爱立信的Cloud RAN解决方案将RAN基带虚拟化为CU(集中式单元)和DU(分布式单元)的云原生网络功能。RAN基带的虚拟化将给Telstra带来更高的灵活性、更快的服务交付和更高效的网络运营。
Telstra采用了一种架构来实施爱立信的Cloud RAN技术,在这个架构中CU和DU基带功能都是集中的,而不是仅将CU集中,将DU留在基站站点。通过将CU和DU的功能放置在Telstra本地交换机或数据中心等中央站点,Telstra将更有效地利用计算资源,从而降低成本和容量产出。
Telstra部署的集中式Cloud RAN架构得益于最近发布商业网络部署方案,该方案采用了爱立信Router 6673的分组前传技术。分组前传技术允许使用eCPRI(增强型CPRI)将现有站点无线电连接到集中式Cloud RAN解决方案。eCPRI 的带宽效率更高,并使用了以太网格式的无线电信息,可轻松连接到运行Cloud RAN CU和 DU基带功能的云基础设施。对于Telstra来说,这进一步提高了集中虚拟化基带功能的经济性。
另一方面,Telstra的Cloud RAN商业网络试验是在爱立信的云原生基础设施解决方案(CNIS)上部署Cloud RAN解决方案,CNIS是一种裸机基础设施,专门针对托管在中央数据中心和边缘的云原生5G应用进行了优化。作为系统验证解决方案,在爱立信的CNIS上运行的Cloud RAN的组合降低了Telstra的部署和运营风险,并确保了Telstra客户的移动网络性能。
Telstra网络和基础设施主管Iskra Nikolova表示:“Telstra与爱立信的持续合作本周达到了另一个新的里程碑,利用爱立信的Cloud RAN技术在我们的商业网络上进行5G Cloud RAN数据呼叫。这一成就为爱立信Cloud RAN技术的广泛部署扫清了道路,该技术将为Telstra在澳大利亚的客户带来5G的全部益处。”
爱立信澳大利亚和新西兰负责人Emilio Romeo表示:“爱立信的Cloud RAN技术5G即服务基础架构的关键推动因素,并支持Telstra向网络基础设施的广泛虚拟化和自动化迈进。此次澳大利亚首次Cloud RAN试验进一步证明了爱立信与Telstra的持续合作带来的创新可能,同时标志着澳大利亚最大的移动网络转型的下一步。”
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。