至顶网网络频道 10月11日 编译:在“物联网”这场派对中戴尔可能有些姗姗来迟,但是带来了很多朋友。
戴尔利用过去几年的大量收购、合作和投资,最终于今天公布了围绕其“分布式核心”的物联网战略,信息在网络中最适当的时候被处理,不管这些信息是在什么地方。
戴尔表示,未来三年将在新的物联网产品、研究和合作上投资10亿美元。戴尔任命VMware首席技术官Ray O' Farrell带领一个“IoT Solution Division”部门,该部门将把内部开发的技术与来自戴尔合作伙伴生态系统和投资的产品相结合。
戴尔利用这个机会强化其中一些投资,包括物联网管理厂商FogHorn Systems、机器学习初创公司Graphcore以及物联网安全开发商ZingBox,以突出戴尔的广泛资源,并提醒客户在物联网蒸蒸日上的时候戴尔并不是置身其外静观其变的态度。
戴尔强调说,戴尔现有产品组合中的产品已经适用于物联网部署,或者即将用于物联网部署。例如,Dell EMC PowerEdge C系列服务器已经更新了批量训练和机器学习以支持这种分布式核心。Isilon和Elastic Cloud Storage可用于保存物联网网络需要的大量存储,以及来自戴尔Pivotal子公司的Cloud Foundry平台即服务,可用于构建基于云的分析应用以支持智能设备的大型网络。
Wikibon首席分析师David Vellante表示,戴尔此次公布较少谈细节,而更多地说战略,但似乎都直击要点。“从纸面上看,戴尔正在做正确的事情,成立一个专门的物联网部门,将数据摄取与数据分析相结合,并宣布其产品组合的相关产品。最大的问题是戴尔能否展示明显的差异化价值,我认为戴尔可以做到。”
戴尔还公布了多个新的开发项目,但是没有提供更多细节:
- Project Nautilus:一个实时分析和流式存储包,结合了开源Pravega软件定义存储、用于流分析的Apache Flink和戴尔PowerEdge服务器
- Project Fire:是VMware Pulse物联网产品线的超融合组件,可通过简化管理、本地处理和实时分析加速物联网部署
- Project Iris:来自戴尔的RSA Security LLC子公司,将提供针对物联网设备的可见性监控,同时开发检测异常行为的新机制
- Project Worldwide Herd:旨在开发一个分析平台,在那些无法整合或者集中的地理分散数据进行机器学习。
戴尔将要面临的挑战是,让企业信任戴尔可以解决物联网软件的问题。分布式、智能设备网络,给集中化的新兴技术和云计算模型带来挑战,它要求进行分布式处理、将结果联合起来。这种模型将采取怎样的形式还有待讨论,但趋势是明确的。Gartner预测,到2022年有75%的企业数据将是在数据中心之外或者云中创建和处理的,高于目前的10%。
此外,戴尔强调自己软件子公司的实力,以及这些子公司参与到EdgeX Foundry、Industrial Internet Consortium和OpenFog Consortium这样的标准化项目中。Wikibon的Vellante表示,软件元素是关键。“值得关注的是,戴尔能够引领生态,打造物联网的未来,让软件成为其价值主张的核心。”
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。