小明在X校已经上学多年,成绩总是提不上去,所幸学校决定响应《国家中长期教育改革发展纲要》,开始了新型“学与教”模式的探索。上学“经验丰富”的小明终于赶上了智慧教育的浪潮。
当“智慧”和“云”成为时代发展的重要标签,智慧教育成为教育改革的重要力量。以往,小明的老师们尝试过很多“新一代”技术装备,但却渐渐偏离了课堂教学的本质,一些看似“高大上、功能全”的产品,却因配置繁琐、故障频繁、管理困难、脱离教育主体的功能设计,实际却并不好用;学生们也无法正视这些设备,不能正确的用于学习。
图:锐捷网络发布新品智慧云课堂
针对以上问题,昨日,中国数据通信解决方案品牌锐捷网络,带着十余年来对教育的深刻理解和对用户诉求的精准挖掘,在京举办新品发布会,正式推出深耕用户场景、直击教学应用痛点的“智慧云课堂”,重新打造以学生为中心的数字化学习环境。该产品开创性地将学生课桌和智慧学习终端有机结合,配合丰富的教学互动管理软件,将信息技术与现代教育场景深度融合,以“课堂用、经常用、普遍用”为目标,打造面向未来的全新教学课堂。
锐捷云桌面产品事业部 高鹏
锐捷智慧云课堂方案包括由智慧学习终端RG-SmartRain100、智慧手写组件RG-RainPen、智慧一体化桌椅RG-RainDesk组成的硬件环境,以及教学互动软件RG-ClassManager Air(覆盖教室教师端、学生端和办公室Web端)组成。
图:锐捷网络云桌面产品事业部产品经理贺正春进行产品发布
一体化智能架构:让课桌与终端合二为一
在硬件架构上,智慧学习终端RG-SmartRain100、智慧手写组件RG-RainPen完全嵌入一体化桌椅中,实现了硬件的完美融合。整套设备采用了一键升降设计,教师可以统一控制,5 秒即可开启教学环境。与此同时,学生不仅可以通过智慧终端观看教师展示,还可通过智慧手写组件在普通纸张上实现真实书写,并在0.2毫秒内传输到智慧学习终端中,真正做到不改变学生书写习惯。
值得一提的是,锐捷智慧云课堂方案采用PoE供电,低于人体安全电压,利用桌腿底部过线,彻底解决终端网络连接不稳和反复充电的问题,实现极简管理。此外,锐捷智慧云课堂采用了全球领先的“净蓝”护眼专利技术,有效过滤蓝光,保护学生视力。
创新教学体验:教学互动软件一看就会用
为了实现“课堂用、经常用、普遍用”的智慧教育建设目标,除了高科技的硬件产品,锐捷智慧云课堂还配备了“一看就会用”的教学互动软件RG-ClassManager Air,集备课、分组教学、随堂测试、翻转课堂、学情分析、学生激励于一体,实现“教”与“学”的双重革命。
利用教学互动软件,老师可以轻松实现课前、课中、课后全场景的“智慧”覆盖。课前,老师可以在办公室快速完成备课,还能针对不同班级学情,灵活调整教学内容;课中,教师可以进行分组教学、开展灵活多样的随堂测试和丰富多彩的课堂互动。其中,在主观题部分,学生可以利用智慧手写组件,实现纸质、电子同步书写。老师还可以对课堂进行实时管控,包括屏幕权限、网络、外设等,让学生专心听课;在课后,学生可以通过自动收藏的错题进行回顾、复习,老师则可以利用智慧云课堂可以发起一场“作业秀”,发挥大数据学情分析优势,进而帮助老师精确教学。
图:锐捷网络智慧云课堂产品
锐捷网络期望借助智慧云课堂解决方案,让教室焕然一新,用智慧重构课堂,从而支持教学创新,为学生提供丰富而个性化的学习体验。“教育的本质,不是把篮子装满,而是把灯点亮”。当信息技术改变这个时代,让教育进一步回归本源,智慧云课堂将为打造以学生为中心的教育环境而不懈努力,小明也终于要毕业啦!
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。