北京理工大学是中华人民共和国工业和信息化部直属的一所以理工科为主干,工、理、管、文协调发展的全国重点大学,是国家“211工程”、“985工程”首批重点建设高校。学校有全日制在校生近3万人。
北京理工大学有两个校区,中关村校区和良乡校区,早期园区网络由于园区核心的控制与转发能力无法匹配所有终端接入的带宽能力要求,且网络层级不可避免,因此园区网络往往以三层架构进行组网。对用户而言三层网关至少需要到汇聚一层,在这样的网络架构下整个网络需要部署动态路由,且用户接入控制与网关需采用分布式部署模型,因此对运维、规划、扩容以及兼容异构都带来的较高的复杂性。此次网络改造主要是对良乡南北两个校区整网进行扁平化大二层方案改造。
项目需求
后期运维排错定位复杂,工作量大。
方案特点
结合上述现状,华为配合学校在良乡校区出口直连部署华为ME60多业务控制网关,替代原有的两台友商86核心设备,通过40KM光纤与中关村校区核心思科6509三层互联;现网有线设备更替后,良乡有线全网通过QINQ技术实现逻辑大二层架构,ME60作为DHCP Server为不同楼宇分配不同的IP地址,但不作为宿舍区流量的认证点,流量经过40KM光纤到达本部深澜出口服务器后,采用触发认证的方式进行Portal认证;
本次扁平化整体方案优势如下:
客户价值
华为扁平化园区的设计理念在校园网络改造中得到极用户的极大认可,主要体现在如下几点:
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。