随着信息化浪潮席卷全球,各行各业都在引入信息化网络系统,为自身发展提供强大动力。作为关乎国计民生的医疗行业,更是责无旁贷,是这波信息化浪潮的重中之重,广大人民群众必将会在这次医疗信息浪潮中深深受益,每个医疗单位都必将乘上呼啸而来的信息高铁,同时信息化也必将把医疗行业推到一个新的巅峰。
复旦大学附属妇产科医院是上海市顶级的三甲妇产科医院,俗称红房子医院。红房子医院是我国历史最悠久的妇产科医院之一,现有实际开放床位496张,年门诊量65万余人次。
随着业务发展,无线医疗普遍流行,院方对移动查房、定位防盗、资产管理等需求日益增强。为此,医院需要建立能覆盖全院的无线网络,建立可靠、无死角覆盖的无线可支持移动医疗业务快速发展。
针对自身网络的建网需求,复旦大学附属妇产科医院决定与华为展开合作,运用华为敏捷网络解决方案搭建一套全新无线网络。针对医院具体需求,华为通过敏捷无线网络、有线无线一体化解决方案,加上前期优质的无线网规设计和后期严格缜密的交付过程为客户打造全院覆盖的无线网络,支持其移动查房、移动会诊、婴儿防盗、移动配药输液、资产管理等移动医疗业务。
在网络建设方案层面,医院接入交换机均采用双上行线路,遇有单条线路故障不会影响正常业务开展;在网络核心层部署了两台华为敏捷交换机S12700做CSS2硬件集群, CSS2硬件集群方案将两台物理核心交换机虚拟成一台逻辑交换机,以独创的主控1+N 备份技术让集群系统可靠性得到前所未有的保障,提供了业务稳定运行的基础。同时,华为的eSight网管软件系统部署,以可视化的手段大大提升了日常运维的便捷性,提高了工作效率。
华为提供有线无线深度融合方案,采用敏捷交换机S12700提供随板AC功能,业务板除了能转发传统有线业务,还能作为AC转发无线业务,也就是说S12700实现了有线无线深度融合,默认提供AC功能,将来部署无线AP时,核心网络不做任何变化,无需新增额外设备,只要按需购买对应的无线license即可。S12700的随板AC的性能是传统AC的一百倍,支持4K个AP,意味着将来医院无线网络由区域覆盖到全院覆盖,甚至多个分院的覆盖都能轻松支持。
为减轻医院运维难度,华为敏捷交换机S12700将医院有线无线两张网络深度融合成一张网络,解决了传统方案有线无线网络需要分开管控的问题,同时具备SVF超级虚拟交换网能力,可以将医院里面所有的交换机和AP都虚拟化成一台设备,实现了网络的最简化。
通过此次业务承载网络的建设和改造,复旦大学附属妇产科医院的信息化水平进入了一个崭新的阶段。华为高性能敏捷交换机为医院构建了一张畅通无阻塞的交换网络,高可靠组网方案为医院各种核心业务连续性奠定了稳固的基石,S12700与S7700交换机的演进能力有效保障了医院业务扩容的需求,敏捷交换机对WLAN的平滑扩展能力满足医院未来对移动医疗,院内无线覆盖的需求,eSight网管兼容现有的其他厂商利旧网络设备,具备IT&IP统一管理能力,提供了在丰富的管理功能和多样的维护手段。
正如复旦大学附属妇产科医院项目负责人对本次网络建设所做的评价:"华为为本院信息化提供稳定、高效、安全的基础平台,充分满足了医院数据中心的应用及未来发展需要。"
为全球领先的ICT解决方案提供商,华为具备丰富的医疗卫生行业服务经验,基于智慧的敏捷网络,提供包括数字医院和移动医疗等多种医疗行业网络解决方案,助力中国医疗卫生行业的信息化发展,促进居民健康水平提升。
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。