近日,无线技术创新领域又现重磅消息。在10月29日召开的“当智慧遇见极简——2017高校智慧网络建设与应用创新研讨会”上,锐捷网络发布了基于802.11ax平台的全新产品RG-AP860-I。该产品采用了更高阶的1024QAM调制编码方案和上下行OFDMA技术,通过更高的传输速率、更强大的并发能力和更高效的资源调度能力,展现出了单台AP承载10Gbps网络接入速率的震撼力。最关键的一点是,锐捷RG-AP860-I已全面支持802.11ax的企业级应用,此举为第七代无线技术打通了大规模商业化的应用之路。
如今,手机已经从传统意义上的简单联络工具,成为集通讯、工作、娱乐、消费、定位导航于一身的智能型终端,而促使这一情况发展的核心原因,正是无线网络的不断发展。与此同时,无线网络打开的一扇扇窗口,让大数据、物联网应用如此普及,让我们真正迈进了万物互联的智慧时代。
锐捷网络无线产品事业部解决方案总监毛李康
802.11ax将为万物互联带来更多的“黑科技”。在产品发布环节,锐捷网络无线产品事业部解决方案总监毛李康表示:“从1997年802.11技术诞生,到今天的万物互联, 20年积淀而成的802.11ax不仅性能惊人,应用空间也更加广阔,它塑造的Wi-Fi应用场景将会前所未见。从技术层面看,802.11ax提出了全新的DCCA/DTPC 空间复用技术,可快速识别空口冲突并进行退避,同时通过动态空闲信道评估与动态功率控制等手段,使多AP多用户环境下平均吞吐量比802.11ac标准提升30%~100%。其次,除继承了MU-MIMO技术外,802.11ax的另一个重要革新,就是其引入了OFDMA,在典型的多用户并发场景下,整网性能最大可以提升3倍之多。”
然而,从炫酷的“黑科技”,到街头巷尾的“众人用”,802.11ax要实现真正的商用并不简单。对此,毛李康认为:“802.11ax将为车站、机场、公园、体育场馆、‘万人大会’等高密度场景带来前所未有的无线体验....但若是没有与之匹配的终端,就只能算是一个漂亮的技术指标而已,而锐捷推出的802.11ax解决方案则解决了‘两端’发展不均衡的问题。从发布业界第一款三射频的802.11ac Wave2旗舰级RG-AP740-I,让终端从802.11n到802.11ac Wave2均实现整体受益,到今天再次率先推出支持802.11ax标准,能够大规模商用化的RG-AP860-I,锐捷的所有产品始终围绕着‘场景创新’这个核心词,始终如一、持续创新。”
(图:RG-AP860-I)
作为锐捷新一代旗舰级802.11ax平台产品,RG-AP860-I整机有线速率和整机无线速率均达到了10G,其性能指标已达到业界最高规格。而为了推动“与终端无关”的商用化应用,锐捷早已在全线主流产品中采用Pre-ax技术,将802.11ax中最突出的抗干扰特性导入,通过整网的协同调度,全面降低AP间相互干扰,并在大量高密度部署场景中取得了成功应用。除了将成熟的Pre-ax技术再度优化、提升、商用之外,此次发布的RG-AP860-I还采用了三路射频电路设计,通过UL-OFDMA小报文场景下的优化技术,大幅提升了多用户场景下的上传性能,并且通过内置的全制式物联网发射单元,发挥SDI软件定义物联网的灵活性,可以调整成适合各类物联网场景的应用平台。
在万物互联的世界里,“Wi-Fi”是生态系统的关键,也是创新应用的基础。锐捷致力于极致的Wi-Fi体验,打造了WIS无线智能服务平台,并在服务全行业全场景用户的过程中持续精进。不仅在阿里云栖大会、腾讯合作伙伴大会、GITC全球互联网大会、苏宁之夏等超大规模展会中充分验证,更通过大数据平台应用为我国各大高校的智慧校园提供了创新业务的鼎力支撑。而锐捷WIS 3.0将深度融合AI技术,全网洞察每一个潜在风险,动态调整Wi-Fi参数,确保每一个接入设备都有优质的Wi-Fi网络。与此同时,锐捷还将加大物联网应用创新,将“人、物、网“融为一体,发挥广域物联网和近场物联网各自优势,协助各大高校实现各类业务系统对接,最终形成一个弹性、可扩展、可持续发展的物联网架构。
“场景创新”一路走来,让锐捷已经逐步成长为WLAN领域的领头羊,陆续研发出X-sense灵动天线、智分+、零漫游、WIS等创新技术产品,将用户体验推向极致。在未来,锐捷无线将继续以客户为中心,坚持深入每一个真实而细小的业务场景,持续给用户提供最佳的产品解决方案。
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。