HPE近日推出了一系列新的接入点,用于在办公楼等场所提供Wi-Fi覆盖。
这个名为HPE Aruba Networking 730的系列是基于 Wi-Fi 7的,这是最近推出的无线连接标准版本,最大速度是上一版本的4倍。HPE表示,在某些情况下,新接入点的网络容量可以比竞争对手的产品多出高达30%。
连接速度更快
730系列性能提升的一大因素是HPE dubs UTB(超三频滤波)功能。HPE公司表示,该技术增强了无线网络连接,使其不易受到干扰。
Wi-Fi接入点会从两个主要来源接收干扰的或者不必要的无线电信号。第一个来源是智能手机等附近设备中的无线通信硬件,另一个是来自Wi-Fi接入点本身:此类设备通常包含多个可能相互干扰的板载无线电发射器。
接入点使用称为基带滤波器的组件来消除干扰。传统滤波器通常会缩小接入点发送数据的射频范围,这有时会降低Wi-Fi连接的带宽,而HPE全新的730系列接入点中的UTB技术旨在应对这一挑战。
传统滤波器可以阻止固定、预编程射频范围内的干扰。相比之下,HPE的UTB技术可以根据情况调整应用过滤的无线电频率。HPE表示,这种方法减少了该技术对网络的影响,从而加快了无线连接的速度。
物联网优化的无线电
HPE为730系列接入点配备了一组经过优化的无线电,可处理通过蓝牙和Zigbee发送的数据流量。这些是专门针对连接设备的节能无线网络标准,例如,企业可以使用这些标准将办公室的智能恒温器连接到企业网络。
某些相互连接的设备只有在管理员设置所谓的覆盖网络时才能工作。这是一组独立的连接,设置与企业Wi-Fi基础设施的其他部分是不同的。HPE表示,新接入点无需设置覆盖网络,从而节省了管理员的时间。
730系列包含的板载闪存和SDRAM是上一代的2倍。据HPE称,新增的这部分硬件让企业可以直接在接入点上运行数据处理应用,例如,企业可以部署一个应用来分析整个物流仓库中部署的传感器读数。
730系列不仅可以从连接的设备收集数据,还可以跟踪这些设备的位置。730系列中的接入点支持IEEE 802.11az,这是一种用于Wi-Fi网络的位置跟踪技术。
为了提高收集的定位数据的准确性,HPE为730系列配备了气压传感器。此类传感器通过测量气压来估计高度:接入点位置越高,其上方的空气就越少。气压数据可用于确定建筑物的哪一层装有无线设备。
“我们的Wi-Fi 7 AP不仅仅提高了性能和效率上以成为智能的物联网中心,而且还可以保护网络、分配工作负载、表征环境,并为业务和运营分析提供基础,”HPE Aruba无线网络首席技术官Stuart Strickland这样表示。
除了新的连接设备网络功能外,730系列还引入了许多其他增强功能,其中之一就是人工智能驱动的节点能力,此外还有新的网络安全功能,用于保护网络流量免受恶意攻击。
管理员可以使用Aruba Central配置和监控新的接入点,Aruba Central是一个基于云的平台,用于管理HPE制造的网络设备,该平台不仅可用于管理Wi-Fi设备,还可用于管理交换机等其他设备。
HPE计划于7月全面供货730系列。
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。