尼克是一家酒店的老板,拥有客房643间,最近经常有客人抱怨酒店客房的隔音效果不好,影响休息。为了给客人提供良好的休息环境,尼克对酒店进行了一次升级改造,加强了客房的隔音效果。然而升级改造后,有大量客人投诉客房的Wi-Fi体验很差,客房内信号不好,网速慢,打不开网页。对此尼克很不解,客房改造又不是网络改造,网络体验为什么会变差?
原来该酒店客房的网络覆盖采用的是传统走廊放装部署,每个AP覆盖4个房间,信号需要穿墙到室内。在客房升级改造前,虽然信号会衰减,但是基本可以满足客人的日常上网需求;客房升级改造后,墙面新增了石棉隔音板、大理石瓷砖等隔音材料,这些材料的使用加重了无线信号的衰减。
既然信号源部署在室外存在衰减问题,那信号源入室部署就成为最合理的选择,所以,业界在早期推出了面板AP方案来解决信号穿墙的难题。
面板AP方案:高性能、易部署,但投资维护成本高
面板AP部署在室内,信号无需穿墙,且匹配国标86盒面板设计,可简单快速地安装在86盒上,不破坏原有装修环境和建筑结构。以酒店客房为例,对于40平方米客房、10个用户接入的情况,人均带宽可以达到25Mbps,解决了房间信号弱、带宽不够的问题。
面板AP方案具备高性能和易部署的特点,但投资成本问题突出。如果每个房间部署一台面板AP,需要部署643个AP;而且每台AP都需要占用License,其中License成本约占设备成本的20%~30%,对于规模较大的酒店,总投资成本比原来的放装方案还要高出30%;对酒店网管人员来说,管理大量的AP也是个不小的挑战。
总体而言,面板AP方案更适合50~200个房间的中小规模网络,在投资和管理成本方面其优势也并不明显。鉴于此,业界推出了室内智能分布式方案。
智能分布式方案:信号质量高,但性能不足、部署困难
智能分布式AP采用射频馈线将天线拉远、让天线直接入室的方式绕过了墙体对无线信号造成的衰减。虽然射频馈线在传输中同样存在信号衰减问题(根据馈线长度不同衰减8%~23%),但相较于墙体材料高达52%的衰减量,信号改善比较明显。每个智能分布式AP覆盖8个房间,网络部署所需的AP数量仅为面板AP方案的13%,在投资和管理成本方面具有明显优势。
不过,在实际使用中效果并不理想。一个AP需要覆盖8个房间,在上网高峰期平均每个房间要接入2~3台终端,单个AP的负担过重,用户体验差。射频馈线较硬,部署也十分困难,且部署时需要在墙体上钻孔,会破坏原有的装修,对于刚完成客房改造的酒店,这种方案显然很难被接受。
面板AP方案很好地解决了信号覆盖和性能不足的问题,安装部署也较为简单,但投资维护成本高;智能分布式方案信号覆盖好、投资成本低,但性能不足、安装部署困难。有没有一种方案可以继承现有方案的优点,又能解决现有方案存在的缺陷?
敏捷分布式Wi-Fi方案:高性能、优覆盖、低成本、易管理
华为推出的敏捷分布式Wi-Fi解决方案,将传统“AC+Fit AP”的2级网络架构变革为“AC+中心AP+远端单元(RU)”的3级分布式架构,提升无线网络覆盖性能和用户业务体验的同时,简化了设备管理和配置,为客户打造高性能、优覆盖且易管理的精品网络。
RU入室部署,支持86盒、吸顶或挂墙等多种安装方式。86盒安装只需人均5分钟即可完成,对于不支持86标准的地区,或房间预留的安装盒位置不理想的情况,有专门定制的安装件,方便吸顶或挂墙安装。
RU入室部署,信号无需穿墙,经测试发现,采用敏捷分布式Wi-Fi方案时房间信号强度均在-35dBm~-45dBm之间,相较走廊放装方案的-74dBm,室内信号强度可提升50%。
敏捷分布式Wi-Fi方案创新性地将传统AP分离为中心AP+RU架构,实现了对传统AP的减负,RU只需处理无线信号和数据,而管理和控制处理均由中心AP完成。相比传统AP,RU所需处理的模块减少了2/3,无线性能提升20%,在覆盖4个房间、每房间10个用户的情况下,人均带宽达到30Mbps,是传统放装方案的4倍。
只有中心AP需要管理,RU免管理,为客户节省管理成本。中心AP的配置可自动下发到所有的RU,每个中心AP可管理多达48个RU。对于尼克的酒店,只需要14个中心AP即可满足需求,相比面板AP方案需要管理的643个节点,管理节点可节省90%以上。
RU免License费用,相比面板AP方案和走廊放装方案,综合投资成本可降低40%和18%。
华为敏捷分布式Wi-Fi解决方案对于酒店客房、学生宿舍和医院病房等房间密度大、墙体环境复杂的场景,很好地解决了信号入室难的问题,既实现了良好覆盖,又无需付出大量改造成本,同时管理又很简单,真正做到了高性能、低成本和易管理。当前,敏捷分布式Wi-Fi方案已在南京大学、北京交通大学,以及希腊MSH五星级渡假酒店等成功应用。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。