流量可视化解决方案领导厂商Gigamon(纽交所代码:GIMO)近日宣布推出首款能够在10Gb、40Gb和100Gb网络上实现全面可视化和规模化安全智能功能的高性能设备GigaVUE-HC3。该产品扩展了Gigamon可视化平台和GigaSMART®技术,具有更高的计算和吞吐性能,可对网络中海量动态数据进行管理、保护和分析。
无论是在本地部署还是在云环境中,越来越多的动态数据在企业网络中以更快的速度传输。数据量之大已经超过了监测工具和安全工具的处理能力,而且随着攻击的不断升级,安全团队不得不面对这一现实:复杂程度越来越高、成本越来越大、越来越难以操控。高性能网络(40Gb和100Gb)中的安全和管理控制需要一种快速识别“兴趣数据”的新方法,同时允许在最相关和最有价值的数据流中执行计算密集型任务,如SSL/TLS解密,元数据提取和目标应用检查。
Gigamon GigaVUE-HC3通过提供规模化的智能可视化直接解决这些挑战,并使IT和安全企业能够:
Gigamon产品副总裁Ananda Rajagopal表示:“那些需要处理大量网络流量的企业,愈来愈担心由高速和分布式基础设施所带来的攻击面问题,以及给网络安全团队带来的挑战。在这种网络环境下管理网络流量可不仅仅是为实现可视化和管控,还要能够发现问题,正如大海捞针那样。GigaVUE-HC3是业界首款可提供规模化智能可视性的平台。”
关于GigaVUE-HC3
Gigamon H系列的最新产品GigaVUE-HC3为10Gb、40Gb和100Gb网络提供规模化的智能可视性。这一市场领先的高容量可视性节点可提供:
伴随GigaVUE-HC3的推出,Gigamon现可提供从GigaVUE-HC1到GigaVUE-HC3的全系列模块化可视性节点,使企业能够进一步扩展其Gigamon可视化平台的性能和容量,实现对物理基础设施扩展和公有云的覆盖。
GigaVUE-HC3已于日前全面上市。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。