Riverbed科技公司日前宣布,世界上最大且最多元化的环境网络----世界自然保护联盟(IUCN)正在使用Riverbed解决方案为世界上一些最具挑战性的地区提供高效的网络和业务运营。自然保护联盟报告称,在部署解决方案后的这一年间,Riverbed应用性能平台的关键组件SteelCentral,SteelFusion和SteelHead,已经帮助世界自然保护联盟利用相同带宽发送了超过以往4.5倍的数据量,并将应用性能提高了80%。
IUCN是监测自然环境并采取必要保护措施的权威机构。其最引人注目的项目包括波恩挑战赛,全球森林再造工作。IUCN的濒危物种红皮书和未来红树林项目,旨在提高亚洲沿海群落抵御海啸和其他灾害的能力。IUCN在全球不同地区开展业务,期望实现集中运营,并将整个机构的数字化作为一项长期目标。
“IUCN在世界上的50多个国家设有办公室,保证各办公室间进行快速可靠的联系至关重要,而我们此前却依赖各地办公室自行连接互联网。新的基础设施将极大改善IUCN不同团队(包括那些位于最偏远地区的团队)网络连接方式,能够访问我们的全球应用并实现相互协作。”IUCN首席信息官Francois Jolles说道。
IUCN希望Riverbed能够帮助应对网络挑战。一切都始于使用Riverbed SteelCentral的端到端可视化功能来监测、分析和解决IUCN的全球网络问题。Riverbed SteelFusion则解决了IUCN的远程办公IT基础设施问题,将来自15个最大办公室的边缘数据100%地集中到企业的数据中心中,确保即时应用开通和数据恢复。IUCN还使用Riverbed SteelHead实现广域网优化以提高本地应用性能。
“我们已经证实了全球化和数字化战略正在发挥作用。其改进效果明显,如:应用响应时间提高80%,相同带宽条件下,数据传输速度提升了4.5倍,数据中心复制数据的时间从24小时缩短至一小时以内。我们已经不在本地备份数据,现在所有数据都是集中存储的,我们拥有的网络基础设施可用来支持创建新的应用。”Jolles说。
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。