思科系统公司今天宣布推出一系列数据中心交换机,这些交换机能够直接在交换层中嵌入服务,首先是安全服务。
思科的 Nexus 9300 系列智能交换机 结合了该公司的 Silicon One E100 网络处理器和 AMD 的可编程数据处理单元。该交换机作为一个高容量、多功能的服务托管设备。思科表示,随着组织越来越多地采用人工智能应用(可能在网络的中心或边缘运行),这是简化数据中心基础设施设计的一次尝试。
传统的数据中心架构需要为每项新服务配备特定设备,这增加了复杂性。此外,还必须为每项新服务或工作负载配置安全策略。
相比之下,Nexus 智能交换机将服务直接嵌入到数据中心结构中。它们包含两个处理引擎:用于数据传输的思科 Silicon One 网络处理器和用于安全处理的网络服务辅助处理器。流量在两个引擎之间智能调度以实现最佳性能。
思科数据中心网络产品管理副总裁 Murali Gandluru 表示:"安全服务运行在 DPU 之上,而 Silicon One 提供智能路由。这种价值主张是独特的,因为它可以智能地转发需要转发的流量,而不需要转发的流量则转到 DPU。"
安全优先
首个提供的嵌入式服务是 Cisco Hypershield,这是一个基于人工智能的原生安全系统,可在公共和私有云环境中的应用程序和服务器中嵌入保护。它采用扩展的 Berkeley Packet Filter,这是一个 Linux 内核功能,使得在内核中运行沙箱程序成为可能。DPU 提供分布式安全,支持自主分段、实时漏洞防护和持续更新等功能。
思科表示,嵌入在交换层的 Hypershield 减少了设备数量,使数据中心运营商能够在构成工作负载的每个服务周围创建"微边界"。更新可以自动应用到正确的执行点,组织可以在部署前应用自我验证的策略更新。策略由 Cisco Hybrid Mesh Firewall 管理。
Gandluru 将智能交换机描述为"机架顶部解决方案",采用 1U 形态,位于服务器机架顶部,汇聚所有进出服务器的通信流量。"你可以在整个数据中心结构中无缝启用安全服务,"他说。"去年我们宣布 Hypershield 能够在虚拟机、容器和裸机用例中提供策略。现在我们将其引入网络,从架构角度推动简化,提高电源和散热效率,降低总拥有成本并实现点对点可见性。"
Gandluru 表示,思科注意到要尊重企业数据中心的典型运营。"安全运营团队可以访问数据处理单元并能够启用安全服务,而网络团队管理交换机的生命周期,因此我们正在适应运营商现有的范式,"他说。
思科没有透露未来计划在交换机上提供哪些其他服务,但 Gandluru 表示网络地址转换是自然的下一步。"这些将是以网络为中心的用例,"他说。"我们不会把它们变成 [图形处理单元] 处理器。"
24 端口 100 千兆位每秒型号将在春季上市,48 端口 25G、6 端口 400G 和 2 端口 100G 型号将在夏季推出。价格尚未公布。
好文章,需要你的鼓励
华中科技大学与利哈伊大学研究团队开发的MMMR基准是首个专门评估多模态大语言模型推理思考过程的综合工具。通过1,083个跨六大领域的高难度推理任务和创新的推理过程评估管道,研究发现即使最先进的模型在推理任务上也与人类存在约10%的差距。研究揭示了答案准确性与推理质量间的脱节:模型常出现思考不一致(41.5%)、过度思考(20.5%)等问题。这一基准不仅评估答案正确性,更深入分析思考质量,为提升AI系统的可靠性和透明度提供了重要方向。
UI-Genie是一个创新的自我改进框架,解决了GUI智能体面临的两大挑战:轨迹验证困难和高质量训练数据缺乏。研究团队开发了专用奖励模型UI-Genie-RM,采用图像-文本交错架构有效处理历史上下文,并统一了步骤级和任务级奖励评估。通过精心设计的数据生成策略和迭代自我改进,该框架无需人工标注即可创建高质量合成轨迹。实验结果显示,经过三轮数据-模型自我改进后,UI-Genie在多个基准测试上达到了最先进水平。该研究已开源全部实现和数据集,为GUI智能体研究提供重要资源。
浙江大学和蚂蚁集团的研究团队开发了ACTIVE-O3,一种创新框架,赋予多模态大语言模型"主动感知"能力,使AI能够智能地决定"看哪里"和"怎么看"。基于群体相对策略优化(GRPO)构建,该系统采用两阶段策略,先选择关注区域,再执行任务。实验表明,ACTIVE-O3在小物体检测、密集物体定位和交互式分割等任务上显著优于现有方法,并展示出强大的零样本推理能力。该研究为AI系统提供了更接近人类认知的视觉探索能力,对自动驾驶、医疗诊断等领域具有重要应用价值。
ImgEdit是北京大学与兔小贝AI联合推出的图像编辑框架,解决了开源编辑模型落后于商业产品的问题。该框架包含120万对高质量编辑图像对,涵盖13种编辑类型和11万个多轮交互样本。通过融合视觉语言模型、检测模型和分割模型的多阶段流程,ImgEdit确保了数据的高质量性。研究团队基于此数据集训练了ImgEdit-E1模型,并提出ImgEdit-Bench评估基准,从指令遵循、编辑质量和细节保留三个维度全面评估模型性能。实验结果显示,ImgEdit-E1在多个任务上超越现有开源模型,推动了图像编辑技术的进步。