
今天,世纪互联总裁孟樸在做客CBSi的时候表示,世纪互联自身实力强大,因此受到了微软、IBM合作伙伴的青睐。
当被问及微软、IBM为什么会选择和世纪互联合作的时候,孟樸指出,外资企业会和当地合作伙伴合作,首先是处于中国的政策法规的要求,当然更重要的原因是,这些企业在寻找国内合作伙伴的时候,世纪互联有自己独特的优势。
孟樸称,实际互联是在中国最大的第三方电信中立的数据中心,在中国有将近15年的运营维护数据中心的经验。世纪互联在中国差不多40多个城市有80个数据中心,而且网中间都是连起来的,世纪互联是唯一一个数据中心跟国内运营商联网的,所以在网络上,世纪互联应该是最好的。
“我们的员工,这么多年的积累,这些人才的积累,在其他公司短期之内不太容易具备的。因为如果支持一个国外的运营商云计算平台在中国,其实要做的事情很多,比如说我们现在在国内为了支持和微软的云平台,我们在中国现在有将近300名员工提供专职的和微软云计算平台的合作。”孟樸说,“通过跟他们的合作,这样也把我们员工的素质各方面提高很多。比如说我们在和微软的合作部门,中层部门经理以上的管理人员都能够和微软的国外的员工用英语沟通,不管是口语还是文件。所以这个对中国企业来讲的话,我觉得是一个非常好的机会,所以我们也很珍惜和微软和IBM啊这种世界上一流的IT互联网公司的合作。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。