arista表示,在“壮观”的2015年里收入飙升,尽管要应对思科的诉讼,第四季度业绩仍又创新高。
Arista公司总裁兼首席执行官Jayshree Ullal表示,“我很高兴Arista的可编程云网络迅速得到我们客户的接受。”他表示,“传统企业转型到云工作负载是不可避免的,这刺激了Arista盈利业绩的强劲增长及市场份额的增加。”
具体表示如下:
Arista 在2015年全年各种数字也增长显著:
Arista公布这些数字之时仍在与思科对簿公堂,思科指控Arista及其管理团队存在专利和版权侵权行为。思科表示,希望Arista从市场上移除侵权产品。
今年年初,Arista对思科提出反诉讼,指控思科利用其市场支配地位排挤竞争对手及阻吓顾客使其远离其他服务。
美国国际贸易委员会预计将在下个月发布关于该侵权案的调查结果。
好文章,需要你的鼓励
这篇研究揭示了大语言模型强化学习中的"熵崩塌"现象——模型在训练早期迅速失去探索能力,导致性能达到可预测的上限。研究者发现验证性能和策略熵之间存在精确的数学关系:R = -a·exp(H) + b,并深入分析了熵变化的内在机制。基于这些发现,他们提出了两种简单有效的方法(Clip-Cov和KL-Cov)来缓解熵崩塌问题,显著提升了模型性能,特别是在困难任务上。这项研究为大模型强化学习的规模化应用提供了关键指导。
Skywork OR1是昆仑公司AI团队开发的开源推理大模型,通过创新的强化学习方法显著增强了语言模型的推理能力。该研究基于DeepSeek-R1-Distill模型系列,采用名为MAGIC的训练方法,在AIME24、AIME25和LiveCodeBench三大基准测试中实现了显著性能提升,32B模型平均准确率提高15.0%,7B模型提高13.9%。研究团队通过系统研究策略熵崩塌现象,提出了有效的缓解策略,并开源了全部代码、数据和模型权重,为AI社区提供了宝贵资源。
上海交通大学研究团队发现多模态大语言模型中的"啊哈时刻"(自我反思模式)虽存在但并不意味着推理能力提升。他们提出了"冷启动强化学习"两阶段方法:先用监督微调建立推理模式,再通过强化学习优化。实验表明,这种方法在多个多模态数学推理基准上表现卓越,使3B参数模型达到接近甚至超越部分7B模型的性能,为增强多模态AI推理能力提供了有效路径。
MBZUAI研究团队开发的SVRPBench是首个模拟真实物流环境的随机车辆路径问题基准测试平台。它通过建模时间依赖的交通拥堵、概率性延误和客户特定时间窗口,为500多个包含最多1000客户的测试实例注入真实世界的不确定性。实验结果显示,先进的强化学习算法在分布变化时性能下降超过20%,而传统方法表现更为稳健。该开源平台通过GitHub和Hugging Face发布,旨在推动更适应现实世界不确定性的路由算法研究。