中国北京,2023年11月3日 — 泰国最大移动运营商AIS通信与世界级数字领导者科威特运营商stc近日完成了亚洲首个5G SA漫游连接,为客户提供创新平台及服务,并实现中东地区数字化转型。这一成就是与国际领先通信平台服务提供商BICS合作的成果。BICS是同类公司中首家为科威特stc提供直连AIS SEPP(安全边缘保护代理)和全业务5G SA服务中心的公司。
这一成功连接使泰国AIS通信和科威特stc能够使用5G移动核心网,提供携带数据、文本和呼叫的国际5G漫游连接。此前,该地区5G连接使用5G NSA技术,并在核心网中以4G/LTE流量进行路由。这表示之前的连接不提供网络切片和实时关键通信或可扩展性,因此不支持5G创新用例。
这是BICS首个5G独立系列中的最新用例。在2021年,BICS就在实验室环境中完成了首次此类连接,并于去年在中东和欧洲之间迅速实现了首次全球5G SA漫游连接。 这一新用例助力BICS进一步扩展5G SA边界,测试其新型“5G SA服务中心”模型,并为运营商创新和扩大漫游协议打开了大门。
泰国AIS通信移动和消费部门主管Saran Phaloprakarn表示:“随着5G在亚洲的发展势头正劲,AIS将继续推动这项技术的发展,为该地区提供突破性的漫游连接。5G要为企业和消费者服务,就需要具有可扩展性和安全性。这项成功的漫游连接推动这两方面向前迈出了一大步,为我们的客户和整个行业带来下一代5G。”
stc解决方案首席执行官Mohammed N. Al-Nusif补充道:“我们很自豪能够见证这一突破性时刻,这是朝着为我们的用户建立全球5G连接的正确方向又迈出的一步。stc相信5G SA将带来的好处,我们很高兴通过与BICS合作,使我们能够走在最前沿,为我们的客户提供创新机会。”
这一最新的成功漫游连接见证BICS为客户提供了超标准要求的服务,在运营商建立的SEPP保护基础上还增加了一个安全层。所有流量通过BICS新型5G SA服务中心从运营商的SEPP发送。另外,运营商在拥有SEPP防火墙安全保护的基础上,可以通过BICS为全球运营商之间5G漫游流量交换增加的数据分析、商业智能、质量监控和强大的欺诈保护层服务,使他们可以轻松扩展。
BICS电信服务市场副总裁Mikael Schachne表示:“5G是几代以来最大的移动技术变革,为用户和企业带来了一系列好处。但5G的真正潜力只有通过全球采用5G SA技术才能实现。BICS相信通信的力量,这也是我们致力于为加速5G SA漫游在全球的推广奠定基础的原因。我们越是协同合作,巩固这些使5G SA漫游成为现实的基础,像泰国AIS通信和科威特stc这样运营商及企业和最终用户就越能更快释放其潜力。这一最新成就使全球5G SA更接近现实,不仅为运营商提供了技术准备,还为其提供了一系列安全、质量保证的服务,以保护消费者和运营商在5G时代的收益前景。”
关于BICS
BICS是国际领先通信服务平台提供商,位于整个通信生态系统核心,持续致力于桥接提供全球电信服务以满足企业需求。公司解决方案包括全球语音服务、无缝漫游和物联网连接服务以及全球短信服务等,能够全面满足当今消费者的大流量数据应用需求及数字化企业发展。
我们的愿景是为全球各地的用户、应用和设备提供快速安全连接服务。公司总部位于布鲁塞尔,业务遍及非洲、美洲、亚洲、欧洲及中东。
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。