Ruckus Wireless (优科无线)现为Brocade(博科,NASDAQ:BRCD)旗下子公司,发布两款新无线访问接入点(AP)与进阶版管理软件,其服务的Wi-Fi用户端数量较上一代产品多一倍,而且能为零售、餐旅、教育、企业与服务供应商等产业的客户提供更棒的无线体验。
新AP采用802.11ac Wave 2标准,具备多使用者多重输入与输出(MU-MIMO)技术,可在一个RF通道上,将多个用户端串流同时传送到不同装置。继2015年4月领先市场推出Wave 2 AP后,Ruckus现在已拥有业界最完整的Wave 2产品组合。Ruckus所有Wave 2 AP都结合了MU-MIMO、Ruckus的专利BeamFlex+™调适性天线技术与ChannelFly™自动通道选取技术,因此能提供最高Wi-Fi效能,让每个用户端传输通道获得最佳讯号。
新产品包括:
Ÿ Ruckus ZoneFlex T710无线访问接入点——这是业界第一款Wave 2 AP R710的户外版本,可提供数千兆位元(multi-gigabit)的Wi-Fi效能和前所未见的用户端容量。透过BeamFlex+调适性天线技术,T710配备了四个双频天线,并搭载以太网络与光纤骨干网络所需界面,同时内建GPS功能,以简化定位与资产管理作业,为企业与服务供应商的户外布建提供灵活的平台。
Ÿ Ruckus ZoneFlex R510无线访问接入点——这是Ruckus最受欢迎的室内无线访问接入点(R500) Wave 2版本,R510价格实惠,适合中阶市场用户。它配备两个支持MU-MIMO技术的双频天线(同样透过BeamFlex+技术),因此能以最佳效率服务更多装置。和其他竞争产品不同的是,R510可以与现有的802.3af以太网络交换器一起使用,而不用为了更严苛的供电要求而升级至昂贵的交换器。
这两款AP都可由Ruckus的ZoneDirector™与ZoneDirector™控制器进行管理。ZoneDirector与SmartZone是管理无线网络的软件平台,包括存取控制、访客连线功能、进阶Wi-Fi安全性与流量管理。在今日发布的消息中,Ruckus也宣布SmartZone将升级至3.4版,并提供多项新功能,包括Wi-Fi网络自动最佳化、网络远端管理、更简便的AP安装流程与Amazon Web Services支持。ZoneDirector将升级至9.13版,让网络安装与管理更有效率。这两个平台也可支持Ruckus Smart Positioning Technology (SPoT™)的位置型服务,以及可管理使用者登入和原则存取的Cloudpath™终端管理与安全软件。
“Wave 2正迅速成为高效能的Wi-Fi标准,BeamFlex+等Ruckus创新专利技术更推动了这一趋势。”Brocade旗下子公司Ruckus中国区总经理陈卫民先生表示,“使用Smart Wi-Fi与客户互动、提供服务和经营业务的零售、餐旅与教育业者已感受到它带来的庞大效益。通过今日发布的新无线访问接入点,Wave 2将成为企业或服务供应商部署环境中的主流标准。”
“Ruckus的新AP可为许多产业提供更多Wave 2部署选择。” Current Analysis研究总监Mike Fratto表示,“快速且可靠的无线网络对企业业务的重要性与日俱增,在Wave 2系统的推动下,2016和2017年的Wi-Fi传输率预计将迅速攀升。”
您可通过Ruckus全球经销商取得Ruckus ZoneFlex AP的产品。R510、T710、SmartZone 3.4与ZoneDirector 9.13预计于7月出货。
在 LinkedIn 和 Twitter 上关注 Ruckus Wireless,了解与 #SimplyBetterWireless 有关的所有最新信息。
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。