这款名为AT&T MEC with Dell APEX的产品于今天首次亮相,是多访问边缘计算(MEC)平台,此类平台旨在帮助企业应对在企业网络边缘的数据中心之外生成的那些信息。
MEC包括可以部署在工厂等位置的服务器和存储硬件。制造商无需将诊断数据从工厂设备发送到远程云环境进行分析,而是可以将其发送到现场MEC,从而显著降低延迟。
MEC技术还有其他好处,例如可以减少通过网络将数据发送到云数据中心的需要,帮助降低带宽成本,此外还降低了过程中互联网中断带来的影响。
AT&T MEC with Dell APEX采用了来自戴尔硬件产品组合中的边缘计算设备,以及戴尔的APEX Console服务,该服务提供了一个仪表板,管理员可以通过仪表板监控组织的边缘计算硬件、计划升级、并在需要时订购新的设备。
AT&T MEC with Dell APEX中还包括了AT&T提供的5G连接。边缘位置设备通过使用AT&T的5G网络能够以无线的方式交换数据,例如,工厂的工业机器人可以将错误日志流式传输到现场戴尔服务器上运行的故障排除应用中。
企业可以内部维护他们的AT&T MEC with Dell APEX,或者让基础设施代为管理。戴尔和AT&T都将提供专业的服务。
戴尔全球解决方案共建服务高级总监Douglas Lieberman在博客中写道:“AT&T MEC with Dell APEX解决方案可以根据需要在本地提供应用就绪的边缘基础设施,只需单击一个按钮,企业就可以订购更多的戴尔边缘处理能力,以便在数周而不是数月内交付和实施。”
A&T MEC with Dell APEX是戴尔边缘计算产品组合最近一系列新增产品之一。今年2月,戴尔推出了三款专为运行在网络边缘而设计的服务器。早些时候戴尔还推出了一款名为PowerEdge XR4000服务器,坚固耐用且只有鞋盒大小,可以部署在工厂和零售店等地点。
戴尔正在开发一个新的软件平台来帮助客户管理他们的边缘基础设施,该计划代号Project Frontier。据戴尔称,即将推出的平台将简化常见的维护任务,例如部署新的边缘计算硬件。
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。