Colt Technology Services推出了一项超低延迟云连接服务,专门针对加密货币交易者的高速需求以及在敏感数据上开发人工智能应用的企业。
该服务名为Colt ULL DCA,结合了公司现有的超低延迟(ULL)网络和专用云接入(DCA)平台。
该服务旨在解决客户面临的日益严重的问题:虽然他们的应用程序运行在云端,但主要云区域之间的网络性能未能跟上步伐,造成了延迟瓶颈。
据Colt介绍,该服务在主要云区域之间提供专用高速路径,绕过公共互联网和云服务商自身的默认骨干网络,这些网络并未针对速度进行优化。
在亚马逊云服务(AWS)香港、新加坡和日本区域之间进行的概念验证测试中,Colt表示其新服务与原生AWS骨干路由相比,平均延迟降低了15%。
该服务的主要驱动力是该地区关键资本市场的成熟,金融参与者越来越多地将包括加密货币在内的数字资产纳入其投资组合。
Colt Technology Services亚太区总裁水谷康隆表示:"对冲基金和经纪商已经开始将加密货币纳入其交易策略的一部分。"他补充说,通过这项新服务,客户可以连接到多个加密货币交易所,获得类似高频交易的体验。
人工智能需求激增
除了资本市场,水谷康隆指出,人工智能需求的爆炸式增长正在创造对安全、高性能连接的需求。他补充说,Colt看到寻求与超大规模云服务商建立私有连接以支持其AI工作负载的企业客户数量出现"两位数增长"。
这些客户希望在高度敏感的内部数据之上构建生成式AI模型和AI智能体,这使得公共互联网连接从安全和治理角度来看成为不可行的选择。水谷康隆说:"为特定公司建立专用的公有云环境连接是我们在亚太市场看到的一个重要趋势。"
在数据安全方面,Colt也在寻求应对量子计算的威胁,这种技术可能会逆向破解当前捕获的敏感数据。今年早些时候,Colt在其光波网络上完成了量子安全加密试验,并正在开发服务来帮助企业为其传输中的数据提供面向未来的保护。
亚太区增长
ULL DCA服务的推出是Colt在亚太地区更广泛增长战略的一部分,该公司正在该地区大举投资,以支持超大规模数据中心建设和企业需求。
水谷康隆表示:"我们去年刚刚将覆盖范围扩展到东南亚六个国家,并开始通过我们自己的城域连接在悉尼提供服务。"
该公司还将网络扩展到日本九州地区,由于核电供应更加充足,该地区吸引了更多数据中心投资。
他说,Colt的关键差异化优势是其作为全球连接中性供应商的地位。与国家主导运营商不同,Colt可以为需要跨多个国家保持一致低延迟性能的客户选择最优网络路径。
水谷康隆表示:"与新电信在新加坡或NTT在日本不同,我们在新加坡没有完全的连接所有权,但我们有能力在延迟和容量方面挑选最佳提供商。我们的客户希望在亚太不同国家部署,他们希望从每个地点的最佳提供商那里采购服务。这就是我们为支持他们所做的工作。"
这种"同类最佳"方法,结合通过18亿美元收购Lumen在欧洲、中东和非洲业务所获得的全球规模,使Colt能够提供全面的全球覆盖。他说:"没有其他提供商在全球拥有如此大的自有网络覆盖,这对降低客户的整体成本产生了重大影响。"
随着更多数据中心在核心城市地区以外的绿地站点建设,那里有更多土地和电力供应,水谷康隆表示,Colt也在评估将其网络扩展到这些站点的机会,比如寻找能够承诺使用其连接服务的核心数据中心租户。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。