
作为“互联网+”行动计划最重要的技术元素,云计算成为很多企业用户通过IT技术提升业务的新驱动力。其中,数据显示从2013年到2018年,全球数据中心将增长近三倍,而云流量占总体数据中心流量将从54%提升到76%。这意味着数据中心性能需求的再次飞跃,也对新一代核心交换机提出了要求。
作为国内民族品牌的锐捷网络洞察到了数据中心流量这一极速增长的需求,8月21日正式推出“零背板”数据中心交换机RG-N18018-X。
据悉,新产品在100T平台上应用“零背板”技术,实现了大容量、高密度、低损耗、绿色节能等创新特性,在提供高性能、稳定服务的同时,可实现未来10年的网络平滑升级。此外,该产品采用CLOS直接正交零背板交换架构,整机最大支持172T的交换容量,完美匹配云数据中心业务复杂性与多样性的需要,具体表现在以下三个方面:
RG-N18018-X数据中心交换机融合多项创新特性于一身,其中闪光点便是“零背板”。
首先,这项技术突破能够解除背板对容量提升的限制,进而提供了持续的带宽升级能力和业务支撑能力。其次,锐捷在业界率先实现了100G端口无PHY芯片设计,成就了RG-N18018-X最高速率、最全端口的丰富组合,支持100G、50G、40G、25G、10G,可以兼容过去及未来10年内由于多次升级产生的各种高速端口。此外,纯前后风道、高强度机箱设计、五级精准导向、21U的高度、智能检测对接状态等全新架构设计,更助其成为了业界“容量/密度”最高的数据中心核心交换机设备。
RG-N18018-X具备172T的超大带宽,是目前业界最大的交换容量平台。其单板支持36个100G接口,实现了单板3.6T的交换容量,整机最大提供576个100G端口、或2304个25G端口,超过同等尺寸设备接口密度的70%。另外,这款产品还在业内首次采用了显卡级大缓存GDDR5 SDRAM配置,单板性能高达24GB容量,最大支持512K虚拟机的核心交换机,比业界最强的交换机缓存提升了33%,能够更好地保障传输质量。
由于应用了零背板技术,RG-N18018-X交换机实现了直通风道散热设计,可以实现更低的风阻,让风流快速带走热量,能够有效降低设备温度;其前面板采用30°内折弯设计,对比垂直面开孔率高达106%,有效提升进风量;机箱内采用对旋风扇设计,可同时满足风量和风压的需求,进一步降低风扇噪声。特别地,RG-N18018-X交换机还采用业界最高效率的钛金级别电源,使得供电转换效率高达96%;同时100G线卡采用无PHY芯片设计,能使单板功耗降低5.63%以上。
据锐捷表示,“零”代表的不是无,而是无穷的升级空间和无尽的革新力量。此次发布的RG-N18018-X隶属于“牛顿(Newton)”核心交换机系列,继承了Newton18000系列凭借其在云计算领域中IT资源快速响应、业务融合、SDN(软件定义网络)创新等方面的优势,而“零背板”创新设计的加入,无疑是助力了云数据中心扩容。
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。