至顶网网络频道 综合消息: 6月25日,由Cloud Native Computing Foundation (CNCF) 主办的云原生技术大会在上海举办,腾讯云对外展示自身在边缘计算领域的最新进展,首次公开腾讯智能边缘计算网络平台TSEC(Tencent Smart Edge Connector),其旨在打造运营商5G网络、移动用户和业务之间的连接器,为用户和业务提供可自定义、高质量、差异化的边缘计算网络层服务,实现应用在云、边、端的智能协同。
腾讯云网络总经理、Linux基金会边缘计算董事会董事王亚晨表示:“5G网络的发展将对消费互联网和产业互联网的发展起到巨大的推动作用,其超大带宽、超低时延、高可靠特性不仅可以解决云游戏、VR/AR、超高清视频等C端场景下网络延迟、带宽成本等痛点问题,同时针对复杂的B端场景,5G与医疗、工业、交通等行业的融合渗透,也将带来远程医疗、智能制造、车联网等创新应用。”
腾讯云网络总经理、Linux基金会边缘计算董事会董事王亚晨
作为5G网络重构的关键技术之一,5G边缘计算可将具有高带宽、低时延、本地化需求的业务下沉到网络边缘,为业务和服务创新提供了无限的可能。
据Cisco Visual Networking Index分析预测, 2022年移动互联网流量大约占全球IP流量的20%。这将给全球网络带宽、网络架构、IDC及业务的服务能力带来较大挑战。而据IDC统计数据预测,到2020年将超过50%的数据需要在网络边缘侧分析、处理与存储。
腾讯云在技术、产品、开源方面积极推动5G边缘计算的发展。在技术和产品方面,腾讯推出的智能边缘计算网络平台TSEC,凭借丰富的移动组件和物联组件,使5G网络能力和物联能力能简洁、高效地服务于业务。
腾讯TSEC致力于构建使能5G/IoT网络与业务协同的网络层PaaS服务,具备移动流量分流、移动网络加速、边缘流量转发、移动网络隧道、物联接入控制等核心功能。作为5G网络与业务的桥梁,TSEC丰富的移动组件可以连接移动用户、运营商5G网络和应用,为高价值用户和业务提供可自定义的、高质量的、差异化的边缘计算网络服务,实现应用在云、边、端的友好协同。
另外,腾讯TSEC提供的物联边缘组件,打造面向现场用户侧和物联边缘计算的云端控制、边缘网关与物联网络连接能力,进一步帮助解决物联网数据本地处理、云边协同等问题。
为什么选择腾讯智能边缘计算网络平台TSEC
开源领域,腾讯云正积极推进边缘计算技术、切片技术的开源和合作,打造开放生态。腾讯与合作伙伴在Linux基金会共同发起成立Linux Foundation Edge项目,并担任董事会董事,下设EdgeX Foundry、Akraino Edge Stack、Home Edge、EVE等多个项目。为了更好的推进5G技术在云游戏、高清视频、直播等业务的落地应用,腾讯在Akraino Edge Stack项目中提交面向云游戏、高清视频和直播业务的5G MEC/切片蓝图,推进腾讯TSEC在5G边缘计算和切片技术领域的开源与开放。
值得一提的是,2019年世界移动通信大会MWC上海展,腾讯云将携手合作伙伴,联合展示了基于5G和TSEC的在线即玩、4K超高清的云游戏。游戏玩家无需下载,即可畅玩游戏,享受4K、60帧率超高清体验,推动5G和业务的融合技术验证和发展。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。