印尼巴厘岛——2023年9月19日—— 慧与科技(NYSE: HPE)今日宣布推出两项创新产品,旨在帮助中小型企业(SMB)以更快速、更高容量和更安全的网络性能提升客户体验。
图1:Aruba Instant On 1960堆叠式交换机
图2:Aruba Instant On AP22D Wi-Fi 6接入点
HPE Aruba Networking推出全新Aruba Instant On AP22D Wi-Fi 6接入点(AP)以及具备2.5GB端口容量的Aruba Instant On 1960堆叠式交换机,两项全新产品将助力中小型企业员工进一步优化网络性能,并为其客户、访客,及物联网设备提供更加顺滑流畅的使用体验。
随着越来越多的中小型企业正在将工作负载迁移到云端,同时对数据密集型应用(例如在终端设备上播放流媒体视频)的使用也在不断增长,中小型企业对网络性能的要求正在显著增加,同时对网络安全和网络访问管理能力的问题也更加重视。
Aruba Instant On AP22D 接入点与 Aruba Instant On 1960 堆叠式交换机的搭配使用,将成为中小型企业用户应对大规模数据需求,且不断增加联网设备情况下的理想之选。两项全新产品旨在帮助用户无缝、安全地处理日益增多的联网设备产生的海量流量。
HPE Aruba Networking全球中小型企业业务副总裁兼总经理Amol Mitra表示,“中小型企业正在寻找高性能、简单易用、经济实惠,且兼具云敏捷性的网络,以帮助其在扩展业务的同时扩展网络。HPE Aruba Networking利用直观化的移动应用简化网络部署和管理,为中小型企业用户提供简单、智能且安全的网络产品。”
Aruba Instant On 产品组合将使中小型企业能够轻松部署易于设置、管理和维护的高速网络。今日推出的全新产品将以合理的价格提供云优先、直观且可扩展的网络,为HPE Aruba Networking不断推进其边缘到云战略提供支持。根据IDC1的研究预计,大多数中小型企业今年将增加IT预算:
· Aruba Instant On AP22D Wi-Fi 6接入点将以最佳速度有效管理多个连接,同时允许更多设备访问网络,而不会导致瓶颈或性能下降。
· Aruba Instant On 1960堆叠式交换机具备2.5千兆端口容量,能够帮助企业发展业务的同时,轻松的扩展网络。借助交换机堆叠功能,用户可增加更多端口和容量,而无需大量的额外投资。
此次发布的创新产品带来多项功能:
· Aruba Instant On 1960堆叠式交换机可用于云堆叠或物理堆叠,并可将多台交换机视为单一堆叠进行管理。
· 多站点管理,以有效管理企业的跨区域流量。
· 可创建策略管理功能,自动管理设备和服务质量 (QoS),为不同用户提供多样化的接入服务。
· 没有任何额外隐性费用或支出。
Aruba Instant On 1960多千兆堆叠式交换机现已全面接受预定,并将于HPE 2023财年第四季度正式上市。Aruba Instant On AP22D也将于HPE 2023财年第四季度正式上市。
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。