"一支粉笔,两袖清风,三尺讲台,四季耕耘"是传统学校教育给人们留下的印象。然而,在技术驱动的教育时代,信息技术在学校教育各个领域愈来愈被广泛应用,教育信息化进入快速发展时期。近年来,南京森林警察学院携手浪潮改造传统IT系统,深耕教育信息化,推进教育创新,为智慧校园建设奠定了基础。
南京森林警察学院是由国家林业局主管、与公安部共建的我国唯一一所承担着培养、输送高素质森林公安、森林消防专业人才,培训在职森林公安民警和森林防火指挥员,开展森林公安和森林防火科学研究重任的公安本科院校,在我国公安和林业高等教育布局中地位特殊、使命重大。
由于南京森林警察学院建设时间久远,技术架构已过于陈旧,而原有应用系统较多,大多数应用系统依靠单纯的物理机堆叠,信息孤岛现象严重,没有统一的认证机制,用户身份信息管理繁杂。例如,校园内存在多个应用系统,每个应用系统独立维护自己的用户管理数据库,同一用户在每个系统中都存储独立的身份信息。这样就存在用户身份信息重复录入,系统间的账号数据交换依靠手工进行,数据一致性差,用户需要记忆多个用户名与密码,分别登录多个系统,操作繁琐,容易出错等问题。同时由于缺乏统一数据标准,实时数据交换困难,导致大量资源无法共享。
高校传统IT架构无法实现系统动态扩展和按需调配,造成数据中心高成本硬件投入下的资源浪费,众多应用系统占据大量服务器也导致资源利用率极低。同时,随着南京森林警察学院在校学生数量的增加,原有选课系统面对大量用户涌入,高并发请求时,无法及时处理,造成宕机,影响学生正常选课。此外,数据中心机房空间狭小,系统扩容升级难,安全、容灾、备份系统不够完善,系统的稳定性与可靠性不足,导致整体效率偏低。
根据南京森林警察学院的业务情况,浪潮经过对其应用运营模式、核心业务测试对比、业务系统高峰期特征的分析,提供了SR整机柜服务器并搭配vSAN的架构,借助虚拟化的高资源利用率、弹性扩展、动态迁移、快速部署等特性,帮助南京森林警察学院打破了系统之间的壁垒,使得数据可以灵活调取,资源实现充分共享,更让整个数字化校园信息系统具备了前所未有的可管理性、高可用性和高安全性,大大推动了南京森林警察学院信息化建设步伐,向“智慧校园”的目标又迈进了一大步。
SR整机柜服务器具备的高密度、大颗粒一体化交付、集中供电散热和管理等特点,已成为新一代云数据中心IT基础架构的核心形态。SR整机柜服务器打破了传统机架式服务器的设计标准,采用42U标准工业机柜,由于取消了机柜侧柱设计,使得整个机柜的空间利用率从81%提升到90%。同时,从整体的系统设计角度考虑,节点高度增加5%,机柜深度增加19%,总体空间利用率提高了31%,12KW的机柜中最多可部署48个双路服务器节点,部署密度提高到传统机架式服务器的2倍。相比通用机架式服务器,SR整机柜服务器更高的部署解决了南京森林警察学院机房空间狭小的问题。
SR整机柜服务器采用了两层可靠性管理设计,集中管理模块(RMC)可通过RMC命令行方式,也可使用图形化界面的管理软件进行管理,实现管理中心对整机柜的功能模块和支撑模块统筹管理,而当RMC发生故障时,节点中板将会立即接替对机柜模块的监控工作,保证系统正常运行,方便运维管理,节省了人力成本。通过vSAN架构做虚拟化应用,南京森林警察学院仅用一套设备就解决了原来所有的安全隐患。
南京森林警察学院吴宇宝教授谈到,浪潮SR整机柜服务器和vSAN架构一套系统就解决了我们原有系统的安全隐患,该产品的高密度特性和良好的扩展性,为我们今后系统的扩容预留了空间,尤其是破解了我们机房空间有限的难题,为我们建设智慧校园奠定了基础。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。