上周,锐捷网络召开2015产品及解决方案媒体发布会,“简网络、云体验”被赋予了新的内涵和生命力,让业界再次感受到这个民族品牌领军互联网时代变革的信心!深入场景重塑“极简网络”带来的业务创新、扎根行业使“云体验”快速落地、以国家政策为背景让信息安全等级保护解决方案真正落实。所有这些充满创新能量的产品战略,将帮助用户在2015年拥有“互联网+”时代的强大动力。
场景重塑移动互联
深入用户应用场景,培养出锐捷网络研发紧跟时代步伐的能力,也带来了2015年产品战略中的无“线”能量——场景重塑移动网络。
锐捷网络无线产品事业部副总经理蔡韡在会上表示:“扎根行业,使锐捷今天推出的无线网络产品和创新技术,能够迅速在各个领域与用户应用需求无缝融合。过去,锐捷移动网络解决方案可以满足更复杂的应用环境要求,如无线宿舍网、无线病区、酒店等。而深入到行业内部场景,更让锐捷的解决方案适应互联网+时代的业务改变,在微信营销、智慧交通、智慧医疗、移动金融等领域,锐捷的场景化移动网络方案都做到了量体裁衣,让移动互联成为企业业务的强劲引擎。”

图:锐捷网络无线产品事业部副总经理蔡韡
云数据中心“平民化”
扎根行业的持续创新成为了锐捷网络开拓互联网+时代的利器,在2015年产品战略发布会云数据中心解决方案发布环节,锐捷网络安全与应用交付产品事业部总经理项小升带来了让云数据中心“平民化”的新理念。

图:锐捷网络安全与应用交付产品事业部总经理项小升
他谈到:“锐捷网络在两年前就开始酝酿云数据中心‘平民化’的平台,因为只有这样,‘云体验’才能真正在行业应用中快速落地,我们希望用户可以像‘拧开水龙头’一样使用云计算和大数据技术。2015年,锐捷给出了令用户满意的答案,新的数据中心产品线将基于开源的OpenStack,以兼容和开放为旗帜,通过提供系统级稳定保障和完善商业流程需求,实现数据中心从“产品交付”向“云交付”的进化,兑现两年前许下的诺言。“
互联网后时代的“极简网络”
2014年,锐捷网络曾用“极简网络”带领用户进入基础网络的全新时代,从容便捷地应对企业网络构建、应用、管理的难题。显然,越来越“简单”在未来很长时间里,都将是整个行业的发展趋势。
发布会上,锐捷网络高教和职教行业总监王玉林解释了“极简网络”的前景,他认为:“如今,用户在移动互联网应用部署时更加理性、冷静,会更多地思考实际的应用运维和管理,这就需要我们建立一个能够真正‘以人为本’的网络,而这恰是极简网络的‘最终目标’。虽然,这个战略目标并不能一蹴而就,但新的‘极简网络’已经能够提供一个‘快进快出’的互联网出口、一个优质无线信号覆盖的Wi-Fi接入网络、并且通过一台设备就能实现整张网络的管理。满足了新时代对网络基础设施的更高要求”

图:锐捷网络高教和职教行业总监王玉林
“等风来 保平安”
在目前用户最关心的安全问题上,锐捷网络安全与应用交付产品事业部副总经理余晓隆结合国家政策和新趋势,介绍了锐捷信息安全等级保护解决方案的创新特点:“面向业务的安全体系化防护、高可用防御设计、可延伸架构部署,可以帮助用户快速满足等保架构政策要求,并形成体系化。同时,采用统一的授权与策略管理、全网联动防御的体系设计及智能化监测与分析机制,能够帮助运维人员降低管理难度与运营压力,让安全运维更为简单高效。”
锐捷网络2015年产品及解决方案战略以扎根行业、深入场景为核心理念,吸收此前“简网络 云体验”的实践精髓,不仅带来了让人耳目一新的产品技术,也将描绘出移动互联网时代的应用新画卷。

图:锐捷网络安全与应用交付产品事业部副总经理余晓隆
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。