思科近日宣布升级Silicon One半导体家族,该系列产品主要用于下一代5G网络交换机和路由器中。新的处理器包括一款高端芯片,旨在以前所未有的速度实现“Web级规模”的网络交换,实现每秒25.6 TB的业界最高带宽。
思科在2019年12月首次推出了Silicon One芯片架构,当时称其目标是为“未来网络奠定通用基础”。Silicon One处理器用于构建模块化和固定的路由器和交换机,用于由主流企业和电信公司运营的大型网络中。
这些网络通常是由数千种不同的设备组成,并采用各种类型的专用集成电路,但这是一个相对碎片化的领域,因为需要针对每种设备分别验证代码,所以带来了一系列问题。思科正试图通过Silicon One来修复这个碎片化的生态系统,为每种类型的网络设备提供动力,从而克服使用不同架构的芯片所带来的技术挑战。
为此思科发布了三款Silicon One处理器新品,使得该系列在问世以来芯片总数已达到10款,其中Cisco Silicon One G100处理器,号称是业界首款25.6Tbps可编程的、完全共享包缓冲的处理器,采用了7纳米芯片制程工艺。
思科通用硬件集团高级副总裁Eyal Dagan表示:“通过将Cisco Silicon One系列扩展到25.6Tbps,思科现在提供的是性能最高的路由芯片,带宽是市场上其他路由芯片的1.7倍,每秒传输数据包的速度是市场中其他路由芯片的3倍多,而且具有最高的交换性能。有了这种新处理器,客户就不必在可编程性、带宽和效率之间进行艰难抉择了。”
Dagan解释了这种高速交换芯片的一些优点,例如它结合了众多可编程功能,如解析、处理、时间戳、计数器、仪表、直方图、水印和流量分析,构建网络流量模式的“完全可编程式时间视图”。
反过来,这将让网络运营商可以重播过去的事件,比以前更好地了解网络动态,从而对问题进行故障排除、发现恶意攻击、优化基础设施以实现更高的性能。
Dagan说,Silicon One G100还具有1.6Tbps的接口,可以将网络扩展到以前无法达到的水平。
此外思科还发布了新的Cisco Silicon One Q211L交换机,扩展了现有12.8Tbps Q200L、6.4Tbps Q201L和3.2Tbps Q202L叶片式和机架式交换机产品组合。同时在网络路由方面,思科宣布推出了Silicon One Q200,扩展了现有的8Tbps Q200、6.4Tbps Q201和3.2Tbps Q202路由设备系列。这两款芯片现在都已经投入生产了。
Constellation Research分析师Holger Mueller认为,当今信息技术的最大趋势之一是“软件定义一切”,而这只是路由和交换在网络中融合的开始。
Mueller说:“思科最初错过了这一趋势,但正在努力通过Silicon One平台进行弥补。”考虑到思科是在15个月前才宣布推出该产品系列的,所以如今已经扩展到10款产品已经是一项壮举了,表明思科感到了很高的紧迫性,试图通过统一和平衡软件定义的、无限连接的战略,让企业客户满意。”
Dagan说,现在正在向客户提供Silicon One G100样品,而Q211L和Q211芯片已经投入生产了。
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。