近日,云南电信携手中兴通讯在昆明电信完成了基于2.1G和3.5G频谱的跨站5G时频双聚合商用验证。在2.1GHz覆盖优势的基础上,叠加3.5GHz的大带宽优势,强化5G网络速率,极大提升了用户的5G感知。
云南电信与中兴通讯积极探索2.1GHz和3.5GHz双频段深度融合方式,采用时频双聚合解决方案以持续满足5G网络的优覆盖、大带宽的高性能要求。5G现网中2.1GHz和3.5GHz设备在不同的站点上部署的情况比较普遍, 因此需要引入2.1GHz+3.5GHz时频双聚合的跨站功能,一方面实现了中低频段互补,使得2.1G FDD NR广覆盖能力补充3.5G TDD NR覆盖的短板,扩大了3.5G下行的大带宽优势;另一方面通过上行时分复用聚合保持上行双流,助力大上行业务应用保障。在昆明电信现网中2.1GHz和3.5GHz跨站场景下进行时频双聚合验证,结果显示:开通时频双聚合功能后,下行峰值速率达到1.5Gbps,相比于3.5G单载波提升45%;下行平均速率相对于3.5GHz单载波情况下提升超过16.9%;同时通过性能指标的分析也表明对用户的接入、切换等指标没有影响。时频双聚合功能的开通不需要调整现网传输组网方式,不需要进行站点改造,且网络性能提升增益与共站部署相当。
随着5G用户的规模增长,网络性能和用户容量需求会越来越高。持续加强2.1GHz+3.5GHz双频段的深度融合,可充分发挥5G网络的多频协同组网的优势、大幅提升5G网络覆盖能力和系统容量、为5G用户提供优质的网络体验。
云南电信与中兴通讯将继续加强合作,为后续2.1G+3.5G时频双聚合的商用部署做好保障,共同构建云南电信5G多频协同精品网络。
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。