提供人工智能驱动的安全网络的领导厂商瞻博网络(NYSE:JNPR)携手全球领先的数字服务提供商T-Systems,共同开发、提供SD-WAN基础设施,为拥有复杂网络和连接需求的企业提供端到端服务叠加(Overlay)解决方案。
在此项服务中,T-Systems专注普及基于安全服务平台的现代企业网络,从而交付多云服务应用以及包括“SD-WAN叠加服务”在内的标准化服务。该服务被称为“智能SD-WAN”,用于打造先进且安全的网络基础设施的核心由瞻博网络提供,而这样的网络基础设施,正是T-Systems实现其数字化转型战略的基本条件。
T-Systems已经成功为这些新服务找到了第一家旗舰客户——来自欧洲的某著名交通运输品牌,并预计这些服务将收获更多企业级客户,刺激营收增长。T-Systems致力于帮助企业客户在数字化转型的道路中找准方向,在降低复杂性、有效成本管理、提升数据保护能力这三个方面展现出卓越能力。此外,T-Systems也为客户提供优化的网络可视性,通过对网络这一核心资产的全面了解,帮助客户快速实现数字化目标。
新闻亮点:
为了开发这一系列新服务,T-Systems集成了瞻博网络的多种产品,包括:
• Contrail Service Orchestration ——这是一个可扩展的多租户软件平台,提供自动化分支机构连接管理能力,可让T-Systems改进网络服务交付,并在扩展整个多云网络的可视性的同时确保网络可靠性与敏捷性。
• SRX系列安全网关——这是一系列SD-WAN本地设备,提供全面的分层安全服务,针对已知和未知威胁都能提供高级防御功能。
• NFX系列网络服务平台——符合标准要求的安全CPE设备,帮助T-Systems按照客户需求迅速开发并交付网络服务。
• vSRX虚拟防火墙——具备和瞻博网络物理SRX系列防火墙一样的功能,但采取了虚拟形式,提供可扩展的安全服务,允许T-Systems在端到端多云SD-WAN服务中添加云站点。
• 所有瞻博网络基础设施在Junos® 操作系统上运行,该操作系统针对全新的网络云时代所需的模块化、开放性和可编程性进行了优化。Junos极为注重可靠性、安全性和灵活性,在实现网络操作自动化的同时,进一步提升了运行效率。
• 用于强化网络防御的全面的互连安全(Connected Security)套件,包括防火墙用户验证、应用安全和统一威胁管理和入侵探测与预防系统。瞻博网络互连安全在整个网络中提供多项安全保护能力,为用户和数据提供自动保护。
相关引言:
“为了帮助客户实现最佳结果,我们必须利用现有网络基础设施来建立一个威胁感知网“在我们看来,定制化的连接解决方案是客户实现数字转型及最终业务成功的基本要素。通过与瞻博网络进行合作,我们可以为企业客户提供端到端需求导向型基础设施,协助它们战胜数字化挑战,减少网络的复杂性。在瞻博网络的创新化解决方案的加持下,我们的解决方案不仅在技术及经济效益上提升了竞争力,也可以保持高度灵活且动态化的服务水平。”——Adel Al-Saleh,德国电信管理董事会董事,T-Systems首席执行官
“作为瞻博网络的长期合作伙伴,T-Systems选择了基于我们的技术来提供最新的SD-WAN解决方案,这不仅深化了我们的合作伙伴关系,同时也帮助他们在简化底层网络部署、运行及维护的同时,为企业提供集成众多安全可靠服务和能力的平台。云服务与软件定义网络的结合为T-Systems这样的供应商创造了一个战略性机遇,在客户面临基础设施复杂性问题时可以迅速有效地响应,从而在市场中脱颖而出。帮助T-Systems这样的客户实现业务目标,也是瞻博网络长期的使命。”——Rami Rahim,瞻博网络首席执行官
好文章,需要你的鼓励
这项研究探讨了具身智能体(如机器人)如何通过记忆为用户提供个性化服务。宜远大学研究团队开发了MEMENTO评估框架,通过两阶段设计评估智能体利用记忆的能力。研究将个性化知识分为物体语义(如"我最喜欢的杯子")和用户模式(如"早餐习惯")两类。实验表明,即使是GPT-4o等前沿模型在需要综合多记忆的任务中也表现出30.5%的性能下降,特别是在理解用户模式方面存在明显挑战。
这项研究提出了一种创新的"生命长久安全对齐"框架,使大语言模型能够持续适应不断进化的越狱攻击策略。框架核心是元攻击者与防御者之间的对抗演化循环:元攻击者不断发现新的攻击策略,防御者则学习抵御这些攻击。实验表明,经过两轮迭代后,防御者成功将攻击成功率从73%降至7%,同时保持了模型的有用性。这种动态进化方法相比传统静态安全对齐更有效,为构建持续安全的大语言模型提供了新方向。
Enigmata是一项突破性研究,通过合成可验证的拼图训练大语言模型的逻辑推理能力。该研究创建了包含36种任务、7大类推理能力的完整训练系统,每项任务都配备了可控难度生成器和自动验证器。基于此训练的Qwen2.5-32B-Enigmata模型在拼图推理基准上超越了o3-mini-high和o1等顶尖模型。更令人惊喜的是,当应用于更大规模模型时,这些拼图数据不仅提升了模型解决拼图的能力,还意外增强了其数学和STEM推理能力,展示了纯逻辑训练带来的广泛泛化优势。
这项来自新加坡国立大学等机构的研究引入了REASONMAP,一个用于评估多模态大语言模型细粒度视觉理解能力的基准测试。研究团队使用来自13个国家30个城市的高分辨率交通地图,构建了1,008个问答对,设计了两级评估框架测量答案的正确性和质量。对15个流行模型的评估揭示了一个意外发现:开源领域的基础模型表现优于推理型模型,而闭源模型则相反。研究还表明,当视觉输入被遮盖时,模型性能普遍下降,证明真正的细粒度视觉推理任务仍需要有效整合多模态信息。