2021年6月2日 – 思博伦通信(伦敦证交所上市代码:SPT)今天宣布,思博伦与Amazon Web Services(AWS)合作,为通信服务商(CSP)提供在AWS上构建5G网络的自动化测试能力。业内首创的思博伦Landslide 5G核心网自动化套件可以帮助运营商基于AWS快速部署5G网络,节省大量的运营成本、时间和资源。
通过将AWS的持续集成和交付(CI/CD)与思博伦业界标准的5G核心网测试能力结合为一体,通信服务商能够快速、连续地验证移动网络在众多要求下的各项功能和服务,涵盖一致性、容量和性能等多个维度。这种组合解决方案的目标客户群就是那些希望在AWS上加快5G服务交付速度的移动运营商。
思博伦网络生命周期服务保障事业部总经理Doug Roberts表示:“在努力兑现5G承诺的过程中,全球的运营商都面临着许多不同的挑战。部署全新5G技术的竞争已经开始,但由于其高度的复杂性以及新技术等特点,在建立和实施5G核心网测试和验证方面,客户普遍都缺乏相应的专业能力和资源。
随着AWS上5G核心网验证解决方案的推出,运营商可以利用思博伦的Landslide 5G核心网自动化套件来轻松发挥集成式5G测试自动化的全部能力,快速测试和验证5G核心网功能和服务的各类部署和更新。它可以提供一个基于AWS CodePipeline的持续交付框架,以及相应的安全和可观察性的最佳实例,而且适用于所有AWS区域。该解决方案已经完全解耦,并且具备极高的扩展能力,不仅可以支持并行测试,还可自动触发5G网络应用库中的各种类型的网络测试。
Roberts还指出:“要想以手动方式满足这么复杂的测试要求,将是一个非常耗时的过程,通常需要数月才能完成。凭借我们与AWS的全新合作,服务商可以充分利用思博伦的5G核心网专业能力和可靠的测试方法,基于AWS来实施自动化5G核心网测试和验证,短短几分钟便可完成以往需要数月的工作。他们可以充满自信地开展测试,并且大幅加快推向市场的速度。根据我们的分析结果表明,与传统手动测试方法相比,该解决方案能够节省大量的成本。”
通信服务商只需触发测试并完成验证即可,无需执行额外的手动测试,也不必去开发自己的测试套装。此方案可以对多厂商5G核心网设备进行测试,并且能够加快测试自动化,而且无需从零开始构建,因此能够将服务失败的风险降至最低。
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。