Brocade旗下优科公司日前宣布在由Divergent Dynamics验证的一系列压力测试中,优科再次超越四家主要Wi-Fi竞争对手。该测试使用中端802.11ac接入点,测试了每个接入点同时向60个客户端设备传输视频和数据的能力。结果表明,Ruckus R610接入点是唯一一款在网络加载数据流量时,还能同时保持将无延迟视频传输至每个客户端的测试产品。
Divergent Dynamics创始人兼首席执行官Devin Akin表示:“这次测试是在真实、高客户端密度的环境中进行的,并且采纳了行业最佳实践和各制造商的建议。在这种环境下,Ruckus的接入点产品交付了一致稳定的无延迟视频,超越了来自其他四家厂商的五个接入点产品,其中包括两个拥有更高性能规格的接入点产品。R610是唯一一款符合真实环境相关测试目标的接入点产品,令人印象深刻。”
企业视频
全球大部分IP流量来自视频内容,并且在企业和移动设备端迅速增长。根据最新的思科视觉网络指数,2016至2021年间全球IP视频流量将增长三倍,年复合增长率为26%。随着企业市场更多地采用先进的视频通信应用,也促进了2016至2021年间商业IP流量的增长。
关于本次测试
本次测试旨在有和没有数据客户端(Mac Mini)额外网络加载的情况下,确认每个接入点向客户端设备(Chrome笔记本电脑)传输无延迟视频流的能力。共进行了两次测试,一次有30个视频客户端和30个数据客户端,另一次有60个视频客户端和2个数据客户端。每个受测试的接入点被放置在房间的位置,均可以让其能够覆盖同一房间的视频客户端和相邻房间的视频和数据客户端。
测试结果
在有30个视频客户端的测试中,Ruckus R610是唯一一款在数据客户端大量网络加载情况下,还能将无延迟视频传输至全部30个视频客户端的接入点产品。在有60个视频客户端的测试中,Ruckus R610是唯一一款无论有没有网络加载,都能将无延迟视频传输至全部60个视频客户端的接入点产品。
商业影响
IT部门更多的职责是在无线局域网(WLAN)上提供更高质量的服务,而不是在基础设施上过度采购。在某些细分市场(例如教育),持续交付无延迟视频是组织正常运行的必要条件。IT部门也可以通过减少收到用户的求助次数来节省时间,从而为他们的用户提供更好的视频体验。IT部门可以为每两个房间安装一个接入点产品,而不用每个房间都装一个,从而降低接入点基础设施以及相关的许可证、电缆布线和功耗等成本。
Ruckus无线产品副总裁Greg Beach表示:“Ruckus致力于为每位用户提供最高质量的体验,无论流量类型。视频在每个无线网络环境中变得越来越普遍,与大多数类型的数据流量相反,终端用户能够立刻察觉到糟糕的视频传输。Divergent Dynamics的报告进一步证明了Ruckus独特的能力,即使在最具挑战性的情况下,也能确保良好的终端用户Wi-Fi体验,而无需过度采购。”
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。