惠普企业(HPE)推出特殊低价优惠和更快的交货方案,在桌面和塔式服务器空间出招对付戴尔及白盒帮。
HPE推出的优惠含有通过渠道合作伙伴提供一系列入门级塔式服务器、软件和Pointnext服务。
此举旨在增加合作伙伴的销售周期、改善附加销售及简化配置SMB套件所需的SKU数字。
HPE推出的优惠方案基于一套简化过的ProLiant Gen 10塔式服务器:
方案亦包含ML30 Gen9单插座塔式服务器。
HPE告诉我们,简化意味着“特殊低价格”,客户可以购买或订阅,而且,这些产品总有存货并可以随时由合作伙伴快速发货。HPE称,快速发货即是说第二天,如果订单出得早,甚至同一天可发货。
客户可以用现有套件以旧换新进行现金返回交易。
作为HPE的惯招,这些优惠在世界各地的叫法不一样:
亚太地区和日本:Intelligent Buy Offers(聪慧购买产品)。
如果HPE的销售成本下降及单位出货量增加,那HPE应该就可以受益,而戴尔和白盒服务器发货商就会受影响。个别报价配置细节将在不久后提供给合作伙伴。
据我们的理解,这些不同的简化包、更低的价格、更快的发货几个月后将同样适用于ProLiant机架套件。
好文章,需要你的鼓励
这项研究提出了HoPE(混合位置编码),一种针对视觉语言模型的新型位置编码技术,专门解决长视频理解的挑战。传统位置编码技术在处理长视频时表现不佳,HoPE通过两个创新解决了这一问题:混合频率分配策略(为空间信息分配高频,时间维度使用零频率)和动态时间缩放机制(根据视频速度灵活调整时间编码)。实验证明,HoPE在长视频理解和检索任务上分别提升了8.35%和22.23%,为AI更准确理解长视频内容开辟了新途径。
东京大学研究团队推出MangaVQA基准和MangaLMM模型,专门用于评估和提升AI对日本漫画的理解能力。MangaVQA由526个高质量手动创建的问答对组成,用于评估AI系统对漫画内容的深入理解;MangaOCR则专注于漫画页内文本识别。基于这两个基准,研究团队从开源多模态模型Qwen2.5-VL微调出MangaLMM,能同时处理文本识别和内容理解任务。实验显示,即使是GPT-4o等顶尖商业模型在处理漫画的独特复杂性时也面临挑战,而专门训练的MangaLMM表现出色。
这项研究由ISTA和谷歌研究院联合开发的"影响力蒸馏"方法,通过利用二阶信息为训练样本分配最优权重,实现了大语言模型训练数据的高效选择。该方法在数学上有坚实理论支持,并创新性地引入"地标"近似技术,仅需计算少量样本的精确影响力,再高效传播到其他样本,大幅降低计算成本。实验证明,该方法在多种模型和任务上均优于或匹配现有技术,同时实现了高达3.5倍的速度提升,为大模型训练开辟了更高效的路径。
来自哈佛大学等顶尖学府的研究团队在这篇论文中挑战了传统观念,认为Token压缩不仅仅是提高AI模型运行效率的工具,更应成为生成式AI模型设计的核心原则。研究表明,精心设计的Token压缩策略可以促进多模态深度整合、减轻AI"幻觉"问题、增强处理长序列输入的能力,并提高训练稳定性。论文详细分析了现有方法的局限性,并提出了算法创新、强化学习指导和硬件协同设计等未来研究方向。