近日,华为发布了《下一代NFV网络保障》技术白皮书,详细分析了需要通过被动维护、主动维护和智能维护三大能力八项功能来支撑运营商数字化转型过程中所需的NFV(网络功能虚拟化)保障技术能力。
网络架构转型在运营商转型过程中扮演着十分重要的角色,全球主要运营商均已开始网络云化建设和改造。当网络部署完成后,运营商在进行高效维护,满足电信业务高可靠性,保证网络安全和业务体验等方面,面临着不小的挑战。
在传统网络中,可靠性和可恢复性以“问题-反应”方式进行管理,NFV网络需要继承相关能力,以进行故障检测和排除,其中统一监控、告警关联、多厂商环境下的故障管理尤为重要。
同时,在新的网络架构和业务需求下,需要进行更加积极的网络数据分析、预测,解决潜在的网络问题和风险,此时主动维护和持续提升技术就显得非常必要。近日GSMA发布的《虚拟化移动网络的注意事项,最佳实践和需求》白皮书也详细阐述了这一理念,通过综合评估体系的建立,保证系统的健康度。
此外,自动根因分析、闭环自动化、预测式分析和维护、自动升级等自动化和智能化的技术能够减少人为操作的影响,提升效率,帮助运维团队应对日益复杂的网络。
高效高质的维护和保障对NFV网络的运行和业务的开展非常关键,运营商需要持续引入新的服务能力和技术,通过运维转型助力数字化转型成功。
请访问如下链接查阅白皮书:
http://carrier.huawei.com/~/media/CNBG/Downloads/Services/nfv/Next-Generation%20Assurance%20in%20NFV%20Networks.pdf
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。