科技行者 7月19日 北京消息:日前,Arm宣布与中国联通旗下联通物联网有限责任公司(以下简称“物联网公司”)的合作取得了最新进展,Arm已成功部署基于Arm Pelion设备管理平台与Mbed OS操作系统所打造的全新物联网平台,加速推进和完善中国物联网生态发展。

▲Arm高级副总裁兼物联网云服务总经理Hima Mukkamala(左)、联通物联网有限责任公司总经理陈晓天(右)
Arm预测,到2035年,从受限设备到全功能终端节点或网关等物联网设备数量将达到1万亿台,所有设备都将需要安全的远程管理。为此,Arm推出Pelion物联网平台,整合设备管理、连接管理、数据管理功能,加上专为物联网设计的Mbed OS操作系统,支持任意设备进行灵活的云端部署,进一步消除物联网复杂性与碎片化的阻碍。
Arm于今年二月巴塞罗那MWC上首次公开与中国联通物联网的深度合作。经过四个多月的共同协作发展,如今Arm Pelion设备管理技术已经成功导入联通物联网全新平台,协助中国联通物联网实现灵活、高效、安全的解决方案,通过多样化设备以及广大的应用生态系统,为中国企业以及在中国的外企提供完整的物联网设备管理服务。截至目前,该平台已经吸引包括海尔数字科技、天正电气、暨联牧科、鲁邦通在内的众多合作伙伴加入,全力推进物联网在公共设施、智慧城市、资产管理、零售等重点应用领域的发展,赋能中国强大的物联网生态系统。点击此网页了解关于设备管理平台内容。
Pelion设备管理平台确保物联网设备安全
在可预见的未来,随着物联网的蓬勃发展,物联网设备的种类和数量将随之激增,设备管理的复杂性与安全性也将备受挑战。Arm Pelion设备管理平台具备设计和连接上的灵活性,支持从 IP 到非 IP 连接,再到受限或高带宽网络等多种设备类型,并远程为这些设备提供持续的固件更新。此外,它还可以通过安全设备访问、无线(OTA)更新、安全连接协议及数据加密,达到设备、通讯和数据的安全性。Pelion设备管理平台集成Arm平台安全架构(Platform Security Architecture, PSA),加上符合PSA Certified™ 1级认证、专为物联网构建的Mbed OS操作系统,Arm与中国联通物联网携手打造的全新物联网平台将确保芯片到云端的安全。

联通物联网有限责任公司总经理陈晓天表示:“中国联通物联网十分高兴能与Arm携手打造物联网平台,为联通物联网的发展增添助力。作为物联网领域创新的先行者,我们希望能够基于全新物联网平台,透过Arm优异的整合平台技术,快速无缝地管理物联网设备,并提供更多物联网解决方案服务,推动各种新兴物联网应用的发展。”

▲中国联通物联网有限责任公司总经理陈晓天
Arm高级副总裁兼物联网云服务总经理Hima Mukkamala表示:“Arm致力于实现简便、高效、安全的物联网设备管理,我们与中国联通物联网的合作已经达到了阶段性成果,未来,Arm愿意携手中国联通物联网及其他业内合作伙伴,共同推进中国物联网行业生态发展,加速各垂直行业的数字化转型与规模化发展。“

▲Arm高级副总裁兼物联网云服务总经理Hima Mukkamala

▲Hima Mukkamala和陈晓天答记者问
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。