HPE正在对云网络管理平台Aruba Networking Central进行升级,平台上加入了旨在提高管理员工作效率的大型语言模型。
HPE近日公布了这一更新,模型补充了平台现有的人工智能功能,可以简化修复故障开关等任务。
Aruba Networking Central使管理员能够通过集中式界面监控企业的网络基础设施,平台会收集办公室Wi-Fi接入点、交换机和其他设备的数据,还可以执行多项相关任务,让管理员可以使用该平台配置网络设备并修复故障。
HPE这些推出的大型语言模型将在Aruba Networking Central的搜索栏中上线。该工具位于界面顶部,利用AI来帮助管理员查找故障排除指南和其他技术信息。HPE表示,这个新的大型语言模型显着扩展了搜索栏的功能。
大型语言模型为该工具带来的许多改进都集中在提高易用性上。据HPE称,搜索栏现在可以更好地理解包含网络相关技术术语的查询。新的自动完成功能会根据用户开始输入的文本建议多个查询。据HPE称,升级后的搜索栏返回结果的速度明显快于许多商用聊天机器人。
另一项新功能允许该工具总结有关HPE Aruba网络产品的文档。当管理员询问有关交换机安装等任务的信息时,搜索栏可以根据相关技术指南生成自然语言响应,每个回复都包含了指向信息来源文档的链接。
据HPE称,这次的更新中,有一个大型语言模型接受了检测个人数据以及所谓企业身份信息的训练。该模型用于两个任务,首先,是让搜索栏能够更好地理解引用企业特定信息(例如办公楼名称)的查询。其次,让HPE可以检测包含个人信息的查询,并避免将其合并到大型语言模型的训练数据集中。
HPE表示,他们在一个数据存储库上训练模型,这个数据库要比竞争对手使用的数据存储库大十倍,而且其中包含了用户在Aruba Networking Central搜索栏中输入的超过300万条查询。此外,HPE还添加了已经发布的有关Aruba产品组合的数万份公开技术文档。
HPE公司高管Karthik Ramaswamy和Alan Ni在一篇博客文章中详细介绍道:“我们已经实施了多个本地训练和托管的大型语言模型,以利用生成式AI的人类理解能力和生成功能,而不会因外部API查询传入和传出我们的数据湖而造成数据泄露风险。”
本月早些时候,Aruba Networking Central客户已经可以开始使用这个大型语言模型,预计HPE将于4月份完成部署。
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。