中国上海,2023 年 10 月 7日– VIAVI Solutions(VIAVI)(纳斯达克股票代码:VIAV)近日宣布,该公司在英国科学、创新和技术部(DSIT)主办的开放网络生态系统(ONE)竞赛中成为了赢得资金支持的三家联盟之一。VIAVI 及其合作伙伴成功竞标了萨里大学牵头的 HiPer-RAN、约克大学领导的 REACH 和电信基础设施项目 (TIP) 主持的 ARIANE。
DSIT 已为各机构提供了 8800 万英镑的资金,用于开发一系列软件和硬件产品,以助推开放和互操作技术的开发和采用,并在高需求环境中演示开放式 RAN 技术。
VIAVI 参与了以下中标项目:
ONE 竞赛是政府开放网络研发基金开展的工作之一,该基金通过一系列项目来落实价值 2.5 亿英镑的 5G 电信供应链多元化战略。这些项目包括未来 RAN 竞赛(FRANC)、未来开放网络研究挑战赛,以及 SmartRAN 开放网络互操作性中心(SONIC Labs)、英国电信创新网络等。VIAVI 为所有这些倡议贡献专业知识或实验室验证解决方案。
英国数据和数字基础设施部长John Whittingdale爵士表示:“无论您身在繁忙的市中心还是乡村,快速可靠的移动连接对于保持联系、获取服务和开展业务都至关重要。为确保这一点,我们需要采用多样化且安全的技术来支撑网络。我们今天投入 8800 万英镑的政府研发投资来支持的项目将使用创新的开放式RAN 解决方案,使我们的移动网络更具适应性和弹性,并利用面向未来的技术,以在未来数年支持在全国范围内提供闪电般的快速连接。”
VIAVI 无线业务部高级副总裁 Ian Langley 表示:“VIAVI 很荣幸成为英国针对开放网络研发的 DSIT ONE 旗舰计划的合作伙伴。我们期待与联盟合作伙伴合作,在位于斯蒂文尼奇的 VIAVI 英国工程研发卓越中心的支持下,克服网络挑战,如 HDD 环境、xApp或rApp 的AI冲突缓解、RIC 网络安全、RAN 流量管理和能效。”
编辑须知
开放网络生态系统(ONE)竞赛是政府耗资 2.5 亿英镑的 5G 电信供应链多元化战略的一部分,该战略旨在促进电信研发项目,包括未来 RAN 竞赛(FRANC)、未来开放网络研究挑战赛,以及 SmartRAN 开放网络互操作性中心(SONIC Labs)、英国电信创新网络和英国电信实验室等。
ONE 于 2023 年 3 月 14 日推出,致力于为机构提供资金,以供其开发软件和硬件产品,强化开放和可互操作技术,包括为高需求密度环境中的开放式RAN 技术演示提供资金。
英国政府的开放式RAN 原则规定了开放式RAN 等开放接口解决方案为实现英国 5G 供应链多元化战略目标(通过具有竞争力和创新性的供应链实现弹性和安全的网络)而应具备的特性。
英国政府和英国移动网络运营商的共同目标是到 2030 年通过开放且具有互操作性的 RAN 架构,承载英国 35% 的移动网络流量。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。