至顶网网络频道 06月13日 编译:思科今天宣布开放DNA Center,这个集中式网络控制和管理仪表板主要用于思科基于意图的DNA网络系统。
基于意图的网络是一种网络管理方法,它使用机器学习自动配置网络,以匹配管理员定义的一组策略,排除故障,无需人工干预。
网络中数以千计的设备之间的数据传输是可以聚合起来的,让网络能够以更智能的方式进行学习和提供服务。大约一年前推出的DNA Center是思科不断发展的软件定义网络战略的一个关键。
思科今天宣布,现在客户和业务合作伙伴可以扩展DNA Center,并且DNA Center还能够管理来自非思科的网络设备。思科希望将DNA Center作为“第三方设备的管理平台”,思科企业网络和开发者营销副总裁Prashanth Shenoy这样表示。
思科高级副总裁、企业网络业务总经理Scott Harrell在今天上午发表的一篇博客文章中这样写道:“DNA Center让网络运营者能够在整个网络上以机器的速度应对业务需求和安全威胁,这意味着他们不必依赖费时的人力工作流程来对基础设施的每个一部分进行更改。”
去除人为因素
Shenoy说,例如配置不合规的硬件可能需要每台设备大约20个小时的员工时间。利用这个新发布的应用程序界面,“DNA Center可以自动探测网络基础设施并检测出不合规的设备,并将这些信息发送给ServiceNow(IT自动化平台),后者可以确定需要做出怎样的更改。IT部门获得批准并将其发送回DNA Center,后者推送软件更新,并提示ServiceNow关闭票证。”
ServiceNow是思科的合作伙伴之一,预计将于今天宣布与DNA Center的整合,其他包括提供软件镜像更新的Accenture,提供电源管理的Presidio、提供准入控制的Italtel S.p.A.、以及提供第三方设备供应的HCL America。
思科在政策管理、库存和设备管理等领域展示了100多种基于意图的API。Shenoy说:“DNA Center让合作伙伴可以为任何类型的设备构建设备包。”Juniper、HPE和华为等网络设备提供商都已经承诺让他们的设备通过DNA Center变得更加易于管理。
Shenoy说:“我们将把程序设备的功能和智能提供给我们客户和渠道合作伙伴,让使用变得很简单,他们可以轻松利用公开可用的文档来构建设备包。”
这一举动让思科在产品组合专利方面又有了一个突破。思科从2014年发布DevNet在线开发人员社区的时候就这么做了。最初稳定的80000名开发人员已经增长到50万,思科计划到2020年吸引100万DevNet开发人员。
思科本周将DevNet扩展为两条线路,为开发人员提供了一种简单的方法通过DevNet Code Exchange共享代码,以及通过DevNet Ecosystem Exchange提供应用商店功能。后者让渠道合作伙伴能够发布和推广他们的创意,尽管不具备电子商务功能。Shenoy说,将有超过1600个扩展项是可用的。
Harrell写道:“我们无法预测人们将在DNA Center上进行的所有创新。但对于最早一些合作伙伴所实现的创新,我们感到十分惊讶。”
好文章,需要你的鼓励
这项研究探索了语言神经元视角下多语言对齐如何增强大语言模型(LLMs)的多语言能力。研究团队提出了一种更精细的神经元识别算法,将激活神经元分为语言特定、语言相关和语言无关三类,克服了现有方法的局限性。基于这种分类,研究将LLMs多语言处理过程划分为四个阶段:多语言理解、共享语义空间推理、多语言输出空间转换和词汇空间输出。通过分析对齐前后不同类型神经元的变化,发现多语言对齐促进了更多语言相关神经元的共享使用,减少了对语言特定神经元的依赖,这也解释了"自发多语言对齐"现象。
这项由弗吉尼亚大学与Adobe研究院合作的研究突破了传统图像到视频生成的空间限制,提出了"Frame In-N-Out"技术,使物体可以自然地离开画面或新物体能够进入画面。研究团队创建了专门的数据集和评估方法,并设计了一种融合运动控制、身份参考和无边界画布的扩散变换器架构。实验结果表明,该方法在生成质量和控制精度上显著优于现有技术,为电影制作和创意内容创作提供了新可能。
浙江大学研究团队开发了首个评估视觉语言模型多视角空间定位能力的综合基准ViewSpatial-Bench,并揭示了现有模型在视角转换理解上的严重缺陷。通过自动化3D标注流水线构建的大规模数据集,他们训练出的多视角空间模型(MVSM)实现了46.24%的性能提升,为人机空间交互提供了新的解决方案,使AI系统能更好地理解人类视角下的空间关系,促进更直观的人机交流。
ByteDance团队提出的DetailFlow是一种创新的图像生成方法,通过"下一细节预测"策略实现从粗到细的自回归生成。它将图像编码为仅需128个令牌的1D序列,比传统方法少5倍,却实现了更高质量(2.96 gFID)和更快速度(提速约8倍)。该方法巧妙地模拟人类创作过程:先勾勒整体结构,再逐步添加细节,并通过自我纠错机制解决并行推理中的错误累积问题,为高分辨率图像生成提供了高效解决方案。