至顶网网络频道 06月20日 编译:思科希望将企业的无线网络设备转变为一种客户分析工具。为此,思科计划收购位于美国加州伯灵格姆的云计算专业公司July Systems,这家公司的Proximity MX平台通过分析用户如何与Wi-Fi热点进行互动,了解在商店、酒店和会议中心等室内场所的访客行为。
该产品特别强调更好地了解重复访问者的行为。Proximity MX可以针对每个用户生成July Systems所谓的“位置角色”,其中包含关于他们活动习惯的数据。例如,对酒店顾客使用Wi-Fi的情况进行分析,可以透露他们通常是从休息室访问无线网络,并且通常是周末入住酒店。
企业可以使用Proximity MX的数据,根据客户喜好定制市场营销活动。连锁酒店可以为周末入住的客人制作特别促销活动,而零售商可以采取类似的有针对性的方法,更好地吸引顾客。
Wi-Fi使用情况的统计数据还可以为企业的业务运营提供新的见解。如果一家商店的顾客花费大量的时间浏览某个特定区域的网页,这可能意味着他们可能会对价格产生怀疑,并且正在查看竞争对手的在线目录。
多年来思科一直通过与July Systems的经销商协议向企业客户提供Proximity MX。收购完成后,思科将把July Systems并入思科企业网络集团。
Proxmity MX将补充思科的Meraki云控制Wi-Fi产品线。通过添加分析功能,思科可以帮助企业客户从其网络设备中获得更多价值,从而获得竞争优势。
思科公司业务发展副总裁Rob Salvagno在一篇博客文章中这样写道:“通过标准化和强大的位置信息,我们看到了一个令人兴奋的合作伙伴生态系统,将提供更多客户洞察力、额外的访客和顾客参与计划,并最终为所有利益相关者带来更多收入。”
思科预计在截止于10月28日的2019财年第一季度完成收购。但思科没有透露这次收购的金额。
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。