英特尔与博通(Boradcom)近日展示了Wi-Fi7套件的跨供应商互操作性,宣布采用英特尔芯片的笔记本电脑与博通Wi-Fi 7接入点间的无线传输速度超过5 Gbps。
此次演示是为了证明Wi-Fi 7已经准备就绪,同时宣传新型无线网络技术的潜在好处。但作为受众,我们能看到的只是英特尔和博通两家公司的高管站在笔记本电脑旁,电脑屏幕上显示的速度指示表,借此“证明”Wi-Fi 7比Wi-Fi 6或Wi-Fi 6E更快。
但我们姑且相信英特尔和博通双方的说法,即Wi-Fi 7的传输速率可达Wi-Fi 6的5倍,为Wi-Fi 6E的2.5倍。而采用这项新技术的首款产品,预计要到明年年底左右才会正式推出。
Wi-Fi正引领下一代无线网络的风潮,英特尔和博通称其将成为“未来10年无线体验”的承载平台。Wi-Fi 7将引入诸多新功能,包括使用无线频谱中6 GHz频段的更宽320 MHz信道,同时配备传输速率更高的4K QAM调制解调技术。
再加上支持多链路操作的多频段同时连接能力和更高的信道利用效率,Wi-Fi 7号称能带来极为可观的性能潜力。
事实上,英特尔和博通宣称Wi-Fi 7将大大降低增强和虚拟现实服务的实现门槛,满足这类场景对延迟的严苛要求,实现16K媒体流传输,同时能够支持家庭或办公环境下大量设备同时接入。
当然,这一切都取决于6 GHz频段还有多少利用空间。问题的答案往往因国家/地区而异。在美国,整个6 GHz频段均能免许可使用,室内操作将采用低功率室内(LPI)工作模式,标准功率模式则接受自动频段协调(AFC)系统的控制以避免干扰现有6 GHz设备。
在英国,目前只有5.925 GHz到6.425 GHz范围内的三个较低6 GHz信道可以免许可使用。当然,电信监管机构Ofcom也在努力开放,或者至少部分开放6 GHz频段中较高的其他四个信道。
博通公司无线通信与连接副总裁Vijay Nagarajan介绍了两家公司在Wi-Fi 7项目上的合作历程。
他解释称,“在保障网络容量和网络质量时,设备间的互操作性与相互协同将非常重要。毕竟网络绝不是一家的解决方案,而代表着完整的生态系统。”
“要让Wi-Fi 7真正带来颠覆性的成效,整个生态系统都需要做好准备。因此,我才对英特尔和博通之间的合作感到兴奋。我们的所有设备均由双方协同打造,确保当内置Wi-Fi 7终端的产品进入市场时,我们的接入点设备也已经做好对接的准备。”
但最终上市的时间点,双方似乎还没有统一意见。Nagarajan表示“具体产品将在2023年推出,大概率会是下半年。”但英特尔此前曾提到,Wi-Fi 7要到2024年才会出现在笔记本电脑及其他PC设备当中。
无线宽带联盟CEO Tiago Rodrigues也在声明中表达了期待,他表示“双方的成功试验,代表着Wi-Fi 7实现两位数级Gbps传输速率、超低延迟、运营商级弹性等未来功能方面迈过了新的里程碑,值得全球消费者和企业共同期待。”
此次互操作性演示使用了三台戴尔Latitude 5430笔记本电脑,其中一台配备英特尔AX200 Wi-Fi 6网卡,一台使用AX211 Wi-Fi 6E网卡,第三台则使用6 GHz Wi-Fi 7网卡。其中Wi-Fi 6/6E连接由华硕ROG Rapture GT-AXE16000路由器提供,Wi-Fi 7则接入博通的Wi-Fi 7三频路由器。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。