Meraki在希腊语中代表“用激情和灵魂做事情”。而思科Meraki这家提供无线接入点、交换机以及路由系列产品解决方案的公司,正在将强大的技术化繁为简,帮助充满热情的职业人士专注于他们真正热衷的使命所在。
不断出现的行业颠覆者正在以数字化的科技、创新的商业模式和创意的方式接触和影响客户,为全球企业带来冲击与挑战。虽然网络领域的IT技术已经变得非常强大,但是与此同时技术也变得越来越复杂,正是不断提升的复杂度使得这些技术的应用变得越来越困难,这阻碍了客户快速部署这些强大的技术。思科Meraki最具创新的核心理念和热情所在是简化企业IT团队的传统工作,帮助企业实现数字化转型,从而专注于全心全意地为客户提供更有效的服务。在思科 Meraki 解决方案的助力下,全球各大行业客户(尤其是零售、酒店、教育和制造行业等)有效减少了运营成本,快速推进了全数字化业务转型。
在每一步的产品设计中,思科 Meraki都在通过强调高效使用有限的IT资源来实现简单易用、智能高效管理的目的。以思科Meraki地理位置分析(Location Analytics)的解决方案为例,企业能通过了解客户端的实时地理位置而提高客户的参与度和忠诚度。思科Meraki 智能无线接入点收集的数据能在控制面板上体现,也能通过地理位置分析API传送至第三方应用。思科Meraki的无线接入点、交换机以及路由器系列产品的技术支持模板化配置以及零接触配置,能够实现极速部署。这些特性使得思科Meraki解决方案尤其适合缺乏人手的IT团队管理大型、多分支等拥有大量网点的机构。一旦部署好,思科Meraki便能集中推送软件更新至所有设备,确保用户获得最新的功能和最强的安全性。
2018年4月13日,思科Meraki在上海举行新品发布会,正式落地中国。为此,思科Meraki已准备了近两年的时间,其中包括进行了全面的市场调研,这不仅仅是为了找到目标客户,更为重要的是研究如何针对这些客户提供更加合适的解决方案来帮助他们解决所关心的问题。当今,普通的中国消费者已经能够享受非常简单便捷的网络体验,但是在B2B网络市场中尚未出现一款足够简单智能的IT解决方案。思科Meraki落地中国就是为了提供这样一个简单、智能、以业务为主导的解决方案,打造一款中国市场中从事业务/商务工作但不懂IT的人士都能够轻松使用的智能工具。这也是为什么思科Meraki首次为单一市场开发定制化软件(中国版的控制面板)的原因。中国版控制面板的用户不仅可以享受到与海外版同样简易、高可视性和多功能的卓越体验,还可以拥有受惠于本地化的功能,比如简体中文界面、百度地图的集成、向中国合作伙伴开放的API接口所带来的丰富解决方案。目前,思科Meraki已进驻中国上海,并成立了中国销售、市场、培训和运营团队,开设了中文官网,提供了普通话版的思科Meraki认证网络工程师(CMNA)培训计划和普通话服务热线——思科Meraki已经准备就绪,正在全力为中国本土客户提供卓越的服务。
回顾2017年6月,思科发布基于意图的网络;2018年1月,思科为其基于意图的网络产品组合推出诸多强大的保障能力创新,旨在帮助IT团队变被动为主动——通过这些举措,思科希望帮助客户创建一个新的网络并赋予其各项强大能力,包括准确预测运营问题,有效阻止安全威胁的发生,以及持续进行自我学习、自我调整和自我保护。思科Meraki专注于提供极简化的功能和用户体验,这非常符合思科向“基于意图的网络”进行转型中对于园区网环境的设想。
思科Meraki早就发现,通过软件实现创新,凭借提供集中化管理平台以简化部署和运营,IT团队能够以更快的速度适应业务需求。客户不再需要拥有全面的软件和配置技能,从零开始构建网络;使用思科Meraki,客户需要面对的只是一个简单而直观的界面(控制面板),可以直接监测和配置其网络。思科Meraki为客户提供了一个可以响应其业务需求的网络,而这正是构成“基于意图的网络”的基础概念之一。思科Meraki已经成为“基于意图的网络”的先行者,并为其提供了绝佳实践。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。